A previsão do fluxo de água em rios e bacias hidrográficas é crucial para a gestão de recursos hídricos e a prevenção de enchentes. Porém, em grande parte do mundo, as bacias não possuem estações de medição, tornando essas previsões extremamente desafiadoras.
Um novo estudo, submetido ao repositório arXiv em 1º de junho de 2026, investigou qual arquitetura de inteligência artificial se mostra mais eficaz nessa tarefa. Os pesquisadores compararam dois modelos: o LSTM (Long Short-Term Memory), uma rede neural recorrente inspirada no funcionamento da memória humana, e o Transformer, que se tornou padrão em linguagem e visão computacional por sua capacidade de processar sequências em paralelo.
Para o experimento, utilizaram simulações retrospectivas do National Water Model (NWM), sistema operado pela agência meteorológica dos Estados Unidos, a NOAA. O foco foi a inferência de vazão em bacias não monitoradas — aquelas sem dados históricos de medição direta —, um cenário típico de regiões remotas ou com infraestrutura precária.
Os resultados mostraram que o LSTM teve desempenho geral superior ao Transformer nas duas configurações testadas: usando apenas dados a montante e combinando informações a montante e a jusante. A diferença foi consistente, indicando que a arquitetura recorrente captura melhor as dependências de longo prazo nas séries temporais hidrológicas.
Um achado especialmente relevante foi o impacto da inclusão de informações a jusante. Quando os modelos receberam dados do fluxo já combinado de múltiplos afluentes, o desempenho melhorou para todas as arquiteturas, elevando a mediana do coeficiente de eficiência (NNSE) em mais de 60%. Isso sugere que o contexto hidrológico a jusante atua como uma forte restrição auxiliar, refinando as previsões mesmo sem observações diretas no ponto de interesse.
Em vez de tratar a comparação como um simples ranking, os autores interpretam o experimento como um teste do viés indutivo das arquiteturas. O Transformer, apesar de seu sucesso em outras áreas, mostrou-se menos alinhado com a tarefa de reconstrução de sequências de vazão do que a memória recorrente do LSTM. O artigo, assinado por um grupo de pesquisadores, está disponível na íntegra no servidor de pré-prints arXiv e reforça a importância de escolher a arquitetura adequada conforme a natureza do problema, não apenas a mais popular.
As implicações práticas são significativas, especialmente para países em desenvolvimento que dependem de previsões hidrológicas para agricultura, abastecimento e defesa civil. Com modelos mais eficientes em bacias sem medição, é possível antecipar eventos extremos e otimizar o uso da água mesmo onde a rede de sensores é escassa. O estudo abre caminho para sistemas de alerta precoce mais robustos em regiões vulneráveis.
Com informações de https://www.nature.com/.