Dentre as várias técnicas de previsão de vazão, os modelos guiados por dados (DDMs: data-driven models) estão sendo muito utilizados. Estes se baseiam num banco de dados formado pelos registros históricos das variáveis de entrada (precipitação e vazão) e saÃda (vazão) para realizar a previsão. Redes neurais artificiais (ANNs: artificial neural networks) são os tipos de DDMs mais comuns e se mostram normalmente mais precisas do que outros modelos empÃricos, mas possuem a desvantagem de não serem suficientemente transparentes. Um dos métodos de aprendizado de máquina que não possui esse problema é o aprendizado baseado em instâncias (IBL: instance-based learning). O modelo k-nearest neighbor (KNN) é um exemplo de IBL. Neste trabalho, variações do modelo KNN são utilizadas e propostas a fim de realizar previsão de vazão em rio do estado de Sergipe. Os resultados são comparados aos de simulações feitas com o uso de redes neurais artificiais e indicam superioridade das ANNs, mas também previsões satisfatórias com o KNN.
Among several streamflow forecasting techniques, data-driven models (DDMs) are widely used. They employ a database formed by historical input (precipitation and streamflow) and output (streamflow) variables to perform the prediction. Artificial neural networks (ANNs) are the most common types of DDMs, and are typically more accurate than other empirical models, but have the disadvantage of not being sufficiently transparent. One of the machine-learning methods that do not have this problem is the so-called “instance based learning†(IBL). The KNN algorithm is an example of IBL. This research applies and proposes variations of the KNN model in order to forecast streamflows in a river of the state of Sergipe, Brazil. The results are compared to simulations carried out by the use of artificial neural networks and indicate the superiority of the ANNs, but also show satisfactory forecasts of the KNN.
