Previsão de vazão no rio Solimões com modelo de redes neurais do tipo Long Short-Term Memory (LSTM)

Abstract

A previsão de vazões no rio Solimões é essencial para as comunidades que dependem do sistema fluvial para mobilidade e desenvolvimento econômico. A dinâmica fluvial é marcada por processos hidrodinâmicos complexos, incluindo armazenamento em planícies inundáveis, efeitos de jusante e curvas-chave não unívocas, que dificultam a representação física do sistema por modelos numéricos. O objetivo deste trabalho foi avaliar a capacidade de um modelo de redes neurais do tipo Long Short-Term Memory (LSTM), com arquitetura encoder–decoder, em prever vazões no rio Solimões. A incorporação de atributos derivados fisicamente interpretáveis foi investigada, com a finalidade de analisar sua habilidade em representar o estado hidrológico e as condições antecedentes de umidade da bacia. Essa estratégia visou aproximar as previsões da coerência física dos processos geradores de vazão. O desempenho do modelo foi avaliado sob a exclusão de eventos extremos durante o treinamento, investigando sua capacidade de generalização. O potencial das anomalias hidrológicas como variável-alvo para representar as variações interanuais e irregulares também foi analisado. Por fim, foram investigadas as incertezas associadas às curvas-chave por meio da comparação entre previsões realizadas diretamente em cota e previsões obtidas em vazão posteriormente convertida para cota. Os resultados evidenciam que o modelo LSTM foi capaz de representar parte da variabilidade hidrológica além da componente sazonal. Os atributos associados ao estado hidrológico da bacia apresentaram maior relevância para as previsões e estiveram presentes nas configurações de melhor desempenho, compatível com os processos hidrológicos dominantes em rios amazônicos. O modelo demonstrou capacidade de generalização adequada, mantendo desempenho semelhante quando avaliado em eventos extremos não observados durante o treinamento. O desempenho foi inferior na previsão de secas, possivelmente relacionada à diferença entre os mecanismos dominantes neste regime hidrológico. A utilização de anomalias como variável-alvo resultou em desempenho ligeiramente inferior ao obtido com a previsão direta das vazões. Esse resultado indica que a arquitetura empregada já é capaz de representar parte da variabilidade não sazonal da série. A análise das incertezas associadas às curvas-chave indicou que apesar da relação não unívoca entre cota e vazão, característica do rio Solimões, os melhores resultados operacionais foram obtidos com a utilização da vazão como dado de entrada. Uma possibilidade é de que a escolha da variável hidrológica possa influenciar o processo de aprendizagem do modelo. Evidencia-se o potencial de modelos LSTM para a previsão de vazões em cenários de não estacionariedade das séries hidrológicas, destacando a importância da adaptação das configurações do modelo às particularidades de cada bacia hidrográfica.