Estudos hidrológicos com base em grandes amostras e deep learning : contribuições para aplicações em bacias hidrográficas no Brasil

Abstract

Os produtos de precipitação baseados em satélite e reanálise são amplamente adotados como informações complementares às medições in situ para estimar a precipitação e a vazão do rio usando modelagem hidrológica. No entanto, ainda existe uma lacuna na literatura sobre a investigação desses produtos nas bacias hidrográficas tropicais e subtropicais usando modelagem hidrológica em grande amostragem e análise de sensibilidade. Além disso, a regionalização da vazão tem recebido grande atenção da comunidade hidrológica e a utilização de deep learning como as redes neurais de Long Short-Term Memory (LSTM) é um dos caminhos para o aperfeiçoamento da modelagem hidrológica nessas bacias. Assim, o principal objetivo desta tese é aperfeiçoar a estimativa de precipitação e vazão das bacias brasileiras utilizando dados de sensoriamento remoto e reanálise de precipitação (CHIRPS, ERA5, ERA5- Land, GLDAS, IMERG, MERRA-2, PERSIANN-CDR, TRMM, TerraClimate), modelagem hidrológica (GR4J) e deep learning. Os resultados mostraram que os produtos de precipitação tendem a superestimar a precipitação, com exceção do ERA5 e MERRA-2. O CHIRPS é o único produto que produz estimativas imparciais de precipitação para a maioria das bacias hidrográficas. CHIRPS, IMERG e MERRA-2 mostraram boa precisão em termos de estimativa de precipitação e desempenho de simulação hidrológica na fase de calibração. No período de validação, os melhores produtos em termos de KGE foram CHIRPS, IMERG e TRMM (KGE > 0,64). Além disso, os erros nos produtos de precipitação são melhor compensados via modelagem hidrológica em regiões de maior umidade e a sensibilidade dos parâmetros do modelo varia de acordo com a precipitação, o clima e a aridez da bacia. No geral, todos os produtos de precipitação exibiram o seu pior desempenho hidrológico em regiões mais áridas. Outros achados da tese indicam que as redes LSTM têm o potencial de auxiliar a regionalização de vazão utilizando as características das bacias em regiões secas e úmidas. Cerca de 88% e 40% das bacias úmidas e secas, respectivamente, apresentaram valores de KGE>0.6 no modelo regional de LSTM na fase de teste. De modo geral, essa tese fornece informações relevantes sobre a confiabilidade dos produtos de precipitação por satélite/reanálise e uso de deep learning para simulação de vazões, e esses achados podem auxiliar aplicações hidrometeorológicas, estudos de alterações climáticas, gestão de recursos hídricos e desastres, especialmente em regiões com escassez de estações de medição de precipitação e vazão.