Modelos chuva-vazão são ferramentas que, através de uma abordagem simplificada dos processos do ciclo hidrológico, tem como objetivo principal, avaliar qual a resposta em termos de vazão de uma dada bacia hidrográfica em função de uma precipitação qualquer. Estes modelos devem ser capazes de descrever em função da precipitação, as perdas por evaporação, interceptação, infiltração e percolação da água subterrânea e de calcular o escoamento superficial e o escoamento de base (TUCCI, 1998).
Os primeiros modelos chuva-vazão que surgiram tinham como objetivo principal representar com qualidade os hidrograma de cheia. Como as informações sobre as bacias eram escassas, estes modelos simulavam o ciclo hidrológico em termos do macroprocesso. Estes modelos representavam o ciclo hidrológico através da conservação de volumes e de equações empíricas, utilizadas para retratar um ou outro processo da bacia (BARTH et al., 1987).
Em termos gerais modelos chuva-vazão são utilizados para estudar o comportamento de fenômenos físicos hidrológicos; analisar a consistência e o preenchimento de falhas; prever vazão em tempo real; analisar efeitos resultantes da modificação do uso do solo e dimensionar obras hidráulicas (BARTH et al., 1987 e TUCCI, 1998).
Hsu et al. (1995) utilizaram RNA para modelar a relação entre chuva e vazão diariamente em uma bacia hidrográfica de médio porte no rio Leaf próximo a Collins no Mississippi, Estados Unidos.
RNA constituem sistemas de processamento paralelo distribuído que, por serem baseados no funcionamento do sistema nervoso biológico, possuem propensão natural de armazenar conhecimento experimental. Assim como o cérebro humano, as RNA são capazes de transmitir e/ou armazenar informações por meio de impulsos nervosos entre os neurônios,
através de conexões interneurais, representadas por pesos sinápticos, que tem a função de armazenar e processar o conhecimento (HAYKIN, 2005).
Segundo Jain et al. (1999) a obtenção, a partir de séries de precipitação, de dados vazões afluentes, de processos de preenchimento de falhas em séries de vazões e de técnicas para a operação de reservatórios, vem sendo alcançada através da utilização de modelos chuva-vazão do tipo estocásticos embasados em métodos de Redes Neurais Artificiais – RNA. Neelakantan e Pundarikanthan (2000) utilizaram um modelo chuva-vazão com processo embasado em RNA na simulação e otimização da operação de reservatórios.
Tokar e Johnson (1999) desenvolveram um modelo RNA para prever vazão diária em função da precipitação diária, da temperatura e do degelo para a bacia do rio Patuxent em Maryland, Estados Unidos. A sensibilidade da precisão da previsão para o teor e comprimento de dados de treino foi investigada. Segundo os autores o modelo RNA apresentou uma precisão muito boa e proporcionou uma abordagem sistemática, reduzindo o comprimento dos dados de calibragem e encurtando o tempo gasto na calibração dos modelos.
Elshorbagy et al. (2000) utilizaram RNA na previsão de vazões na bacia hidrográfica do rio Red River Valley, no Canadá. Estes autores testaram várias estruturas de RNA e comparam os resultados com outros modelos empíricos. Afirmam que as RNA apresentam os melhores resultados e que os resultados são dependentes da estrutura dos dados de entrada.
Anmala et al. (2000) fizeram uma comparação semelhante a que Elshorbagy et al. (2000). Anmala et al. (2000) utilizaram RNA feedfoward e RNA recorrentes com entradas de temperatura e chuva mensal para calcular a vazão média mensal em três bacias hidrográficas no Kansas, Estados Unidos.
Segundo Haykin (2005), RNA são modelos matemáticos inspirados nas redes neurais biológicas do cérebro humano, com capacidade de aprendizado e de classificação de sinais de entrada recebidos pelo ambiente externo. Podem ser classificadas como redes neurais estáticas ou como redes neurais dinâmicas. A principal diferença funcional entre as duas estruturas é a presença ou não de conexões que realimentem os neurônios presentes na arquitetura da rede. Quando não existe dependência das saídas atuais com seus valores passados, as redes são estáticas. Entre essas estruturas, se destacam as RNA multicamadas (Multi-Layer Perceptron - MLP) por serem amplamente utilizadas na literatura.
Garbrecht (2006) comparou três modelos chuva-vazão RNA que simulava vazões mensais a partir de dados de precipitações mensais. Os desempenhos dos modelos foram testados na bacia de Fort Cobb, com 815 Km², em Oklahoma, Estados Unidos.
Tayfur e Singh (2006) desenvolveram um modelo chuva-vazão baseado em RNA e lógica fuzzy para a previsão de vazão. O processo RNA do modelo utilizou o algoritmo
backpropagation com feed-forward e função sigmoide. O modelo fuzzy foi desenvolvido
utilizando função de adesão difusa triangular para as variáveis de entrada e saídas.
Nasseri et al. (2008) utilizaram modelo chuva-vazão do tipo estocásticos embasados em métodos de RNA para a previsão de precipitação na bacia de Upper Parramatta localizada em Sydney, Austrália. Sob a ótica da modelagem hidrológica e da utilização de modelos chuva-vazão, RNA tem sido utilizado com sucesso na previsão de vazão, juntamente com outras técnicas convencionais (NASSERI, 2008 e SEDKI et al., 2009).
Mukerji et al. (2009) desenvolveram um modelo chuva-vazão para previsão de cheias na Bacia do Rio Ajay em Jharkhand, Índia. O modelo utilizou RNA, um sistema de inferência neuro-fuzzy adaptativo – ANFIS e um sistema integrado de algoritmo genético neuro adaptativo (ANGIS). Performances relativas destes modelos também foram comparadas.
Segundo Sedki (2009) a transformação de chuva em vazão é um dos mais complexos fenômenos hidrológicos característicos de uma bacia hidrográfica, em função da grande variação temporal e espacial dos elementos do ciclo hidrológico. Dentre esses elementos, podem ser citados precipitação, evapotranspiração e infiltração, e esta diversidade de variáveis pode aumentar a complexidade da definição de um modelo físico que descreva corretamente esse processo.
Nourani et al. (2012) em seu modelo chuva-vazão de RNA desenvolvido, utilizaram transformada de Wavelet relacionada com programação genética para a construção de um modelo híbrido capaz de detectar padrões de sazonalidade. Os dados de treino e de validação do modelo chuva-vazão RNA, antes de implementados via feed-forward e back-propagation (BP), foram decompostos com a transformadas de Wavelet. O modelo foi aplicado nas bacias de Lighvanchai e Aghchai localizadas no noroeste do Irã na província do Azerbaijão.
Kamruzzaman et al. (2014) em seus estudos compararam modelos chuva-vazão que usam precipitação defasada como variáveis exógenas, com modelos que usam um pequeno subconjunto de coeficientes Wavelet discretos de precipitação defasada. Os modelos utilizaram Transformadas Wavelet Discretas Móveis (MDWT), sendo implementadas como transformações de múltipla escala. A comparação foi feita usando dados de três bacias hidrográficas na Austrália.
Elsanabary e Gan (2015) desenvolveram um modelo híbrido de RNA, Algoritmo Genético e transformada de Wavelet, para previsão de vazão mensal na bacia do alto rio Nile
Azul na Etiópia. Os resultados do estudo demonstram que é possível desenvolver uma modelo chuva vazão, utilizando RNA, algoritmo genético e transformada de Wavelet, para a previsão de vazão mensal com considerável precisão, sendo esses modelos úteis para uma melhor gestão dos recursos hídricos em bacias hidrográficas.