MODELOS DE PREVISÃO DE CHEIAS NA BACIA AMAZÔNICA

Marcos Airton de Sousa Freitas1, Joaquim Guedes Corrêa Gondim Filho1.

RESUMO

O presente trabalho enfoca o problema da modelagem de cheias para a bacia amazônica, em

especial, a previsão de cheias para a cidade de Manaus. Objetivou-se com este artigo fazer uma
verificação das cheias históricas ocorridas em Manaus, bem como apresentar modelos para a
previsão de cheia em Manaus. Empregaram-se modelos com base em regressões lineares e não
lineares, bem como modelos fundamentados em redes neurais artificiais. Os modelos podem com
um mês de antecedência fazer um prognóstico para uma possível cheia em Manaus.

ABSTRACT

This paper focuses the problem of the modeling of flood for the Amazonian basin, in special,
the flood forecast for the city of Manaus. It was objectified with this article to make a verification
of historical floods occured in Manaus, as well as presenting models for flood forecast for the city
of Manaus. Models had been used on the basis of linear and not linear regressions, as well as
models based on artificial neural nets. The models can make a possible prognostic for a flood in
Manaus with one month of antecedence.

Palavras-chave: previsão de cheias, bacia amazônica,redes neurais artificiais.

INTRODUÇÃO

A Amazônia Legal, conceito criado na década de 50 como estratégia para estimular o

desenvolvimento nacional e a ocupação do território brasileiro, possui uma extensão de pouco mais
de 5 milhões de quilômetros quadrados. Corresponde a 60% do território nacional e está distribuída
em nove estados. O Brasil detém 67,7% da Amazônia Continental – que inclui áreas da Bolívia,
Colômbia, Guiana, Guiana Francesa, Equador, Peru, Suriname e Venezuela. Localizada no Norte
do país, a Amazônia brasileira limita com todos esses Estados sul-americanos, à exceção do
Equador, totalizando uma faixa de fronteira de 12 mil quilômetros (OTCA, 2004).
A Região Amazônica é conhecida mundialmente por sua disponibilidade hídrica e pela
quantidade de ecossistemas, como matas de terra firme, florestas inundadas, várzeas, igapós,
campos abertos e cerrados. A Amazônia abriga uma infinidade de espécies vegetais e animais, com

1
SPO, Área 5, Quadra 3, Bloco L CEP: 70610-200, Brasília – DF.; masfreitas@ana.gov.br; joaquim@ana.gov.br.
cerca de 1,5 milhão de espécies vegetais catalogadas, três mil espécies de peixes, 950 tipos de
pássaros, além de insetos, répteis, anfíbios e mamíferos.
A mais extensa rede hidrográfica do globo terrestre, a Região Amazônica ocupa uma área
total de 6.925.674 km², desde suas nascentes nos Andes Peruanos até sua foz no oceano Atlântico,
ao norte do Brasil, abrangendo territórios do Brasil, Colômbia, Bolívia, Equador, Guiana, Peru e
Venezuela.
A vazão média de longo período estimada do rio Amazonas é da ordem de 133.861 m³/s (68%
do total do país). A contribuição de territórios estrangeiros para as vazões da região hidrográfica é
de 71.527 m³/s. As maiores demandas pelo uso da água na região ocorrem nas sub-bacias dos rios
Madeira, Tapajós e Negro, e correspondem ao uso para irrigação (37% da demanda total). A
Demanda Urbana representa 17% da demanda da região (10,9 m³/s). De um modo geral, os
consumos estimados são pouco significativos quando comparados com a disponibilidade hídrica.
Uma das características dessa região diz respeito ao desmatamento florestal observado. Até
janeiro de 1978 a área desmatada nos estados inseridos na Região Amazônica correspondia a
85.100 km², resultado das ações humanas na bacia ao longo de mais de quatro séculos. A partir da
década de 70 ocorreu um incremento significativo na ocupação da região, tendo como resultado
desta dinâmica a ampliação das áreas desmatadas. Em 1999, registrava-se uma área desmatada de
440.630 km2. Dados do INPE indicam, para os anos de 1999 e 2000, taxas de desflorestamento
bruto de 17.259 e 19.836 km²/ano, respectivamente
(http://www.ana.gov.br/mapainicial/pgMapaA.asp).
As cheias na Bacia Amazônica decorrem de um fenômeno natural, como parte da dinâmica do
rio. No caso específico da cidade de Manaus e seu entorno, decorrem principalmente das afluências
dos rios Solimões e Negro. Devido à larga extensão da bacia a previsibilidade de cheias na cidade
de Manaus, principal município da bacia, é relativamente fácil e pode ser implementada com vários
dias de antecedência.

