Previsão de Vazões com a Metodologia DPFT e com Redes Neurais Artificiais

Abstract

Neste artigo apresenta-se a comparação de duas metodologias de previsão de cheias, utilizando-se modelos com pou- cos parâmetros a calibrar. Na metodologia DPFT (Diferenças Primeiras da Função de Transferência) usa-se uma amostra de observações de eventos precipitação-vazão e um algoritmo iterativo para a identificação simultânea do Hidrograma Unitário (Função de Transferência) médio da bacia e de uma série de precipitações efetivas associadas a cada evento. Esta última particularidade permite a calibração e comparação de diferentes modelos de Função de Produção, representando a transfor- mação precipitação observada — precipitação efetiva. No caso em questão, foi utilizado um modelo simples de Função de Produção, o modelo GR3. A metodologia DPFT é comparada com um modelo simples de Redes Neurais Artificiais, onde as não-linearidades inerentes ao processo de transformação precipitação-vazão são representadas por uma estrutura de rede MLP com 4 neurônios representativos das vazões e precipitações. Os resultados de aplicação e comparação dos métodos em duas bacias hidrográficas de médio porte são apresentados e analisados. Nos estudos de caso analisados, a metodologia DPFT apresentou um desempenho ligeiramente superior ao modelo de redes neurais artificiais, mostrando, entretanto, menor regularidade nos resultados.