Zealand et al. (1999) explora a capacidade de RNA e compara o desempenho desta ferramenta com outras abordagens utilizadas para previsão de vazões. Problemas como número de dados de entrada e/ou o tamanho de camadas ocultas na rede, são analisados. Os resultados obtidos mostraram que as RNA obtiveram uma curva de distribuição muito próxima durante a fase de calibração dos dados em estudo e na fase de verificação essa distribuição superou os modelos convencionais.
Coulibaly et al. (2000) treinou uma rede RNA feed-forward (FNN), que faz predição de um passo à frente da série temporal, de múltiplas camadas para previsão em tempo real de afluências de reservatório em Quebec. O desempenho do modelo utilizado é comparado como modelos estatísticos e conceituais já reconhecidos por sua destreza. Os resultados mostram que o método é eficaz na precisão da previsão e pode servir como uma alternativa quando se deseja uma previsão dinâmica adaptável.
Wang et al. (2006) utiliza três tipos de modelos RNA híbridas, a primeira baseada em limiares, denominada de threshold-based RNA (TANN), a segunda baseada em agrupamento, conhecida como cluster-based RNA (CANN), a terceira baseada em períodos, nomeada de periodic-based RNA (PANN), para prever vazões diárias. O desempenho desses modelos é comparado com modelos de RNA de múltiplas camadas de perceptrons (MLP- RNA). Os resultados mostraram que o modelo PANN é o melhor entre os três tipos de modelo híbridos, além disso foi possível perceber que os modelos do tipo MLP-RNA a função de ativação ou transferência tangente sigmoide é a que propicia melhores resultados com dados com e sem sazonalidade em relação a outros métodos de transferência.
Menezes Junior e Barreto (2008) fazem uma previsão de series temporais com um modelo não-linear auto-Regressivo com variáveis exógenas (NARX) baseado em RNA. Para avaliar em termos qualitativos e quantitativos essa capacidade preditiva da rede NARX, fazem uma comparação com redes do tipo ELMAN, também denominada de rede Neural Recorrente Simples (SRN), e com uma rede neural de um passo à frente com atrasadores (TDNN). Todas as redes usadas possuem duas camadas ocultas e um neurônio de saída, em que este utiliza a função de ativação tangente hiperbólica. Com isso, foi possível concluir que a rede NARX é apropriada para a predição de series temporais complexas, possuindo um desempenho melhor do que redes com arquiteturas TDNN e ELMAN.
Gomes et al. (2010) utilizam dois métodos RNA distintos, a MLP e a rede composta por blocos de regressões sigmóide não lineares (NSRBN) para a previsão de
vazões naturais médias diárias para o reservatório de Três Marias. Os resultados apontam que a rede NSBRN teve um melhor desempenho para previsões semanais, enquanto a rede MLP foi melhor para previsões diárias.
Sousa e Sousa (2010) desenvolveram um modelo não linear entre chuva e vazão na bacia hidrográfica do rio Piancó baseado na técnica de RNA, capaz de assumir diferentes arquiteturas de rede. A RNA utilizada é do tipo MLP com três camadas, a primeira, de entrada, não se atribuí funções de ativação indicando que essa camada não faz processamento apenas envia dados para a segunda camada com seus respectivos pesos sinápticos. Observado os resultados, é possível concluir o melhor desempenho estatístico geral, considerando-se os valores médios dos parâmetros estatísticos em cada arquitetura, é a que os dados de entrada são normalizados, possui 15 neurônios na camada intermediária e a função de transferência é a log-sigmóide.
Castro (2011) desenvolveu um modelo de previsão de chuvas sazonais para o estado do Ceará baseado em RNA com o uso de Neo-Fuzzy Neuron (NFN), em que os neurônios são unidos por funções baseadas em lógica fuzzy, para gerar a previsão para as oito regiões homogêneas do Estado, no período de janeiro a junho. Os resultados obtidos foram comparados de maneira direta com os modelos utilizados pela Fundação Cearense de Meteorologia e Recursos Hídricos (FUNCEME). Os resultados mostraram que o modelo RNA-NFN tem grande potencial para a previsão de acumulados trimestrais de chuva, exceto na região do Cariri, em que modelos dinâmicos apontaram melhor desempenho.
Abhishek et al. (2012) examina a utilização de modelos não-lineares baseados em RNA para a previsão da temperatura máxima da atmosfera, além disso avalia o desempenho dos modelos com diferentes funções de ativação e quantidades de neurônios e camadas ocultas. Assim, os autores buscam compreender como o aumento de neurônios artificiais e/ou camadas ocultas afeta o desempenho das RNA. Os resultados mostraram que para apenas uma camada oculta, o aumento do número de neurônios diminui o erro quadrático médio, assim como o número de aumento das amostras. Entretanto, quando se trabalha com mais de uma camada oculta, há uma quantidade ótima de neurônios, em que valores além desse limite ótimo tendem a diminuir o desempenho dos modelos. Em relação a função de transferência para a camada oculta, verificaram que a tangente sigmóide é a melhor escolha em virtude da sua rápida taxa de aprendizagem e sensibilidade ao número de amostras e neurônios.
Farajzadeh et al. (2014) fizeram uma previsão da precipitação pluviométrica mensal para estimar o escoamento superficial para a bacia do lago Urmia, segundo maior
lago salino do mundo, usando FNN e modelos regressivos de autocorrelação integrados com médias móveis (ARIMA). Os resultados indicaram que a previsão por ambos os métodos não possui diferenças significativas, ficando a previsão de ambos próximos aos dados reais.
Araújo et al. (2015) fazem previsão sazonal de vazões para a bacia do açude Orós utilizando como ferramenta as RNA. O modelo utiliza como preditores anomalias de temperatura dos oceanos Atlântico Norte, Sul e Pacífico Equatorial, em relação ao horizonte temporal de predição, a mesma é feita em julho para prever o primeiro semestre do ano seguinte (janeiro a junho). O estudo utilizou várias arquiteturas de rede, em que todas tiveram como função de ativação a tangente sigmóide com variação da taxa de aprendizagem entre 0,01 e 0,15. A arquitetura que teve melhor desempenho apresentou eficiência de Nash-Suttcliffe de (0,80).