DESCRIÇÃO DOS MODELOS EMPREGADOS

A CPRM – Serviço Geológico do Brasil vem desenvolvendo, desde 1989, o Projeto

denominado Alerta de Cheias de Manaus, onde se realiza o monitoramento do processo anual de
cheias no sistema Solimões/Amazonas/Negro. Com antecedência de 75, 45 e 15 dias é feita uma
previsão de máxima cheia do rio Negro, no Porto de Manaus (Figura 1).
 Figura 1 – Localização dos postos fluviométricos empregados.

Dada à disponibilidade dos dados do posto Porto de Manaus, possuindo valores de cota a
partir de setembro de 1902, foi possível estabelecer regressões entre o pico da cheia e os valores de
cota com 75, 45 e 15 dias de antecedência (HIDRO-ANA, 2002). Utilizaram-se as cotas dos dias 30
de março, 30 de abril e 31 de maio para a previsão da cota no dia 15 de junho.
Para tal a CPRM, no ano de 2004, usou as seguintes equações:
• Previsão de 31 de março: Hmax=1627,23175 ln H31 março -9925,32303, com coeficiente
de correlação, R=0,84273;
• Previsão de 30 de abril: Hmax=8,2156 H30 abril ^ 0,73998, com coeficiente de correlação
R=0,93740;
• Previsão de 31 de maio: Hmax=2,19925 H31 maio^ 0,90217, com coeficiente de
correlação R=0,97659.
Nos três casos Hmax é a cota máxima da cheia; H31 março, H30 abril, H31 maio são as cotas
observadas na estação do Porto de Manaus, nos dias 31 de março, 30 de abril e 31 de maio,
respectivamente, tudo em centímetros.
Para o ano 2005, empregando-se as equações de regressão da CPRM, têm-se os seguintes
valores, para o posto Porto de Manaus: H31 março= 2601 Æ Hmax= 2871; H30 abril=2716 Æ Hmax= 2855
(conforme FAX nº 157/SUREG-MA/2005) e H31 maio=2808 Æ Hmax= 2840. Essa concepção tem
como base na observação do cotagrama típico da estação fluviométrica do Porto de Manaus
(Roadway), cuja série histórica iniciou em setembro de 1902, do qual se inferiu as correlações entre
as cotas de um determinado dia com a cota do pico da cheia (Boletim CPRM, 2005).
Partindo desse princípio, foram determinadas, inicialmente, correlações lineares entre as cotas
em 31 de março, 30 de abril e 31 de maio, para o posto de Manaus, e a cota em 15 de junho para o
mesmo posto, empregando-se os dados de 1902 a 2003. As Figuras 2 a 4 apresentam as equações de
regressão linear encontradas. Os valores de cota encontrados foram: H31 março= 2601 Æ Hmax= 2864;
H30 abril=2716 Æ Hmax= 2845 e H31 maio=2808 Æ Hmax= 2833.

31 DE MARÇO PARA 15 DE JUNHO

3000
2800
2600
2400
y = 0.7005x + 1041.5
2200
R2 = 0.6962
2000
1800
1800 2000 2200 2400 2600 2800 3000

Figura 2 – Equação de regressão linear para previsão em 31 de março para 15 de junho.

