Análise comparativa de modelos de predição do nível da água no rio Guaíba

Abstract

Desastres naturais associados a eventos climáticos extremos têm impactado severamente regiões vulneráveis, como evidenciado pelas enchentes que ocorreram no estado brasileiro do Rio Grande do Sul em 2024. Este trabalho propõe uma análise comparativa de modelos de predição do nível da água do Rio Guaíba, visando aprimorar sistemas de alerta precoce para gestão de crises. Foram avaliados quatro modelos baseados em dados: SARIMA (estatístico), LSTM (rede neural recorrente), XGBoost e LightGBM (baseados em Gradient Boosting), utilizando séries temporais horárias de nível d’água e variáveis meteorológicas (2018-2025) do Sistema Nacional de Informações sobre Recursos Hídricos (SNIRH). Os dados foram pré-processados com interpolação de falhas e normalização, e os modelos otimizados via otimização Bayesiana. O desempenho foi quantificado por métricas hidrologicamente relevantes: Eficiência de Kling-Gupta (KGE), NSE (coeficiente de eficiência de NashSutcliffe), RMSE (raiz do erro quadrático médio) e MAE (erro absoluto médio). O estudo mostrou que o LightGBM apresentou o melhor desempenho geral (RMSE = 93 cm; KGE = 0,57), superando métodos tradicionais sobretudo em cenários de variação rápida do nível d’água. O XGBoost obteve métricas semelhantes, porém com menor custo computacional no treinamento. Os resultados indicam que modelos baseados em Gradient Boosting são opções viáveis para sistemas integrados de alerta, pois reduzem a dependência de simulações hidrodinâmicas complexas e ampliam o acesso a informações críticas para suporte à decisão em eventos extremos.

Natural disasters associated with extreme climatic events have severely affected vulnerable regions, as evidenced by the floods that occurred in the Brazilian state of Rio Grande do Sul in 2024. This work proposes a comparative analysis of water level prediction models for the Guaíba River, aiming to improve early warning systems for crisis management. Four datadriven models were evaluated: SARIMA (statistical), LSTM (recurrent neural network), XGBoost, and LightGBM (Gradient Boosting–based), using hourly time series of water level and meteorological variables (2018–2025) obtained from the National Water Resources Information System (SNIRH). The data were pre-processed with gap interpolation and normalization, and the models were optimized using Bayesian optimization. Performance was quantified using hydrologically relevant metrics: Kling–Gupta Efficiency (KGE), Nash– Sutcliffe Efficiency (NSE), root mean square error (RMSE), and mean absolute error (MAE). The study showed that LightGBM achieved the best overall performance (RMSE = 93 cm; KGE = 0.57), outperforming traditional methods particularly in scenarios involving rapid water-level fluctuations. XGBoost reached comparable metrics while requiring lower computational cost during training. The results indicate that Gradient Boosting models are viable alternatives for integrated early-warning systems, as they reduce dependence on complex hydrodynamic simulations and expand access to critical information for decision support during extreme events.