LSTM; produto de precipitação de satélite; séries hidrológicas; modelagem chuva-vazão.

Os produtos de precipitação baseados em satélite e reanálise são amplamente adotados como informações complementares às medições in situ para estimar a vazão do rio usando modelagem hidrológica. No entanto, ainda existe uma lacuna notável de investigação na literatura associada à avaliação da precisão de produtos baseados em satélite ou de reanálise em diferentes bacias hidrográficas tropicais e subtropicais em modelação hidrológica de grande amostragem com análise de sensibilidade. O avanço tecnológico e o crescimento exponencial da disponibilidade de dados (big data) podem aperfeiçoar a obtenção de informações precisas de vazão e precipitação. A regionalização da vazão ao longo dos anos tem recebido grande atenção da comunidade hidrológica e a utilização de deep learning como redes neurais de memória longa e de curto prazo (LSTM) são caminhos para oaperfeiçoamento da modelagem hidrológica em bacias tropicais e subtropicais. O principal objetivo desta tese é aperfeiçoar o monitoramento hidrometeorológico da vazão e precipitação das bacias brasileiras utilizando dados de sensoriamento remoto e reanálise de precipitação, modelagem hidrológica e deep learning. Os resultados mostraram que os produtos de precipitação tendem a superestimar a precipitação, com exceção do ERA5 e MERRA-2. O CHIRPS é o único produto que produz estimativas imparciais de precipitação para a maioria das bacias hidrográficas. A calibração do modelo utilizando cada produto de precipitação individualmente melhorou o desempenho do modelo hidrológico. CHIRPS, IMERG e MERRA-2 mostraram boa precisão em termos de estimativa de precipitação e desempenho de simulação hidrológica no período de calibração. No período de validação, os melhores produtos em termos de KGE foram CHIRPS, IMERG e TRMM (KGE > 0,64). Os erros nos produtos de precipitação são melhor compensados através da modelação hidrológica em regiões úmidas. A sensibilidade dos parâmetros do modelo varia de acordo com a precipitação, o clima e a aridez da bacia hidrográfica. No geral, todos os produtos de precipitação exibiram o seu pior desempenho hidrológico em regiões áridas. Além disso, os achados desse estudo indicam que as redes LSTM têm o potencial de auxiliar a regionalização de vazão utilizando características das bacias hidrográficas em regiões secas e úmidas, e cerca de 74% das bacias na região úmidas apresentaram valores de KGE>0.7 no modelo regional de LSTM. Esta tese proporciona a melhora da compreensão da  resposta da bacia hidrográfica em regiões tropicais e subtropicais, ao mesmo tempo que fornece informações importantes sobre a confiabilidade dos produtos de precipitação por satélite/reanálise e uso de deep learning para simulação de vazões, auxiliando desta forma, as inúmeras aplicações hidrometeorológicas, estudos de alterações climáticas, gestão de recursos hídricos e desastres, especialmente em regiões com uma densidade relativamente escassa de estações de precipitação.