The knowledge of the flows and discharge in the rivers is essential for water resources management since it represents the availability of water in the watersheds. Generally, the long-term average flows (Qm), flows exceeded or equaled in 90% and 95% of the time (Q90 and Q95, respectively), which represents minimum flows, and annual discharge (Q) are frequently used in the water resources management. The information about those parameters can be considered a challenge, especially in developing countries where monitoring by gauges is limited in terms of density and frequency of observations. Thus, hydrological models can be applied to predicted flows in unmonitored watersheds, as the Multiple Linear Regressions (MLR) method, the oldest and widely used method for regionalization problems, and new techniques as machine learning approaches, for example, the Random Forest (RF). Additionally, the water balance can be used to estimate the annual discharge of rivers in watersheds. In this context, remote sensing products offer precipitation (PPT) and evapotranspiration (ET) products with great spatial and temporal coverage, which can be used in hydrological models, improving its performance. In a general scenario, this study aimed to analyze the performance of Integrated Multi-satellitE Retrievals for GPM (IMERG) products to estimate the PPT over Paraná state, Brazil. Subsequently, the IMERG monthly products were used with watershed morphological descriptors to build hydrological models for predicting the flows (Q90, Q95, and Qm) in 81 watersheds in Paraná state, Brazil. Lastly, we predicted the Q using the IMERG monthly products and the ALEXI (Atmosphere-Land Exchange Inverse) ET over 28 watersheds in Paraná state, by water balance equation. The models performed very well to predict the hydrological variables, which demonstrated the importance of remote sensing and hydrological models in water resources management.

O conhecimento das vazões e descargas dos rios é essencial para a gestão dos recursos hídricos, uma vez que estes parâmetros representam a disponibilidade de água nas bacias hidrográficas. Em geral, a vazão média de longo período (Qm), e as vazões excedidas ou igualadas em 90% e 95% do tempo (Q90 e Q95, respectivamente), as quais representam vazões mínimas, e a descarga anual (Q) são frequentemente usadas no gestão de recursos hídricos. As informações sobre esses parâmetros podem ser consideradas um desafio, principalmente em países em desenvolvimento, onde o monitoramento por estações fluviométricas é limitado em termos de densidade e frequência de observações. Assim, a predição de variáveis hidrológicas em bacias hidrográficas não monitoradas pode ser realizada por meio de modelos que permitem a relação das variáveis de interesse com variáveis descritoras, como por exemplo por Regressões Lineares Múltiplas (MLR), que consiste no método mais antigo e amplamente utilizado para problemas de regionalização, e novas técnicas como abordagens de aprendizado de máquina, por exemplo, o Random Forest (RF). Adicionalmente, o balanço hídrico pode ser usado como modelo para estimar a Q dos rios em bacias hidrográficas. Nesse contexto, os produtos de sensoriamento remoto constituem promissoras fontes de dados de precipitação (PPT) e evapotranspiração (ET), com alta resolução espacial e temporal, que podem ser usados em modelos hidrológicos, melhorando seu desempenho. Em um cenário geral, este estudo teve como objetivo analisar o desempenho de produtos integrados Multi-satellitE Retrievals for GPM (IMERG) para estimar a PPT sobre o Estado do Paraná, Brasil. Em seguida, os produtos mensais do IMERG foram utilizados juntamente com descritores morfológicos de bacias hidrográficas, para construir modelos hidrológicos para a predição de vazões (Q90, Q95 e Qm) em 81 bacias hidrográficas no Estado do Paraná, Brasil. Por fim, os produtos mensais IMERG e de ET do algorítimo ALEXI (Atmosphere-Land Exchange Inverse) foram utilizados para a predição de Q em 28 bacias hidrográficas do Estado do Paraná, por meio da equação do balanço hídrico. Os modelos apresentaram boa performance para a previsão de variáveis hidrológicas, o que comprovou a importância do sensoriamento remoto e dos modelos hidrológicos para a gestão dos recursos hídricos.