30 DE ABRIL PARA 15 DE JUNHO

3000
2800
2600
2400
2200 y = 0.8103x + 644.71
R2 = 0.8721
2000
1800
1800 2000 2200 2400 2600 2800 3000

Figura 3 – Equação de regressão linear para previsão em 30 de abril para 15 de junho.

 31 DE MAIO PARA 15 DE JUNHO

3000
2800
2600
2400
y = 0.9675x + 116.5
2200
R2 = 0.9664
2000
1800
1800 2000 2200 2400 2600 2800 3000

Figura 4 – Equação de regressão linear para previsão em 31 de maio para 15 de junho.

Foi determinada, para cada uma das três datas, a curva de melhor ajuste entre as cotas em 31
de março, 30 de abril e 31 de maio, para o posto de Manaus, e a cota em 15 de junho para o mesmo
posto, empregando-se os dados de 1902 a 2003. As Figuras 5 a 7 apresentam as curvas encontradas.
Os valores de cota encontrados foram: H31 março= 2601 Æ Hmax= 2860; H30 abril=2716 Æ Hmax= 2842
e H31 maio=2808 Æ Hmax= 2834.

S = 63.53731272
r = 0.97709266
0
2 .7
325

8
0 .5
271
Y Axis (units)

7
8 .4
216

5
6 .3
162

3
4 .2
108

.1 2
542

0
0 .0
0.0 493.2 986.3 1479.5 1972.7 2465.8 2959.0

X Axis (units)

Figura 5 – Equação de regressão para previsão em 31 de março para 15 de junho.

 S = 41.57088607
r = 0.99025879
0
2.7
325

8
0.5
271
Y Axis (units)

7
8.4
216

5
6.3
162

3
4.2
108

.1 2
542

0
0.0
0.0 516.4 1032.9 1549.3 2065.8 2582.2 3098.7

X Axis (units)

Figura 6 – Equação de regressão para previsão em 30 de abril para 15 de junho.

S = 21.26122298
r = 0.99751196
0
2.7
325

8
0.5
271
Y Axis (units)

7
8.4
216

5
6.3
162

3
4.2
108

.12
542

0
0.0
0.0 537.2 1074.3 1611.5 2148.7 2685.8 3223.0

X Axis (units)

Figura 7 – Equação de regressão para previsão em 31 de maio para 15 de junho.

As equações encontradas foram as seguintes:
 • Previsão de 31 de março: Hmax= a(1-ebx), com a=4536.8463 e b=0.00038268861;
coeficiente de correlação, R=0,97709266;
• Previsão de 30 de abril: Hmax= a(1-ebx), com a=5993.1868 e b=0.00023665087; com
coeficiente de correlação R=0,99025879;
• Previsão de 31 de maio: Hmax=a+bx+cx2+dx3, com a=-0.049291611; b=1.3914972;
c=-0.00027202643; d=4.8393553E-8; com coeficiente de correlação R=0,99751196.

A Tabela 1 resume os resultados encontrados utilizando essa metodologia.

Tabela 1 – Previsão de cotas máxima.

Cota CPRM ANA_Simples ANA_Outras Curvas

31 de março: 2601 2871 2864 2860
30 de abril: 2716 2855 2845 2842
31 de maio: 2808 2840 2833 2834

