Previsão de Vazões com Modelos Orientados por Dados: Comparação entre Método de Séries Temporais e de Aprendizado de Máquina na Bacia Hidrográfica do Alto Paraguai

Resumo A intensificação da demanda hídrica decorrente do crescimento populacional e econômico exige a adoção de ferramentas eficazes para gestão dos recursos hídricos. A previsão de vazões, por meio da modelagem hidrológica, é essencial para subsidiar a alocação racional da água e mitigar impactos em múltiplos setores. Modelos determinísticos exigem grande volume de dados e conhecimento detalhado da bacia. Em contrapartida, modelos estocásticos como SARIMA e técnicas de aprendizado de máquina, como Redes Neurais Artificiais (RNA), oferecem alternativas viáveis, diante da escassez de dados. Assim, este estudo avaliou o desempenho preditivo dos modelos SARIMA e Multi-Layer Perceptron (MLP), aplicados às séries temporais de vazão média mensal, na Bacia Hidrográfica do Rio Itiquira, que pertence à Bacia do Rio Paraguai, conhecida por abrigar o Pantanal. A MLP apresentou desempenho superior no período de teste, com RMSE de 7,95 m3/s, NSE de 0,841, KGE de 0,906 e PBIAS de 4,05% para um horizonte de 9 meses, enquanto o SARIMA obteve RMSE de 11,291 m3/s, NSE de 0,679, KGE de 0,770 e PBIAS de 19,60%. Os resultados evidenciam a elevada capacidade da MLP em modelar padrões sazonais, reforçando seu potencial como ferramenta de suporte à gestão hidrológica em regiões com dados limitados.