Previsão mensal de vazão para o rio Jequitinhonha

uma abordagem por aprendizado de máquina

Resumo

A previsão de vazões é decisiva para mitigar riscos socioeconômicos e otimizar a operação de recursos hídricos, cuja variabilidade afeta energia, abastecimento e eventos extremos. Isso em vista, suprir a lacuna de estudos nacionais sobre uso de aprendizado de máquina para o rio Jequitinhonha, mediante o desenvolvimento de um modelo CatBoost capaz de gerar previsões mensais confiáveis, foi o que se buscou com o presente estudo. Foram empregados dados diários de vazão para treinamento do modelo e realizada a previsão para 31 dias (1 mês), sendo os resultados avaliados segundo as métricas MAPE, RMSE e KGE, além de intervalos de previsão nos percentis  5 ° e  95°. O modelo obteve MAPE de aproximadamente 15,7 %, RMSE  de  26,7 m³ /s e KGE  0,36, melhorando a posteriori para KGE  0,54 ao otimizar-se a quantidade de observações defasadas para treinamento, e o intervalo de previsão proposto, de 90%, capturou os valores reais observados a contento. O CatBoost demonstrou aptidão para representar o regime de fluxo do rio Jequitinhonha, mas ganhos adicionais exigem séries mais longas e otimização de hiperparâmetros para elevar correlação e reduzir viés, consolidando‑se como ferramenta promissora no apoio à gestão hídrica regional.