Segundo a CPRM, As cheias de Manaus flutuam em torno do pico médio anual (27.71m)
entre 26.56m a 28.86m, sendo o nível 29.00 metros, caracterizado como a cota de emergência. Os
primeiros alagados surgem aos 27.00 metros e aos 28.50 metros começam os transtornos dos
ribeirinhos (Fonte: http://www.cprm.gov.br/rehi/manaus/prev_manaus.htm).
Verificou-se que, nem sempre o pico de cheia se dá por volta de 15 de junho. Em alguns anos
o pico de cheia máxima ocorria por volta de 1º de julho. Foram feitas então, também, previsão para
o dia 1º de julho. Para tanto, foram empregadas regressões lineares e regressões não lineares.
Foram determinadas, inicialmente, correlações lineares entre as cotas em 31 de março, 30 de
abril e 31 de maio, para o posto de Manaus, e a cota em 1º de julho para o mesmo posto,
empregando-se os dados de 1902 a 2003. As Figuras 8 a 10 apresentam as equações de regressão
linear encontradas. Os valores de cota encontrados foram: H31 março= 2601 Æ Hmax= 2859; H30
abril=2716 Æ Hmax= 2840 e H31 maio=2808 Æ Hmax= 2829.
 31 DE MARÇO PARA 1º DE JULHO

3000
2800
2600
2400
y = 0.6857x + 1075.9
2200
R2 = 0.6382
2000
1800
1800 2000 2200 2400 2600 2800 3000

Figura 8 – Equação de regressão linear para previsão em 31 de março para 1º de julho.

30 DE ABRIL PARA 1º DE JULHO

3000
2800
2600
2400
2200 y = 0.7745x + 736.64
R 2 = 0.7619
2000
1800
1800 2000 2200 2400 2600 2800 3000

Figura 9 – Equação de regressão linear para previsão em 30 de abril para 1º de julho.

31 DE MAIO PARA 1º DE JULHO

3000
2800
2600
2400
2200 y = 0.936x + 200.77
R 2 = 0.8652
2000
1800
1800 2000 2200 2400 2600 2800 3000

Figura 10 – Equação de regressão linear para previsão em 31 de maio para 1º de julho.

 Foi determinada, para cada uma das três datas, a curva de melhor ajuste entre as cotas em 31
de março, 30 de abril e 31 de maio, para o posto de Manaus, e a cota em 1º de julho para o mesmo
posto, empregando-se os dados de 1902 a 2003. Os valores de cota encontrados foram: H31 março=
2601 Æ Hmax= 2856; H30 abril=2716 Æ Hmax= 2846 e H31 maio=2808 Æ Hmax= 2832.
As equações encontradas, nesse caso, foram as seguintes:
• Previsão de 31 de março: Hmax= a(1-ebx), com a=4430.4425 e b=0.00039779892;
coeficiente de correlação, R=0,97144537;
• Previsão de 30 de abril: Hmax=a+bx+cx2+dx3+ex4, com a=-227350.23; b=383.36246;
c=-0.23903886; d=6.5977762E-5; e=-6.7917371E-9; com coeficiente de correlação
R=0,87841544.
• Previsão de 31 de maio: Hmax=a+bx+cx2+dx3, com a=0.0077274701; b=1.5360725;
c=-0.00036934076; d=6.4533545E-8; com coeficiente de correlação R=0,98941116.

A Tabela 2 resume os resultados encontrados utilizando essa metodologia, com as previsões

para 1º de julho de 2005.

Tabela 2 – Previsão de cotas máxima.

Cota ANA_Reg. Simples ANA_Outras Curvas

31 de março: 2601 2859 2856
30 de abril: 2716 2840 2846
31 de maio: 2808 2829 2832

Modelos baseados em Redes Neurais Artificiais

Foram também empregados modelos baseados em redes neurais artificiais. Recentemente foi
alcançado significativo progresso nos campos do Reconhecimento do Padrão e da Teoria de
Sistemas com o uso de Redes Neurais Artificiais (RNA). As redes neurais são estruturas
matemáticas flexíveis capazes de identificar relações não-lineares e de descrever processos
complexos. A denominação Redes Neurais Artificiais é dada aos modelos, que tentam reproduzir a
estrutura e o funcionamento dos neurônios no cérebro (KOSKO, 1992; FREITAS e BILLIB, 1997).
Uma RNA compõe-se de um elevado número de elementos, denominados neurônios (cells, units) e
um grande número de ligações, conhecidas como sinapses (Figura 11). A cada ligação (links,
connections) é associado um peso, que está intrinsecamente relacionado à capacidade de
aprendizado da rede (FREITAS, 1998a).
A criação de uma RNA baseia-se nas seguintes tarefas (FREITAS, 1997):
• Determinação das características da rede: topologia; tipos de ligações; ordenamento
das ligações e pesos;
• Determinação das características dos neurônios: funções de entrada, ativação ou
transferência e de saída;
• Determinação da dinâmica da rede: geração dos valores iniciais dos pesos das
ligações; processos de otimização e regras de aprendizagem.

