Preenchimento de Falhas de Dados Horários de Precipitação Utilizando Redes Neurais Artificiais

A disponibilidade de séries contínuas de chuva pode viabilizar a execução de muitos estudos que não seriam possíveis com séries falhadas, porém estas normalmente fazem parte da realidade dos dados disponíveis, devido a dificuldades técnicas, operacionais e orçamentários. O objetivo desta pesquisa é testar uma metodologia com redes neurais artificiais (RNAs) para o preenchimento de falhas em séries horárias de dados de precipitação. Utilizou-se uma série de dados pluviométricos horários de nove estações, em uma bacia de 78 km?, localizada na região noroeste do Rio Grande do Sul, a qual possui clima temperado com quatro estações climáticas anuais bem definidas. Foram experimentadas três diferentes alternativas, com respeito à extensão e disposição das séries horárias utilizadas: 1. Séries longas de treinamento e verificação, com aproximadamente 365 dias; 2. Séries curtas de treinamento com aproximadamente 12 a 30 dias, e várias séries também curtas de verificação, independentes da estação climática; 3. Séries curtas (também de 12 a 30 dias), semelhantemente à alternativa anterior, porém com verificação do preenchimento somente em períodos próximos ao treinamento (menos de 30 dias de diferença). Obteve-se os melhores resultados com a terceira alternativa, cujos coeficientes de Nash-Sutcliffe (NS) foram superiores a 0,9, tanto no treinamento quanto na verificação, em todos os postos analisados, reproduzindo bem os picos de verão. Isto demonstra que, mesmo em bacias onde as precipitações são consideradas homogêneas, as relações entre postos pluviométricos não são constantes, requerendo treinamento para cada processo atmosférico específico, para preenchimento de falhas em períodos curtos e sucessivos ao treinamento.