Modelo de Aprendizado de Máquina e de Base Física para Simulações de Vazões de uma Bacia Hidrográfica da Amazônia
Abstract
Este estudo comparou modelagens de vazões de uma sub-bacia hidrográfica do rio Guamá na Amazônia. O modelo de aprendizado de máquina desenvolvido foi uma Rede Neural Recorrente Autorregressiva Não Linear com Entradas Exógenas (RNN-NARX) e o modelo físico considerado foi o HEC-HMS. Dados diários de precipitação, vazão e temperatura foram utilizados para entrada, calibração e validação dos modelos. O desempenho dos modelos foi de “Bom” a “Excelente”, conforme classificação disponível na literatura. Entretanto, as simulações de vazão performaram melhor com as RNN-NARX, pois os valores de NSE e KGE aproximaram-se de 1,0. As simulações com o HEC-HMS, apesar de terem menor desempenho, foram importantes no estabelecimento da comparação entre um modelo físico e um modelo de aprendizagem de máquina. Assim, o modelo das RNN-NARX mostrou-se mais adequado para simular com maior precisão as vazões da sub-bacia hidrográfica do rio Guamá. Outro destaque, no melhor desempenho das redes neurais, é a menor quantidade de dados necessários para a modelagem, comparada ao volume de dados necessários para a modelagem com o HEC-HMS. Fato importante, em se tratando de Amazônia, onde a logística para coleta de dados, às vezes, torna-se impraticável devido às condições morfoclimáticas da região.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Revista de Gestão de Água da América Latina (Water Management Journal in Latin America)
This work is licensed under a Creative Commons Attribution 4.0 International License.
When sending the manuscript, notice that:
To be responsible for the other authors, when applicable, as co-responsible for the technical and scientific content of the article according to Article 5 of Brazilian Law N. 9610, regarding Copyright.
All statements published in the manuscript are the sole responsibility of the authors. However, all published material becomes the property of REGA, which reserves the copyright. Therefore, no material published in REGA may be reproduced without the written permission of REGA. All authors of articles submitted to REGA must sign a Copyright Transfer Agreement, which will take effect from the date of acceptance of the article. This term will be requested by REGA prior to the publication of the article. The author responsible for the article will receive, free of charge, the electronic record of the publication (in PDF format).
All articles published open access will be immediately and permanently free for everyone to read, download, copy and distribute. Permitted reuse is defined by your choice of one of the following user licenses:
Creative Commons Attribution (CC BY): lets others distribute and copy the article, to create extracts, abstracts, and other revised versions, adaptations or derivative works of or from an article (such as a translation), to include in a collective work (such as an anthology), to text or data mine the article, even for commercial purposes, as long as they credit the author(s), do not represent the author as endorsing their adaptation of the article, and do not modify the article in such a way as to damage the author’s honor or reputation.
Author Rights
For open access publishing this journal uses an exclusive licensing agreement. Authors will retain copyright alongside scholarly usage rights and REGA will be granted publishing and distribution rights.
Author Self-Archiving Policy
This journal permits and encourages authors to post items submitted to the journal on personal websites and institutional or funder repositories after publication. The final published PDF version should be used and bibliographic details that credit the publication in this journal should be included.
