Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) O aumento da ocorrência de eventos extremos em bacias hidrográficas leva à necessidade de melhor entendimento do regime hidrológico em áreas com alta vulnerabilidade a cenários de enchente e escassez hídrica, uma vez que atividades essenciais como a produção de alimentos, geração de energia elétrica, abastecimento humano, segurança de obras hidráulicas e manutenção de ecossistemas são altamente impactadas por este regime. Além de conhecer o comportamento hidrológico, se faz necessário projetar e entender diferentes cenários, sendo que para isso a modelagem hidrológica constitui-se em uma ferramenta fundamental. O objetivo geral do presente trabalho foi identificar o comportamento das vazões na bacia do rio Piranga, bem como buscar melhorias na modelagem hidrológica visando a predição de vazões diárias utilizando aprendizado de máquina. Todo o estudo foi realizado na bacia hidrográfica do rio Piranga, localizada no Estado de Minas Gerais – Brasil. No primeiro capítulo foram utilizadas técnicas estatísticas aplicadas às séries temporais de vazão com o intuito de caracterizar o comportamento hidrológico da área de estudo. Foram estabelecidos eventos extremos máximos e mínimos e realizados testes não paramétricos de Mann-Kendall, Pettitt e Spearman para identificar tendências temporais nos dados. Os resultados mostraram que a vazão correspondente à cota de inundação na foz da bacia tem baixo período de retorno, o que explica o fato de haver problemas recorrentes de enchentes. Por outro lado, a análise da vazão média de longa duração (Q mld ) e da vazão mínima média de sete dias consecutivos, associada a um período de retorno de 10 anos (Q 7,10 ) mostrou redução destas comparadas a períodos anteriores. Foi possível observar, também, que todas as estações fluviométricas apresentaram tendência de redução da vazão em pelo menos um mês do ano, principalmente nos meses do período seco. A recorrência de eventos máximos e a tendência de redução de vazões mínimas mostra a necessidade de um adequado planejamento e gestão de recursos hídricos para promover o desenvolvimento da região. No segundo capítulo foram utilizados dois métodos de seleção de covariáveis por importância, o Recursive Feature Elimination (RFE) e o Forward Feature Selection (FFS), para avaliar o efeito destes no desempenho dos modelos de aprendizado de máquina para predição de vazões diárias. Foram utilizados os modelos Regressão Adaptativa Multivariada (EARTH), Regressão Linear Múltipla (MLR) e RandomForest (RF). Os resultados mostraram que os três modelos de aprendizado de máquina utilizados apresentaram desempenho satisfatório com ambos os métodos de seleção de covariáveis, sendo que dentre eles o RF se sobressaiu. Observou-se, ainda, que a utilização do FFS, na maioria dos casos, proporcionou melhoria no desempenho dos modelos e reduziu o número de covariáveis selecionadas. Dessa forma, a utilização do aprendizado de máquina na predição de vazões diárias mostrou-se eficiente e a utilização do FFS para seleção de covariáveis deve ser considerada, pois tende a potencializar o desempenho dos modelos de aprendizado de máquina. Palavras-chave: Análises de tendência. Aprendizado supervisionado. Modelagem hidrológica. The increase in the occurrence of extreme events in watersheds highlights the need for a better hydrological regime understanding in areas with high vulnerability to flooding and water scarcity scenarios. This is important because essential activities such as food production, electricity generation, human food and water supply, hydraulic works safety, and maintenance of ecosystems are highly impacted by the hydrological regime. Also, knowledge of the hydrological behavior is essential to design and understand different scenarios and for that hydrological modeling is a fundamental tool. The main goal of the present work was to identify the streamflow behavior in the Piranga watershed, as well as to seek improvements in hydrological modeling aiming the daily streamflow prediction using machine learning. The entire study was carried out in the Piranga watershed, located in the State of Minas Gerais - Brazil. In the first chapter, statistical techniques were applied to the streamflow time series to characterize the hydrological behavior of the study area. Maximum and minimum extreme events were established and the non-parametric tests of Mann-Kendall, Pettitt, and Spearman were performed to verify temporal trends in the data. The results showed that the streamflow corresponding to the flood level at the watershed outlet has a low return period, which justifies the recurrent flooding problems. On the other hand, the analysis showed a reduction of the average long-term streamflow (Q mld ) and the average minimum streamflow of seven consecutive days associated with a 10-year return period (Q 7,10 ) compared to previous periods. It’s noteworthy that all streamflow gauges had a streamflow reduction tendency in at least one month of the year, mainly the dry period months. The recurrence of maximum streamflow events and the tendency to reduce minimum streamflow shows the need for adequate water resources planning and management to promote the development of the region. In the second chapter, two methods of selection of covariates based on their relevance were used, the Recursive Feature Elimination (RFE) and the Forward Feature Selection (FFS). These methods were used to evaluate their effect on the performance of the machine learning models for daily streamflow prediction. The Multivariate Adaptive Regression Splines (EARTH), Multiple Linear Regression (MLR), and Random Forest (RF) models were used. Although the results showed that all the three machine learning models had a satisfactory performance withboth methods of selection of covariates, the RF model stood out. It was also noted that the use of FFS, in most cases, increased the model's performance and reduced the number of selected covariates. Hence, the use of machine learning for daily streamflow prediction proved to be efficient, and the use of FFS to select covariates must be considered as it tends to enhance the machine learning model's performance. Keywords: Trend analysis. Supervised learning. Hydrological modeling.