Resumo Modelos empíricos chuva-vazão vêm sendo cada vez mais usados nas últimas décadas, devido a indisponibilidade de dados de entrada dos modelos conceituais, e à confiabilidade, rapidez, e menor complexidade destes modelos. Neste contexto, foi aplicada a técnica de Regressão por Componentes Principais (RCP) na simulação das vazões médias mensais de oito estações fluviométricas na Bacia Hidrográfica do Xingu (BHX), pertencente a grande bacia hidrográfica amazônica. Na BHX se encontra a usina hidroelétrica de Belo Monte, além de importantes áreas de preservação ambiental. Demonstra-se na pesquisa o grau de relação entre a precipitação e vazão, entrada e resposta do modelo chuva-vazão baseado em RCP, e os respectivos graus de defasagem com eficiência preditiva. A RCP apresentou bons resultados na simulação das vazões mensais em todas as estações selecionadas, caracterizando bem a dinâmica das séries temporais com resultados ótimos nos períodos de estiagem (maio a outubro) e tendência a leve subestimativa nos períodos chuvosos (novembro a abril). Tais resultados utilizando a precipitação observada na simulação das vazões da BHX permitem concluir que um bom sistema de previsão climática para a precipitação sazonal poderá inferir um grau preditivo importante para as vazões com até três meses de antecedência.

Abstract Empirical rainfall-streamflow models have been increasingly used in recent decades, due to the unavailability of input data from conceptual models, and the reliability, speed, and less complexity of these models. In this context, the Principal Component Regression technique (PCR) to simulate the monthly average streamflow of eight river stations in the Xingu River Basin (XRB) was applied, which belongs to the large Amazon basin. The XRB has the Belo Monte hydroelectric plant, as well as important areas of environmental preservation. The degree of relationship between rainfall and streamflow, input and response of the rainfall-streamflow model based on PCR is shows in the research and the respective degrees of lag with predictive efficiency. The PCR showed good results in the simulation of the monthly streamflow in all the selected stations, characterizing well the dynamics of the time series with excellent results in the dry periods (May to October) and a tendency to slightly underestimate in the rainy periods (November to April). These results, using the rainfall observed for streamflow simulation in the XRB, allow us to conclude that a good climate forecasting system for seasonal rainfall can infer an important predictive degree for streamflow up to three months in advance.

Este artigo discute um modelo de previsão combinada para a realização de prognósticos climáticos na escala sazonal. Nele, previsões pontuais de modelos estocásticos são agregadas para obter as melhores projeções no tempo. Utilizam-se modelos estocásticos autoregressivos integrados a médias móveis, de suavização exponencial e previsões por análise de correlações canônicas. O controle de qualidade das previsões é feito através da análise dos resíduos e da avaliação do percentual de redução da variância não-explicada da modelagem combinada em relação às previsões dos modelos individuais. Exemplos da aplicação desses conceitos em modelos desenvolvidos no Instituto Nacional de Meteorologia (INMET) mostram bons resultados e ilustram que as previsões do modelo combinado, superam na maior parte dos casos a de cada modelo componente, quando comparadas aos dados observados.

This article discusses a combined model to perform climate forecast in a seasonal scale. In it, forecasts of specific stochastic models are aggregated to obtain the best forecasts in time. Stochastic models are used in the auto regressive integrated moving average, exponential smoothing and the analysis of forecasts by canonical correlation. The quality control of the forecast is based on the residual analysis and the evaluation of the percentage of reduction of the unexplained variance of the combined model with respect to the individual ones. Examples of application of those concepts to models developed at the Brazilian National Institute of Meteorology (INMET) show good results and illustrate that the forecast of the combined model exceeds in most cases each component model, when compared to observed data.

A modelagem hidrológica é uma importante ferramenta no planejamento e gerenciamento de programas de recursos hídricos de bacias hidrográficas. Neste trabalho, foi aplicado o modelo hidrológico determinístico mensal de dois parâmetros e o modelo estocástico, ARIMA, para simular a vazão mensal das sub-bacias da região hidrográfica do Xingu no Estado do Pará. O objetivo principal foi simular a vazão mensal através dos modelos e comparar os seus resultados. O modelo hidrológico determinístico aplicado possui uma estrutura simples e apresentou bons resultados, porém mostrou-se muito sensível a eventos extremos de precipitação. O modelo estocástico ARIMA, conseguiu capturar a dinâmica das séries temporais, apresentando resultados muito satisfatórios na simulação da vazão mensal nas estações da bacia. Ambos os modelos devem ser aplicados com cautela no período chuvoso, onde ocorrem os eventos extremos de precipitação e consequentemente vazões de pico.

Hydrologic modeling is an important tool for the planning and management of water resources use in river basins. In this work, a two-parameter monthly deterministic hydrologic model and the stochastic model, ARIMA, were applied to simulate the monthly runoff of the Xingu river basin in the State of Pará. The main objective of this work is to simulate the monthly runoff using the two models and to compare their results. The applied hydrological deterministic model has a simple structure and presented good results, but seems to be very sensitive to extreme precipitation events. The stochastic model ARIMA was able to capture the dynamic of the temporal series, presenting very satisfactory results for the simulation of the monthly runoff at the basin stations. Both models should be applied with caution during the rainy season, when extreme precipitation events and consequently peaks of runoff occur.