Cassio Fagundes da Silva
Predição do nível do reservatório da Usina Hidrelétrica de Furnas utilizando Random Forest, LSTM, Climatologia e Sensoriamento Remoto
Resumo
A previsão do nível de reservatórios hidrelétricos é essencial para o planejamento energético e a gestão dos recursos hídricos, sobretudo diante da crescente variabilidade climática e da intensificação de eventos extremos. Esta pesquisa teve como objetivo avaliar a previsibilidade do nível de montante do reservatório da Usina Hidrelétrica de Furnas, para um horizonte de sete dias, por meio da integração de variáveis hidrológicas, meteorológicas, climáticas e de sensoriamento remoto, utilizando modelos Random Forest (RF), Long Short-Term Memory (LSTM) e Attention-LSTM. A metodologia baseou-se em dados hidrológicos do Operador Nacional do Sistema Elétrico, variáveis meteorológicas do BR-DWGD, Índice Oceânico Niño (ONI), Índice Padronizado de Precipitação (SPI), índices espectrais derivados de imagens MODIS e Landsat e informações de uso e cobertura da terra do MapBiomas. As análises hidroclimáticas identificaram períodos de seca e cheia, enquanto o sensoriamento remoto permitiu quantificar a dinâmica espacial da superfície inundada, que variou de 523,07 km² (2008) e 504,56 km² (2011), em períodos de cheia, para 376,51 km² (2015) e 385,29 km² (2017), durante secas severas. Na modelagem preditiva, o modelo RF apresentou o melhor desempenho quando utilizou o histórico do nível do reservatório, alcançando MAE = 0,2298, RMSE = 0,3248 e R² = 0,9935, enquanto a remoção da variável nível montante reduziu o desempenho para R² = 0,2402, evidenciando a forte dependência da persistência temporal da série. A LSTM convencional também apresentou elevada capacidade preditiva (MAE = 0,789, RMSE = 1,001 e R² = 0,937), ao passo que o mecanismo de atenção proporcionou apenas ganhos moderados em relação à arquitetura convencional. Conclui-se que a persistência temporal do nível constitui o principal fator responsável pela previsibilidade de curto prazo do reservatório, enquanto a integração entre inteligência artificial, climatologia e sensoriamento remoto amplia a compreensão da dinâmica hidroclimática e fornece suporte ao monitoramento e à gestão de reservatórios hidrelétricos.