Figura 11 – Representação de uma Rede Neural Artificial.

Dependendo da dinâmica da rede, bem como dos neurônios e da topologia foi desenvolvido
uma infinidade de Redes Neurais Artificiais, a saber: o modelo Perceptron (ROSENBLATT, 1962);
o modelo Backpropagation (RUMMELHART et al., 1986); o modelo ADALINE (WIDROW e
HOFF, 1960); a rede de KOHONEN (KOHONEN, 1984); o modelo HOPFIELD (HOPFIELD,
1982), o modelo ART (CARPENTER e GROSSBERG, 1987) etc. Dentre esses, o método
Backpropagation (retroalimentação) é o método mais conhecido e utilizado. Uma função de
apredizagem simples é dada apenas com o parâmetro de aprendizagem.
O algoritmo backpropagation procura minimizar o erro obtido pela rede ajustando pesos e
limiares para que eles correspondam às coordenadas dos pontos mais baixos da superfície de erro.
Para isso ele utiliza um método de gradiente descendente (CARVALHO et al., 1998). A modelagem
processa-se, portanto, através das fases de treinamento, validação e previsão.
 Aplicações de redes neurais na área de recursos hídricos podem ser vistas em ALENCAR et
al. (1998), BARROS e FREITAS (1998), FREITAS (1998b), bem como RIBEIRO e FREITAS
(1998).
Um dos softwares de otimização deste tipo de rede é o Slug3 (desenvolvido em linguagem
Pascal) com três camadas de neurônios onde se pode implementar a quantidade destes por camada
(topologia), bem como modificar a taxa de aprendizagem, o termo de 'momentum', a quantidade de
ciclos necessários ao ajuste e a margem de erro que se queira obter.

Figura 12 – O software Slug3 de Rede Neural Artificial

O funcionamento de uma rede é baseado em cálculos de pesos entre os neurônios, onde se

utilizando dados reais (dados de entrada e os respectivos resultados). A rede 'aprende' por exemplos
a relação (não-linear) existente entre os dados. Têm-se, normalmente, como critérios de parada do
processo de treinamento o encerramento após um determinado número de ciclos ou o término após
atingir-se um erro quadrático médio pré-fixado.
Tendo como valores de entrada as cotas em 31 de março, 15 de abril e 30 de abril, para o
posto de Manaus, foi ajustada uma rede neural, tendo como saída a cota em 15 de junho.
Empregou-se a série de 1903 a 1977 para a calibração do modelo (Figura 13) e o período de 1978 a
2003 para a validação (Figura 14). O valor de cota prevista para 15 de junho de 2005, com H31
março= 2601; H15 abril=2645 e H30 abril=2716 Æ Hmax= 2860. Analogamente, ajustando-se uma outra
rede neural, o valor de cota prevista para 1º de julho de 2005, com H15 abril=2645; H30 abril=2716 e
H15 maio=2767Æ Hmax= 2840. Empregou-se, também, neste último caso a série de 1903 a 1977 para
a calibração do modelo (Figura 15) e o período de 1978 a 2003 para a validação (Figura 16)

Calibração do modelo RNA 3-3-1 (1903-1977)

0.3000

0.2800

0.2600

0.2400

0.2200

0.2000
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
Obs_15/6/2005 Calc._modelo rna

Figura 13 – Calibração de uma RNA para o posto de Manaus (15 de junho de 2005).

