A previsão de vazão em um sistema hídrico não é apenas uma das técnicas utilizadas para minimizar o impacto das incertezas do clima sobre o gerenciamento dos recursos hídricos mas, também, um dos principais desafios relacionados ao conhecimento integrado da climatologia e da hidrologia de uma bacia hidrográfica. O objetivo deste trabalho foi modelar a relação não-linear entre chuva e vazão na bacia hidrográfica do rio Piancó, no semiárido paraibano, através da técnica de Redes Neurais Artificiais (RNA). Aqui se avaliou a capacidade da RNA modelar o processo chuva-vazão em base mensal e se considerou, durante o seu treinamento, a influência da arquitetura da rede e da inicialização dos pesos. No final do treinamento foi escolhida a melhor arquitetura para modelar vazões médias mensais na bacia estudada, com base no desempenho do modelo. A arquitetura de RNA que produziu melhor resultado foi a RC315L, com valores para o coeficiente de determinação, de eficiência e erro padrão da estimativa de 92,0, 77,0% e 8,29, respectivamente.

Streamflow forecasting in a water system is one of the techniques used to reduce the impact of the uncertainties of the climate on administration of the water resources. That technique can be considered as one of the principal challenges related to the integrated knowledge of the climatology and of the hydrology of the river basin. The aim of this work was to model the non-linear relationship between rainfall and streamflow in the Piancó River Basin, in the Paraíba semiarid, using the technique of Artificial Neural Networks (ANN). Here the ability of ANN was evaluated to model the rainfall-runoff process on a monthly basis. During training of the ANN, the network architecture and weights initialization influence were considered. At the end of the training the best architecture was chosen, to model the streamflow monthly mean in the studied basin, based upon the performance of the model. The ANN architecture that produced the better result was RC315L with values for the determination coefficient, efficiency coefficient and standard estimate error (SEE) equal to 92.0, 77.0% and 8.29 respectively.