摘要：A utilização de modelos autorregressivos para a predição e preenchimento de falhas a partir de uma série histórica de dados vem, notadamente, crescendo dentro da ciência hidrológica, especialmente para as atividades que envolvem o estudo de balanço hídrico e o gerenciamento da demanda hídrica em bacias hidrográficas. Este trabalho teve como objetivo examinar e comparar o uso potencial de diferentes técnicas preditivas em modelos autorregressivos para a simulação dos níveis freáticos em um poço tubular localizado em aquífero livre no Estado do Rio Grande do Sul, Brasil. Foram utilizados métodos Autorregressivos e de Médias Móveis (ARMA), Máquinas de Vetores de Suporte (MVS) e Redes Neurais Artificiais (RNA), buscando-se analisar o desempenho dessas metodologias para a simulação de níveis da água subterrânea em escala horária e diária. Para tanto, utilizaram-se séries históricas de nível estático e de precipitação pluviométrica, coletadas a cada hora por meio de uma estação de monitoramento automática com data logger. A metodologia baseada em Redes Neurais Artificiais apresentou a melhor performance, evidenciada pelo Coeficiente de Nash-Sutcliffe (CNS) na ordem de 0,99 na escala horária e, na ordem de 0,84 para a escala diária. A etapa de análise dos resíduos demonstrou a pequena margem de erro alcançada, permitindo validar o modelo para práticas e estudos em séries temporais de água subterrânea.
其他摘要：The use of autoregressive models for the prediction and gap filling from historical time-series has grown notably
in the study of hydrological data, especially for activities that involves the study of water balance and hydric demand management
in watersheds. This work aimed to examine and compare the potential use of different predictive techniques
of autoregressive models for groundwater level simulation in tubular well located in unconfined aquifer in the State of
Rio Grande do Sul, Brazil. Autoregressive Moving Averages (ARMA), Support Vector Machines (SVM) and Artificial
Neural Networks (ANN) methods were used to analyze the performance of these methodologies for the prediction of
groundwater levels on hourly and daily scale. Static water level and rainfall series were collected every hour by means
of an automatic data logger monitoring station. The methodology based on Artificial Neural Networks presented the
best performance, evidenced by the Nash-Sutcliffe Coefficient (NSC) in the order of 0,99 in hourly scale and, in order of
0,84 in daily scale. The residue analysis stage demonstrated the small margin of error achieved, allowing to validate the
model for practices and studies in time series of groundwater levels.
关键词：Água subterrânea; Modelagem hidrológica; Autorregressivo de Médias Móveis; Máquinas de Vetores de Suporte; Redes Neurais Artificiais