Validação do modelo RNA 3-3-1(1978-2003)

0.3000

0.2800

0.2600

0.2400

0.2200

0.2000
1

11

13

15

17

19

21

23

25

Obs_15/6/2005 Calc._modelo rna

Figura 14 – Validação de uma RNA para o posto de Manaus (15 de junho de 2005).
 Calibração do modelo RNA 3-3-1 (1903-1977)
previsão para 1º de julho

0.3000
0.2800
0.2600
0.2400
0.2200
0.2000
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
Obs_1-jul Calc._modelo rna

Figura 15 – Calibração de uma RNA para o posto de Manaus (1º de julho de 2005).

Validação do modelo RNA 3-3-1(1978-2003)

previsão para 1º de julho

0.3000
0.2800
0.2600
0.2400
0.2200
0.2000
1

11

13

15

17

19

21

23

25

Obs_1-jul Calc._modelo rna

Figura 16 – Validação de uma RNA para o posto de Manaus (1º de julho de 2005).

Tendo como valores de entrada as cotas em 30 de abril, 15 de maio e 31 de maio, para o posto
de Manaus, foi ajustada uma rede neural, tendo como saída a cota em 15 de junho. Empregou-se a
série de 1903 a 1977 para a calibração do modelo (Figura 17) e o período de 1978 a 2003 para a
validação (Figura 18). O valor de cota prevista para 15 de junho de 2005, com H30 de abril= 2717; H15
maio=2785 e H31 maio=2808 Æ Hmax= 2810. O valor da cota observada em 15 de junho foi exatamente
2810.

Calibração do modelo RNA 3-3-1 (1903-1977)

previsão para 15 de junho

0.3000
0.2800
0.2600

0.2400
0.2200
0.2000
1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
Obs_15/6/2005 Calc._modelo rna

Figura 17 – Calibração de uma RNA para o posto de Manaus (1º de junho de 2005), com as
cotas em 30 de abril, 15 de maio e 31 de maio.

Validação do modelo RNA 3-3-1(1978-2003)

previsão para 15 de junho

0.3000
0.2800
0.2600
0.2400
0.2200
0.2000
1

11

13

15

17

19

21

23

25

Obs_15/6/2005 Calc._modelo rna

Figura 18 – Validação de uma RNA para o posto de Manaus (1º de junho de 2005), com as
cotas em 30 de abril, 15 de maio e 31 de maio.
 Estabeleceram-se, ainda, regressões com postos à montante de Manaus, a saber os postos
fluviométricos de Tabatinga, Seringal Fortaleza e Forte das Garças, objetivando prever os valores
de cotas dos postos fluviométricos de Manacapuru e Porto de Manaus.

Calibração do modelo RNA 3-3-1 (1983-1994)

Previsão Tabatinga para Manacapuru-Manaus

0.3100
0.2900
0.2700
0.2500
0.2300
0.2100
0.1900
0.1700
0.1500
1 2 3 4 5 6 7 8 9 10 11 12

Obs_15/6/2005 Calc._modelo rna Manaus_Obs Manaus_Cal

Figura 19 – Calibração de uma RNA para o posto de Manaus (15 de junho de 2005) a partir
dos dados do posto de Tabatinga.

Validação do modelo RNA 3-3-1(1995-2003)

Previsão Tabatinga para Manacapuru-Manaus

0.3100
0.2900
0.2700
0.2500
0.2300
0.2100
0.1900
0.1700
0.1500
1 2 3 4 5 6 7 8 9

Obs_15/6/2005 Calc._modelo rna Manaus_Obs Manaus_Cal

Figura 20 – Validação de uma RNA para o posto de Manaus (15 de junho de 2005) a partir
dos dados do posto de Tabatinga.
 Tendo como valores de entrada as cotas em 15 de abril, 30 de abril e 15 de maio, para o posto
de Tabatinga, foi ajustada uma rede neural, tendo como saída a cota, para o posto de Manacapuru (e
por correlação o Posto de Manaus), em 15 de junho. Empregou-se a série de 1983 a 1994 para a
calibração do modelo (Figura 19) e o período de 1995 a 2003 para a validação (Figura 20). O valor
de cota prevista para 15 de junho de 2005, com as cotas, em Tabatinga, de H15 abril= 1066; H30
abril=1154 e H15 maio=1139 Æ Hmax= 2744.
As cotas das maiores cheias para o Porto de Manaus, no período de 1902 a 2004, bem como
as cotas correspondentes deste ano de 2005, são mostradas na Figura 21.

