Redes Neurais Artificiais (RNA's) vem sendo utilizada em diversas áreas do conhecimento inclusive para a previsão de séries temporais. O objetivo deste trabalho é utilizar uma RNA para o diagnóstico e prognóstico de vazão em bacias urbanas da Região Metropolitana de São Paulo (RMSP) com dados do radar meteorológio de São Paulo e os dados telemétricos da bacia do Alto Tietê. Uma RNA do tipo feedforward multicamadas, com aprendizado supervisionado e com o algoritmo de treinamento Linear Least Square SIMplex (LLSSIM, Hse et al. 1996) foram aplicados à bacia do Rio Tamanduateí. Dividiu-se os eventos disponíveis em três grupos; para o treinamento, verificação e previsão ideal com a RNA. Realizou o treinamento e verificação da rede com dados de vazão estimada e nível medido. Os erros de fase e amplitude foram utilizados para avaliar o desempenho da rede em cada uma das configurações empregadas. Estes indicam a importância da memória da bacia para o bom desempenho da RNA. Verifica-se também que nem sempre o aumento do número de camadas escondidas melhoram os resultados, bem como o aumento da quantidade de dados. Comparou-se ainda a performance da RNA contra um modelo auto regressivo sendo a primeira menos dependente da memória da bacia. Por último, realizou previsões do tipo ideal com resultados satisfatórios até 1 hora e 30 minutos de antecedência. Além deste período os erros crescem exponencialmente.

Artificial Neural Networks (ANN) have been widely used in several areas of science for many purposes, including time series forecasting. The objective of this work is to apply an ANN to simulate and to forecast streamflow at the outlet of the Tamanduateí basin. This urban basin is located within the Metropolitan Area of São Paulo (MASP). Radar and telemetric data are input to a multi-layer feedforward ANN. It is trained with the Linear Least Square SIMplex training algorithm (LLSSIM; Hse et al, 1996). Available flood events were divided up in three independent groups for training, verification and forecasting. The training and the verification of estimated streamflow and measured river stage were carried out. Phase and amplitude errors were used to evaluate the performance of the ANN for each configuration. The results indicate a better performance of the ANN when previous streamflow or river stage are input to the ANN. Furthermore, the increase of hidden layers not necessarily improve the results. The ANN was compared to an auto-regressive model. The former is less dependent on the basin memory. The ANN Forecasts yielded satisfactory results up to one and half-hour in advance. For longer time periods the errors tend to grow exponentially.