Título: MODELAGEM DE VAZÃO EM BACIAS HIDROGRÁFICAS UTILIZANDO REDES NEURAIS, DADOS METEOROLÓGICOS E IMAGENS DE SATÉLITES
Comissão Examinadora - Titulares
Prof. Dr. André Franceschi de Angelis (Presidente) - FT/Unicamp
Profa. Dra. Ieda Geriberto Hidalgo - FT/Unicamp
Prof. Dr. Jurandir Zullo Junior - CPA/Unicamp
Prof. Dr. Fabricio Aparecido Breve - Unesp
Profa. Dra. Melissa Cristina Pereira Graciosa - UFABC
Suplentes
Prof. Dr. Jefferson Nascimento de Oliveira - Unesp
Prof. Dr. Murilo Cesar Lucas - FT/Unicamp
Prof. Dr. Helber Custódio de Freitas - Unesp
Local: Sala de defesa (Prédio da Pós-Graduação da FT) | https://stream.meet.google.com/stream/4007a842-d37b-4f44-9e0d-7e4220afdc62
Resumo: A previsão precisa da vazão em bacias hidrográficas é um pilar essencial para a gestão sustentável dos recursos hídricos, especialmente em um cenário marcado por mudanças climáticas e crescente demanda por água. Este estudo apresenta uma abordagem inovadora que combina dados meteorológicos temporais, como precipitação, temperatura, pressão, velocidade do vento e umidade, com imagens de satélite, explorando o potencial de redes neurais artificiais (ANN), redes neurais recorrentes (LSTM) e redes convolucionais (CNN). Para elevar a acurácia das previsões, incorporaram-se técnicas de Transfer Learning com arquiteturas pre-treinadas, como ResNet-50 e Transformer, testando modelos individuais e híbridos em três postos hidrológicos da bacia do Tietê, São Paulo: Ibitinga Gavião Peixoto, Invernada Recreio e Fazenda São Benedito. Os resultados destacaram o LSTM como uma ferramenta promissora, demonstrando superioridade ao utilizar apenas dados temporais, enquanto os modelos híbridos, que integram CNN, ResNet-50 e Vision Transformer, revelaram desafios na fusão de informações espaciais e temporais, sugerindo que a baixa resolução das imagens de satélite pode limitar seu desempenho. Embora a aplicação do Transfer Learning abra novas perspectivas para melhorar a robustez das previsões, a análise dos modelos revelou que a escolha da arquitetura neural desempenha um papel crucial na capacidade de adaptação às condições variáveis da bacia do Tietê, onde fatores como urbanização e sazonalidade impactaram diretamente os padrões de vazão. A comparação entre os modelos individuais e híbridos reforça a importância de alinhar as técnicas de machine learning às características específicas dos dados disponíveis, destacando o LSTM como uma solução viável para cenários com dados limitados. Essa abordagem pode servir como base para estudos adicionais que buscam integrar novas fontes de informação e refinar os métodos de previsão. Conclui-se que o LSTM oferece uma base sólida para a previsão hidrológica na bacia do Tietê, enquanto o desenvolvimento de estratégias avançadas, como o uso de Vision Transformers e redes generativas adversárias (GANs), além da inclusão de dados topográficos, pode aprimorar ainda mais os resultados em estudos futuros.