Seasonal forecasting of inflows to the Carnaubal Reservoir in the Brazilian semi-arid region using artificial neural networks

Diante dos desafios impostos pelas condições climáticas de regiões semiáridas que dependem da política de açudagem para garantia de disponibilidade hídrica, métodos de aprendizado de máquina estão sendo usados como ferramentas para a gestão eficiente dos recursos hídricos. Este trabalho teve como objetivo calibrar um modelo de previsão sazonal de vazões para o açude Carnaubal, no Semiárido cearense, utilizando redes neurais artificiais (RNA) do tipo Multilayer Perceptron (MLP). Foram desenvolvidos dois modelos com diferentes conjuntos de índices de temperatura da superfície do mar (TSM), incluindo Niño 3, Niño 1+2, TAN, TAS, para o período de 1912 a 2015, representando condições dos oceanos Atlântico tropical e Pacífico equatorial. As previsões foram avaliadas por meio de métricas determinísticas, probabilísticas e de classificação. O modelo baseado em preditores do Atlântico apresentou melhor desempenho, com coeficiente de Nash-Sutcliffe (NSE) de 0,58 e coeficiente de correlação (R) de 0,78 no conjunto de teste, além de desempenho superior à climatologia (índice de desempenho de 1,16). Na classificação de anos secos, normais e chuvosos, o modelo obteve acurácia de 57% e melhor desempenho na previsão de anos chuvosos (F1-score de 0,74). Os resultados evidenciam a relevância da variabilidade do Atlântico tropical na previsibilidade das vazões na região e demonstram o potencial das redes neurais como ferramenta de apoio à decisão na gestão de recursos hídricos em ambientes semiáridos. Estudos futuros podem explorar abordagens multimodelo para aprimorar a acurácia das previsões.