Cotas no Porto de Manaus (cm): 1902-2005

1918
3000 1921
1922
2800
1944
2600 1953
2400
1975
1976
2200 1982
2000
1989
1993
1800 1994
1600 1996
1997
1400
1999
1200 2000
2002
1/1

1/2

1/3

1/4

1/5

1/6

1/7

1/8

1/9

1/10

1/11

1/12

2005

Figura 21 – Maiores cheias do posto Porto de Manaus (1902 a 2005).

RESULTADOS

Os modelos baseados em regressões lineares, regressões não lineares, assim como os modelos
de redes neurais artificiais mostraram satisfatórios na previsão de cheias para a cidade de Manaus
com até 75 dias de antecedência. No caso dos modelos de redes neurais foi usado o período de 1903
a 1977 para a calibração do modelo e o período de 1978 a 2003 para a validação do mesmo. Foram
feitas previsões, empregando os diversos modelos, para o ano de 2005.
CONCLUSÕES E RECOMENDAÇÕES

A implementação de modelos de regressões (lineares e não lineares) e de modelos baseados

em redes neurais artificiais mostrou-se satisfatório na previsão de cheias na cidade de Manaus.
Pretende-se futuramente ainda incorporar dados de outros postos fluviométricos e pluvioméricos de
modo a se ter previsões mais confiáveis, não só para a cidade de Manaus, mas para os pontos
estratégicos da bacia amazônica.
Os modelos de regressão previram com 75 dias de antecedência, para o posto de Porto de
Manaus, que a cota deveria atingir, em 15 de junho, valores variando de 28,71m a 28,60m e em 1º
de julho a cota variando de 28,59m a 28,56m.
Com 45 dias de antecedência os modelos previram para o posto de Porto de Manaus, que a
cota deveria atingir, em 15 de junho, a cota variando de 28,55m a 28,42m e em 1º de julho a cota
variando de 28,46m a 28,40m.
Com 30 dias de antecedência os modelos previram para o posto de Porto de Manaus, que a
cota deveria atingir, em 15 de junho, a cota variando de 28,40m a 28,33m e em 1º de julho a cota
variando de 28,32m a 28,29m.
A cota de emergência adotada pela CPRM é de 28,50m.
Esses valores são provisórios podendo ser aperfeiçoados a medida que novos dados sejam
incorporados aos modelos. As previsões a partir dos postos de Tabatinga, Seringal de Fortaleza e
Forte das Garças ficaram prejudicadas pela falta de acesso às informações em tempo real.
Os modelos de redes neurais artificiais, tendo como valores de entrada as cotas em 30 de
abril, 15 de maio e 31 de maio, para o posto de Manaus, conseguiu prever com exatidão o valor da
cheia em 15 de junho de 2005. Esses modelos estão sendo aperfeiçoados para previsão dia a dia, em
outros pontos da bacia, incorporando outras variáveis, como a precipitação.

AGRADECIMENTOS

Os autores agradecem ao Sr. Valdemar Santos Guimarães, Superintendente de Informações

Hidrológicas – SHI e à Especialista em Recursos Hídricos, Maria Leonor Baptista Esteves, da
Superintendência de Informações Hidrológicas – SIH da Agência Nacional de Águas – ANA, bem
como o Engº Daniel de Oliveira, da CPRM - Manaus, pela presteza no fornecimento dos dados
necessários à consecução deste artigo.
REFERÊNCIAS BIBLIOGRÁFICAS

ALENCAR, P. F. ; RIBEIRO, A V. R.; FREITAS, M. A. S. (1997). “Modelos Computacionais

Baseados na Biologia: Algoritmos Genéticos e Redes Neurais Artificiais”, Revista Tecnologia -
UNIFOR, vol. 18, 92-98.

