RESUMO Para a elaboração do plano de bacia se faz necessária a realização de estimativas da resposta hidrológica. Sendo assim, o objetivo desse estudo foi de avaliar a simulação do comportamento hidrológico da bacia hidrográfica do Alto Canoas localizada em Santa Catarina, através de redes neurais artificiais Multi Layer Perceptron (MLP), bem como de analisar a contribuição das variáveis de entrada para a modelagem. Foram testados doze tratamentos com combinações de variáveis de precipitação, evapotranspiração (ET0) e vazão, além de transformações e deslocamentos temporais dessas, a fim de determinar as variáveis que promovessem o melhor desempenho da modelagem da vazão. A MLP foi treinada em modo open-loop utilizando parte das vazões observadas. As vazões foram simuladas em open-loop e closed-loop para o período de teste, sendo em closed-loop utilizado a vazão simulada no passo de tempo anterior como entrada. O algoritmo de aprendizado utilizado foi o de Levenberg-Marquardt. O tratamento que apresentou melhor desempenho (Nash e Sutcliffe (NS) = 0,9119, Raiz do Erro Médio Quadrático (RMS) = 14,29 m3/s) empregou a precipitação diária das quatro estações pluviométricas (Urubici, Vila Canoas, Lomba Alta e Anitápolis), precipitação das quatro estações com tempo de resposta de -2 dias, e vazão simulada do dia anterior. Apesar do baixo RMS, a vazão modelada pela MLP foi, em geral, superestimada.
ABSTRACT Estimatives of hydrological responses are needed for the watershed planning. The aim of this study was to evaluate the hydrological behavior simulation of the Upper Canoas basin using artificial neural networks Multi Layer Perceptron (MLP) method, as well as to analyze the contribution of the input variables for modeling. It were tested 12 treatments with combinations of variables such as precipitation, evapotranspiration (ET0) and discharge, as well as transformations and temporal displacements of these variables, in order to determine the variables that promoted the better performance on discharge modeling. The MLP was trained in open-loop mode using part of the observed discharges. The discharges for the whole series were simulated in closed-loop, using the discharge simulated on the previous time step as input. The learning algorithm used was the Levenberg-Marquardt. The treatment with the best performance (NS = 0.9119, RMS = 14.29 m3/s) employed the daily precipitation of the four rainfall stations (Urubici, Vila Canoas, Lomba Alta e Anitápolis), precipitation of the four stations with -2 days of response time, and simulated discharge from the previous day. Despite the low RMS, the modeled discharge using MLP was generally overestimated.
