UTILIZING LONG SHORT-TERM MEMORY (LSTM) NETWORKS FOR RIVER FLOW PREDICTION IN THE BRAZILIAN PANTANAL BASIN

• Published in: Holos (Natal, RN) RN), 2023-12, Vol.5 (39)
• Main Authors: Sampaio Descovi, Cassiano, Carlos Zuffo, Antonio, Mohammadizadeh, SeyedMehdi, Murillo Bermúdez, Luis Fernando, Alfonso Sierra, Daniel
• Format: Article
• Language: English
• ISSN: 1807-1600; 1807-1600
• DOI: 10.15628/holos.2023.16315

This article demonstrates the successful application of Long Short-Term Memory (LSTM) recurrent neural networks to simulate streamflow in the Aquidauana River basin, located in the Brazilian Pantanal. The LSTM network used daily precipitation data as input to predict future streamflow in the region. The results obtained from this research show a coefficient of determination (R2) of 0.82, indicating a strong fit of the model to the observed data. Additionally, the Root Mean Squared Error (RMSE) was found to be 0.53, indicating the model's accuracy in predicting streamflow compared to actual data. These findings highlight the effectiveness of LSTM networks in hydrological modeling for the Pantanal region, which is crucial for water resource planning and sustainable management in this ecologically significant area. This study is expected to serve as a catalyst for further research and make a substantial contribution to the advancement of streamflow prediction techniques in complex watersheds such as the Aquidauana River basin. Este artigo mostra uma aplicação bem-sucedida de rede neural recorrente - Long Short-Term Memory (LSTM), para simular a vazão na bacia do rio Aquidauana, dentro dos limites do Pantanal brasileiro. Os dados diários de precipitação serviram como variáveis de entrada para permitir que a rede LSTM previsse o fluxo futuro na região. Os resultados obtidos demonstram um coeficiente de determinação (R2) de 0,82, indicando um ajuste favorável do modelo aos dados observados, juntamente com um erro quadrático médio (RMSE) de 0,53, demonstrando precisão na previsão do modelo em comparação com a vazão real. Tais métricas ressaltam a eficiência das redes LSTM para modelagem hidrológica na região do Pantanal, um aspecto crucial para o planejamento e gestão sustentável dos recursos hídricos na área. Espera-se que este estudo inspire novas pesquisas e contribua significativamente para o avanço das técnicas de previsão de vazões em bacias hidrográficas complexas e com deficiência de dados, como a bacia do Rio Aquidauana.