BARROS, F. R. M.; FREITAS, M.A.S. (1998). “Alerta de Cheias por Redes Neurais Artificiais” ,
in Anais do IV Encontro de Iniciação à Pesquisa, Resumos, Universidade de Fortaleza, Ceará.

CARPENTER, G. A.; GROSSBERG, S. (1987). “Massively Parallel Architecture for a Self-

Organizing Neural Pattern Recognition Machine”, Computer Vision, Graphics, and Image
Processing, vol. 37, 54-115.

CARVALHO, A. C. P. L. F.; BRAGA, A. P. L.; LUDEMIR, T.B. (1998). Fundamentos de Redes

Neurais Artificiais. 11ª Escola de Computação, Rio de Janeiro, DCC/IM, COPPE/Sistemas,
NCE/UFRJ, 246p.

FREITAS, M.A.S. (1997). “O Fenômeno do El Niño e as Secas no Ceará: A Previsão através de

Modelos Estatísticos e de Redes Neurais Artificiais”, in Anais do I Fórum Interamericano de
Gestão de Recursos Hídricos, de 10 a 14 de novembro de 1997, Fortaleza - CE
(http://www.iica.org.br).

FREITAS, M.A.S. (1998). Neurocomputação Aplicada. Gráfica UFPI, 1998, 48p.

FREITAS, M.A.S. (1998) “A Decision Support System for Drought Forecasting and Reservoirs
Management in Northeast Brazil” , in Anais do VIII Congresso Latino-Americano e Ibérico de
Meteorologia, X Congresso Brasileiro de Meteorologia, Brasília - DF.

FREITAS, M.A.S.; BILLIB, M. H. A. (1997). “Drought Prediction and Characteristic Analysis in

Semi-arid Ceará - Northeast Brazil”, in Anais do Symposium "Sustainability of Water Resources
Under Increasing Uncertainty", IAHS Publ. Nº 240, pág. 105-112, Rabat, Marrocos.

HIDRO-ANA (2002). Sistema de Informações Hidrológicas, Versão 1.0.8, Compilação 1.0.8.2508.

HOPFIELD, J. J. (1982). “Neural Networks and Physical Systems with Emergent Collective
Computational Abilities”, Proc. of the National Academy of Science, USA, Biophysics, 79, 2554-
2558.

KOHONEN, T. (1984). Self-Organization and Associative Memory, Springer Verlag, New York.

KOSKO, B. (1992). Neural Networks and Fuzzy Systems, Prentice Hall.

NOTA TÉCNICA nº 027/2005/SIH-ANA: Estações pluviométricas e fluviométricas localizadas à

montante de Manaus.

ORGANIZAÇÃO DO TRATADO DE COOPERAÇÃO AMAZÔNICA – Boletim OTCA, Ano I,

Nº 3 – Dezembro 2004 / Fevereiro 2005.
RIBEIRO, A.V. R.; FREITAS, M.A.S. (1998). “Aplicações dos Algoritmos Back_Prop_Momentum
e Back_Prop_Through_Time em Recursos Hídricos”, in Anais do IV Encontro de Iniciação à
Pesquisa, Resumos, Universidade de Fortaleza, Ceará.

ROSENBLATT, F. (1962). Principles of Neurodynamics, Spartan Books, New York.

RUMMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. (1986). “Learning Representations by

Back-propagations Errors”, Nature, 323(9), 533-536.

WIDROW, B.; HOFF, M. E. (1960). “Adaptive Switching Circuits”, IRE WESCON Convention
Record, New York, 96-104.