Resumo:
As técnicas de redes neurais artificiais (RNAs) têm sido utilizadas na previsão de variáveis hidrológicas pela capacidade de generalizar informações, o que torna a implementação de modelos menos onerosa e mais ágil. Neste estudo, foi simulado o fenômeno de conversão de chuvas em vazões de uma Sub-bacia Hidrográfica do Rio Guamá (SHRG) no Estado do Pará, Amazônia. Os modelos são baseados em RNAs de arquiteturas MLP (Multilayer Perceptron) e NARX (Nonlinear Autoregressive with Exogenous Inputs), com função de ativação Tangente Hiperbólica nos neurônios de camada oculta, sendo treinadas pelo algoritmo de treinamento supervisionado Levenberg-Marquardt. Comparando as RNAs propostas, os modelos RNA-NARX apresentaram melhores desempenhos comparados ao modelo RNA-MLP. O melhor dos modelos RNA-NARX apresentou para a fase de teste, R2 igual a 99,08%, RMSE igual a 13,21 m3s-1 e MAPE igual a 4,45%. Esses resultados mostram a possibilidade da simulação de vazões de pequenas e médias bacias hidrográficas da Amazônia através da combinação de RNAs NARXs, principalmente de bacias com ausência ou limitação de dados. 

Abstract:
The techniques of artificial neural networks (ANNs) have been used in the prediction of hydrological variables due to the ability to generalize information, which makes the implementation of models less costly and more agile. In this study, the phenomenon of converting rainfall into streamflows of a Guamá River Hydrographic Sub-basin (GRHS) in the State of Pará, Amazon, was simulated. The models are based on MLP (Multilayer Perceptron) and NARX (Nonlinear Autoregressive with Exogenous Inputs) ANNs, with Hyperbolic Tangent activation function in hidden layer neurons, being trained by the supervised training algorithm Levenberg-Marquardt. Comparing the proposed ANNs, the NARX-ANN models presented better performances compared to the MLP-ANN model. The best of the NARX-ANN models presented, on average, for the training, validation and test phases, R2 equal to 99.08%, RMSE equal to 13.21 m3s-1 and MAPE equal to 4.45%. These results show the possibility of simulating the streamflow of small and medium hydrographic basins in the Amazon through the combination of NARX-ANNs, mainly those basins with no or limited rainfall-flow data.