O monitoramento para a previsão de cheias de pequenas bacias hidrográficas é de grande importância tendo em vista a relação dos recursos hídricos com a sociedade, pois pode garantir o uso sustentável às comunidades urbanas de cidades lindeiras à bacia. O rio Aquidauana está inserido na planície Pantaneira sendo considerado vulnerável à inundações, no entanto, falta de um sistema eficiente para previsões de cheias e inundações. Assim, este estudo propõe um sistema de previsão probalística de enchentes para a bacia do Rio Aquidauana. Para tanto foram utilizadas as redes neurais artificiais (RNAs) do tipo MultiLayer Perceptron (treinamento back-propagation) com parâmetros otimizados pelos Algoritmos Genéticos. A RNA foi treinada e avaliada com base em dados de chuva acumulada (mm) e nível de rio (cm) à montante entre os anos de 1995 a 2014. A previsão realizada foi de 1 a 5 dias, tendo como melhor desempenho o modelo para 1 dia de previsão, com resultado de coeficiente de determinação e erro quadrático médio de 0,93 e 30 (cm), respectivamente.
Palavras-chave: monitoramento de cota, multilayer perceptron, predição, Rio Aquidauana.
Monitoring for flood forecasting in small hydrographic basins is of great importance in view of the relationship of water resources with society, as it can guarantee the sustainable use of urban communities in cities bordering the basin. The Aquidauana River, classified as a small basin, belongs to the Paraguay River basin and is an affluent of the Miranda River, forming part of the Pantanal plain, being inserted in the mapping of rivers vulnerable to flooding in the Central-West region of Brazil. This study deals with the monitoring of the river Aquidauana and uses artificial neural networks (RNAs) of the MultiLayer Perceptron type (training back-propagation) with parameters optimized by Genetic Algorithms. The RNA was trained and tested based on hydrological data between 1995 and 2014, accumulated rainfall (mm) and river level (cm) upstream. The forecast was 1 to 5 days, with the best performance of the model for 1 day of forecast, with a coefficient of determination and mean square error of 0.93 and 30 (cm), respectively.
