A crescente necessidade global de prever eventos extremos e desastres naturais, intensificada pelas instabilidades ambientais, é evidente no Brasil, destacando-se o impacto no bioma do Pantanal. Considerado como uma das maiores superfícies alagadas do planeta, esse bioma enfrenta desafios socioeconômicos devido a sua dinâmica de cheias e vazantes, promovendo períodos frequentes de inundações e secas. Uma das formas de quantificar o volume de água que abastece o Pantanal é a partir do monitoramento das bacias hidrográficas do planalto adjacente que circundam o bioma. O monitoramento hidrológico é crucial para compreender e mitigar danos, sendo a modelagem hidrológica convencional uma ferramenta valiosa, apesar de sua complexidade de aplicação e sua dependência por associar-se a outras ferramentas, como softwares de SIG. Somado a isso, a região pantaneira enfrenta deficiência em estações pluviométricas, impulsionando a busca por alternativas na obtenção de dados, como coleções de imagens de satélite, para suprir lacunas de informações. A integração de Aprendizado de Máquina (AM) e Inteligência Artificial (IA) emerge como uma solução, possibilitando a análise de padrões nos dados climatológicos que podem ser aplicados em estudos de previsões de vazão. Dentre as técnicas de IA, as redes neurais artificiais (RNA) se destacam, simulando o aprendizado do cérebro humano e apresentando potencial para prever o comportamento hidrológico de bacias hidrográficas. Assim, este trabalho propõe a hipótese de que algoritmos de IA, utilizando a técnica de RNA, podem compreender e prever o fluxo de água de uma bacia de planalto componente do Pantanal. Diante disso, o objetivo geral do trabalho proposto consistiu em realizar a modelagem de diferentes redes neurais artificiais do tipo Multilayer Perceptron (MLP) para a previsão de vazões na bacia hidrográfica do rio Miranda, afluente do bioma Pantanal. Foram utilizadas séries históricas de vazão, precipitação e evapotranspiração como entradas dos modelos, por estas serem componentes principais do ciclo hidrológico. Os dados de vazão foram coletados a partir de postos fluviométricos presentes nos municípios de Miranda/MS e Bonito/MS e os dados de evapotranspiração e precipitação foram extraídos a partir de coleções de imagens de satélite. Em sequência, foi feito o pré-processamento dos dados e verificado a existência de dados faltantes nas séries para o período de interesse e todas as informações foram sincronizadas na escala diária. Foi usada a técnica de Médias Móveis para a suavização de dados, visando reduzir a variabilidade presente nas informações coletadas. Foi realizado o estudo de cada variável, independentemente, para as porções de montante e total da sub-bacia do rio Miranda. Em sequência foram testadas seis arquiteturas de redes neurais artificiais do tipo MLP em quatro blocos de análise: a) Redes neurais com dados em escala diária; b) Redes neurais com dados suavizados por Médias Móveis; c) Redes neurais com dados em escala mensal e d) Redes neurais com retirada de variáveis dos modelos. A avaliação de performance dos modelos se deu através das métricas estatísticas de Erro médio absoluto (MAE), Raiz quadrada do erro médio (RMSE) e coeficiente de determinação (R²), após as etapas de teste e validação dos modelos. Os resultados obtidos comprovam que o desempenho de uma rede neural do tipo MLP é bastante variável de acordo com os hiper parâmetros da rede escolhidos, assim como o número de neurônios e camadas intermediárias utilizadas em suas arquiteturas. A técnica de suavização por Médias Móveis e a utilização de dados mensais melhorou a performance e taxas de previsão dos modelos propostos em comparação com os dados em escala diária. Dessa forma, conclui-se que a utilização de redes neurais artificiais do tipo MLP é uma técnica promissora para a previsão de vazões em áreas de bacias hidrográficas pouco monitoradas e que carecem de informações importantes sobre seu comportamento hidrológico.

The growing global need to predict extreme events and natural disasters, heightened by environmental instabilities, is evident in Brazil, particularly impacting the Pantanal biome. As one of the largest wetland areas globally, this biome faces socio-economic challenges due to its dynamic flooding and drying cycles, resulting in frequent periods of floods and droughts. Quantifying the water volume that sustains the Pantanal involves monitoring the adjacent plateau watersheds surrounding the biome. Hydrological monitoring is crucial for understanding and mitigating damages, with conventional hydrological modeling being a valuable tool, despite its complex application and dependence on other tools like GIS software. Additionally, the Pantanal region lacks sufficient rainfall stations, driving the search for alternative data sources such as satellite image collections to fill information gaps. The integration of Machine Learning (ML) and Artificial Intelligence (AI) emerges as a solution, enabling the analysis of patterns in climatological data applicable to flow prediction studies. Among AI techniques, Artificial Neural Networks (ANNs) stand out, simulating human brain learning and demonstrating potential in predicting the hydrological behavior of watersheds. Therefore, this work hypothesizes that AI algorithms, employing ANN techniques, can understand and predict water flow in a plateau basin component of the Pantanal. The overall objective of the proposed work was to model different Multilayer Perceptron (MLP) artificial neural networks for flow prediction in the Miranda River watershed, a Pantanal biome tributary. Historical flow, precipitation, and evapotranspiration data were used as model inputs, as they are key components of the hydrological cycle. Flow data were collected from river gauging stations in Miranda/MS and Bonito/MS, while evapotranspiration and precipitation data were extracted from satellite image collections. Data preprocessing was conducted, and missing data for the period of interest were addressed, synchronizing all information on a daily scale. Moving Averages were applied for data smoothing to reduce variability in the collected information. Each variable was independently studied for the upstream and total portions of the Miranda River sub-basin. Subsequently, six MLP artificial neural network architectures were tested in four analysis blocks: a) Neural networks with daily scale data; b) Neural networks with smoothed data by Moving Averages; c) Neural networks with monthly scale data; d) Neural networks with variable removal from models. Model performance evaluation utilized statistical metrics, including Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and coefficient of determination (R²), after model testing and validation stages. The results confirm that the performance of an MLP neural network is highly variable depending on the chosen network hyperparameters, including the number of neurons and intermediate layers used in their architectures. The Moving Averages smoothing technique and the use of monthly data improved the performance and prediction rates of the proposed models compared to daily scale data. Therefore, it is concluded that the use of MLP artificial neural networks is a promising technique for flow prediction in poorly monitored watershed areas lacking essential information about their hydrological behavior.