Sistemas probabilísticos de previsão de vazão nas escalas sazonal e interanual podem
fornecer informações valiosas, ainda que incertas, para o processo de alocação de água
numa bacia hidrográfica, reservatório ou conjunto de reservatórios, permitindo que se
estabeleça um trade-off entre os benefícios que se obtém pelo uso da água disponível e os
riscos, inerentes à decisão tomada, de não se ter água suficiente para atender as demandas
no futuro. Tais sistemas de previsão podem e são utilizados na gestão do risco de secas,
permitindo que gestores e tomadores de decisão tenham o tempo necessário para colocar
em prática ações previamente planejadas no plano de secas, possibilitando uma redução
das perdas econômicas, sociais e ambientais resultantes da ocorrência de uma possível
seca. Esta tese explora o uso de Modelos de Markov com Estados Ocultos Hidden Markov
Models (HMMs), com a inclusão de informações climáticas de larga escala, para realizar a
previsão na escala climática de vazões médias anuais afluentes ao reservatório Orós/CE,
visando contribuir para o entendimento de como essa classe de modelos se comporta na
previsão de vazões. Utilizaram-se três extensões da versão básica dos HMMs, as quais
incorporam informações climáticas: i) HMMs não Homogêneos (NHMMs); ii) NHMMs
Autoregressivos (AR-NHMMs); e iii) HMMs com informações climáticas nas
distribuições dependentes dos estados ocultos (IHMMs), resultando em um total de 132
HMMs. As diferenças entre os HMMs dependem da distribuição dependente (Log-Normal
e Gama), do número de estados ocultos (2 e 3) e das 11 combinações de indicadores
climáticos (NINO3 e Dipolo do Atlântico utilizados em diferentes momentos e escalas
temporais). O desempenho dos diferentes modelos probabilísticos foi avaliado empregando
um período de validação de 60 anos (1941-200) tendo como base o Continuous Ranked
Probability Skill Score (CRPSS), assim como métricas de qualidade de previsões pontuais,
tais como o Erro Médio Absoluto e Percentual (EMA, EMPA), Distancia Multicritério
(DM) e coeficientes de Nash Sutcliffe (NS) e correlação. HMMs com 2 estados, baseados
na distribuição Log-Normal se destacaram dos outros modelos, principalmente aquele que
emprega o índice NINO3 de dezembro (NL) do ano anterior para realizar a previsão em
janeiro do ano corrente. Em geral, os HMMs obtiveram desempenho melhor em anos mais
secos, quando comparados com a climatologia, mas tiveram dificuldade na previsão de
anos mais úmidos. No entanto, IHMMs que empregam o índice do Dipolo do Atlântico são
alternativas para a previsão de anos úmidos. Os resultados mostraram que o modelo NL
obteve desempenho destacado, quando comparado com modelos que não incluem
informações climáticas e modelos autoregressivos com variáveis exógenas (ARX). Os
resultados obtidos indicam o potencial de sistemas de previsão de vazão empregando a
modelagem baseada em HMMs, em conjunto com informações climáticas. Esse caminho
permite uma melhor compreensão da influência climática nos regimes do rio, permitindo
flexibilizar o uso de indicadores climáticos e capturar melhor a variabilidade e a ocorrência
de vazões baixas.
Seasonal and interannual probabilistic streamflow forecasts, albeit uncertain, can provide
valuable information to water allocation processes carried out in watersheds, resevoirs or
system of reservoirs, allowing for the evaluation of tradeoffs between the benefits of using
the current storage water and the risks of facing a shortage in the future. Such streamflow
forecast systems can and are used in drought risk management, giving water managers and
decision makers the time needed to take the appropriate measures, usually defined in the
drought management plan, resulting in potential reduction in economic, social and
environmental damages due to the occurrence of a given drought. This thesis explores the
use of Hidden Markov Models (HMMs), in conjuction of large-scale climate information,
to provide climate streamflow forecast of mean annual flows for the Orós reservoir/CE.
The goal is to evaluate how this class of model can contribute to the understanding of how
mean annual streamflow varies in the region and which climate índices modulates the
process. Three extension of the basic version of HMMs that employ large-scale climate
information were used: i) non-homegenous HMMs (NHMMs); ii) auto-regressive nonhomegeneous
models (AR-NHMMs); e iii) HMMs with climate information modulating
the dependente probabilistic distributions of HMMs (IHMMs), resulting in a total of 132
models. Differences among models are due to the probability distribution used to model
annual flows (Log-normal and Gamma), number of hidden states (2 and 3), and sets of
climate indices (Nino3 and Atlantic Dipole taken in different times of the year and
different time scales). The quality of the different probabilistic forecast models was
evaluated in a 60-year independent period (1941-2000) based on the Contineous Ranked
Probability Score (CRPS), as well as on the following deterministic verification measures:
mean absolute and relative errors, muticriteria distance, Nash-Sutcliff effciency coeffcient,
and correlation. HMMs with two hidden states and based on the Log-normal distribution
outperformed other models, in particular the one that employs the value of NINO3
measured in December of the previous year to issue in January the forecat of the current
year. In general, the HMMs performed better in dry years, when compared to climatology,
but had weak results for wet years. However, IHMMs that uses the Atlantic Dipole index
seems to be a reasonable alternative for wet years. Results show that the NL model
obtained a distinguished performance when compared to both models that don’t inclued
climate information and auto-regressive models with exogeneous variables (ARX). The
results point out forecast systems HMMs based along with climate information for could
potentially be used for inflow forecasting. Influence of climate on river regimes could be
further understood by using this forecast modelling which allows flexibility when using
climate indices and a better representation if both variability and lower flow occurrences.