Diversas atividades socioeconômicas dependem da disponibilidade hídrica, sendo fundamental o uso de previsões meteorológicas confiáveis para o melhor planejamento de uso desse recurso. Devido à grande extensão territorial do Brasil diversos mecanismos podem atuar inibindo ou favorecendo a precipitação. Esses mecanismos podem ser de origem tropical e subtropical de diferentes escalas e com variações sazonais e subsazonais que produzem grandes reflexos no ciclo hidrológico em bacias brasileiras. Neste contexto, foram desenvolvidos modelos de Regressão Linear Múltipla (RLM) e aprendizado de máquina Long short-term memory (LSTM) de precipitação na escala subsazonal a sazonal (2 semanas a 2 meses), visando explorar a previsibilidade nas principais bacias hidrográficas brasileiras. Foram utilizados conjuntos de variáveis preditoras de índices climáticos e/ou precipitação prevista dos modelos ECMWF e NCEP do programa S2S (Prediction Project Subseasonal-to-Seasonal). Observou-se que a precipitação nas bacias brasileiras apresenta grande influência dos padrões Oscilação de Madden-Julian (MJO), representado pelos índices RMM1/RMM2, Oscilação Antártica (AAO) e Oscilação do Pacífico América do Sul (PSA), índice de Larga Escala da Monção da América do Sul (LISAM) e o índice Zona de Convergência do Atlântico Sul (ZCAS). Além disso, destaca a importância dos padrões associados ao Oceano Pacífico, El Niño-Oscilação Sul (ENSO) e Oscilação Decadal do Pacífico (PDO), na maioria das bacias brasileiras, exceto na porção noroeste do Brasil, na região Amazônica. As bacias do Norte, Nordeste e Centro-Oeste apresentam maior influência do Atlântico, com os padrões Oscilação Multidecadal do Atlântico (AMO) e Oscilações na Temperatura da Superfície do Mar (TSM) do Atlântico Tropical Norte (TNA) e Sul (TSA). Na avaliação dos modelos baseados em dados, a LSTM, apresentou melhor acurácia após a seleção dos preditores adequada pela busca exaustiva e ajuste dos hiperparâmetros, em quase todas as bacias, exceto na bacia do Rio Madeira e do Rio Iguaçu. Os principais índices selecionados nos períodos mais curtos de previsão (15 a 30 dias) foram o RMM1/RMM2 e LISAM/ZCAS, e os índices relacionados ao ENSO para os períodos mais longos (30 a 60 dias), resultado que evidência a influência da MJO e do ENSO na precipitação no Brasil. Em adição, os padrões AAO e PSA são selecionados em desfasagens longas e curtas em diversas bacias. Nas bacias do Norte e Nordeste são sugeridos índices do Atlântico (AMO, TNA e TSA) em todos os períodos de predição. As séries temporais de precipitação prevista dos modelos NCEP e ECMWF, ajudam a corrigir a previsão e reforçar o padrão da precipitação na bacia, visto que resultados dos MSE (mean squared error) apontam melhor desempenho. Conclui-se que os resultados obtidos reforçam a importância da utilização dos índices climáticos e precipitação prevista de modelos S2S no desenvolvimento de modelagem para previsão de precipitação na escala subsazonal-sazonal auxiliando no planejamento dos recursos hídricos, visto que a precipitação possui um tempo de resposta na vazão de rios variável entre 5 a 40 dias, dependendo da localização da bacia, antecipando seus impactos entre 60 à 100 dias.

Several socioeconomic activities depend on water availability and the use of reliable weather forecasts is essential for better planning for the use of this resource. Due to the large territorial extension of Brazil, several mechanisms can act to inhibit or favor precipitation. These mechanisms can be of tropical and subtropical origin of different scales and with seasonal and sub-seasonal variations that produce great reflexes in the hydrological cycle in brazilian watersheds. In this context, Multiple Linear Regression (MRL) and machine learning Long short-term memory (LSTM) models of precipitation on a sub-seasonal to seasonal scale (2 weeks to 2 months) were developed, aiming to explore the predictability in the main brazilian watersheds. Sets of predictor variables of climatic indices and/or predicted precipitation from the ECMWF and NCEP models of the S2S program (Prediction Project Subseasonal-to-Seasonal) were used. It was observed that precipitation in Brazilian basins is strongly influenced by the patterns of the Madden-Julian Oscillation (MJO), represented by the indices RMM1/RMM2, Antarctic Oscillation (AAO) and South America Pacific Oscillation (PSA), South America Large Scale Monsoon Index (LISAM) and the South Atlantic Convergence Zone (ZCAS) index. In addition, it highlights the importance of patterns associated with the Pacific Ocean, El Niño-Southern Oscillation (ENSO) and Pacific Decadal Oscillation (PDO), in most Brazilian basins, except in the northwest portion of Brazil, in the Amazon region. The North, Northeast and Central-West basins are more influenced by the Atlantic, with the Atlantic Multidecadal Oscillation (AMO) and North Tropical Atlantic Ocean (TNA) and South Tropical Atlantic Ocean Surface Temperature Oscillations (SST) patterns. In the evaluation of the databased models, the LSTM showed better accuracy after the adequate selection of predictors by the exhaustive search and adjustment of hyperparameters, in almost all basins, except for the Madeira River and Iguaçu River watersheds. The main indices selected in the shorter forecast periods (15 to 30 days) were the RMM1/RMM2 and LISAM/ZCAS, and the ENSO-related indices for the longer periods (30 to 60 days), a result that evidences the influence of the MJO and ENSO on precipitation in Brazil. In addition, AAO and PSA patterns are selected in long and short lags in various basins. In the North and Northeast basins, Atlantic indices (AMO, TNA and TSA) are suggested for all prediction periods. The predicted rainfall time series from the NCEP and ECMWF models help to correct the forecast and reinforce the rainfall pattern in the basin, as MSE (mean squared error) results indicate better performance. It is concluded that the results obtained reinforce the importance of using climatic indices and predicted precipitation of S2S models in the development of modeling for precipitation prediction on the sub-seasonal-seasonal scale, helping in the planning of water remean squared errorsources, since precipitation has a response time in river flow varying between 5 to 40 days, depending on the location of the watersheds, anticipating its impacts between 60 to 100 days.