REGISTRO DOI: 10.69849/revistaft/ni10202411301401
Domingo Stalin1
Aguero Martinez
RESUMO
Devido aos problemas emergenciais ocasionados pelas enchentes em Salvador e Região metropolitana, torna-se necessário efetuar estudos de previsão. Este estudo aborda a influência de enchentes pelo desbordamento de reservatórios de água. Como início de pesquisa considerou-se o reservatório de Simões Filho, como uma amostra aleatória. Os dados foram obtidos de segunda mão do INEMA por um período de 394 semanas. Este trabalho implementou técnicas estatísticas aos dados coletados. Conclui-se que os dados coletados foram suficientes para entender o aspecto de sazonalidades, mas não foram suficientes para a validação dos métodos estatísticos. A obtenção de maior quantidade de dados será fundamental para obter maior esclarecimento do fenômeno em estudo.
Palavras-chave: Níveis de Reservatório. Eventos extremos. Enchentes.
1 Introdução
O estufamento da terra ocasiona diversos efeitos de eventos extremos climáticos, dentre outros, as enchentes [1].
As enchentes no Brasil são recorrentes, gerando mortes e graves impactos socioambientais e socioeconômicos [11].
Os reservatórios no Brasil com a função de barramento em cursos de água estão sendo afetados pelos eventos climáticos. Os níveis de água do reservatório chegam ao máximo, havendo que abrir as comportas da barragem para regulamento de vazões. Isso é ainda mais grave em momentos de intensa chuva, contribuindo aos eventos de enchentes. Desse modo, a consideração de eventos extremos de níveis de reservatório e sua relação com as enchentes devem ser aprimorados [8].
Casos como na Area do reservatório de Três Gargantas na China demonstraram a relação de barragens com deslizamentos e em consequência as enchentes. Esses autores realizaram um estudo dinâmico de variação do nível de água do reservatório [13].
Um caso de inundação no estado de Kerala (Índia) afetou a vida de milhões de pessoas com 400 mortes. As enchentes foram afetadas pelo períıodo de retorno de chuva intensa e os níveis de reservatório, pois foi liberada água de três reservatórios. Nesse estudo, coletaram-se dados de 1901 até 21 de agosto de 2018, utilizando a técnica estatística de Inverse Distance Weighting. Os outliers que apareceram na base de dados refletem os períodos de enchente catastrófica [8].
Em outro caso de estudo de uma bacia hidrográfica estabeleceram uma análise de regressão entre chuva e nível de reservatório em Timah Tasoh, Malásia. Foram utilizados dados de monitoramento de 2007 até 2012 submetendo-a a um software para determinar o modelo de regressão. Concluíram que a alta umidade na cidade contribuiu para o aumento do nível do reservatório [9].
Os desastres naturais ou eventos extremos que acontecem no espaço e no tempo podem ser contextualizados em uma gestão de risco e natureza interdisciplinar. Elenca-se a importância de entender tendências e correlações dos eventos do nível de água em reservatório. Para isso é necessário recursos de dados empíricos, estatísticas de valores extremos e, dentro do campo matemático, uma teoria de distribuição generalizada de valores extremos. Existe o problema que para aplicar estatísticas de valor extrema padrão precisa-se de estacionariedade, isto é, os dados devem ter a mesma média e variância em qualquer momento [6].
Para o tratamento de quantidade de dados observados aparecem na literatura diversos modelos matemáticos e probabilísticos para prever sazonalmente os eventos de chuvas, entre outros, encontrase o consagrado ARIMA (AutoRegressive Integrated Moving Average). Também, estabeleceram-se outras técnicas de ajuste, como o Amaciamento com a média móvel simples (Smoothing with simple moving averages), modelos exponenciais, simples, duplos, triplos, decomposição de séries temporais, eliminação de fator tendência, entre outros. Dessa maneira, os pacotes estatísticos de previsão foram desenvolvidos os quais incluem essas técnicas mencionadas, entre outros, o Prophet [12], Forecast, Stats, Base, Modo de Decomposição Empírico (Empirical Mode Decomposition, EMD), o Modo Empírico de Decomposição do Conjunto (EEMD) [4].
O objetivo deste trabalho é utilizar os dados do nível de reservatório obtidos em segunda mão das instituições reconhecidas para serem submetidos aos métodos estatísticos, Desse modo, conseguir as correlações com as enchentes, e assim, contribuir para as tomadas de decisão em Salvador e Regiões Metropolitanas. Como objetivos específicos encontram-se: realizar uma análise estatística de níveis de reservatório e efetuar uma correlação de parâmetros de enchentes.
Hipóteses:
Hipótese 1: Existe relação de eventos extremos (enchentes) e os dados de índice de reservatório?
Hipótese 2: Intui-se que existe alguma sazonalidade de eventos por serem períodos de chuva que enchem o reservatório, mas qual seria a forma de sazonalidade e será que essa sazonalidade expressa algum indício de eventos extremos?
A questão norteadora da pesquisa estabelece-se como: Eventos extremos podem ser determinados mediante a análise de níveis de reservatório e como está relacionado com as enchentes?
Este artigo desenvolverá em matérias e métodos na seção 2 a coleta de dados de níveis de reservatório de sete anos. Serão utilizados tratamentos estatísticos aos dados coletados. Após, na seção 3 apresentar-se-à os resultados dos diversos ajustes estatísticos efetuados. Na seção 4, discussão, inferese e deduz-se a partir dos resultados as hipóteses estabelecidas. Por último, na seção 5 e 6, estão as considerações finais e revisão bibliográfica.
2 Materiais e Métodos
2.1 Localização da Barragem
A barragem caso de estudo pertence à bacia hidrográfica do recôncavo norte, no estado da Bahia, Brasil, conhecida como barragem de Ipitanga II, município de Salvador/Simões Filho, apresentada na Figura 1. Das diversas barragens do lugar, a escolha dessa barragem de Ipitanga II foi feita como uma amostra aleatória, considerando que influencia na regulação de água em Salvador. A barragem do Ipitanga II foi construída em 1970 com a implantação do Centro Industrial de Aratu (CIA), considerando as indútrias do CIA/SUL e para regularizar a vazão da barragem Ipitanga I, que auxilia a Usina Siderúrgica da Bahia (USIBA) [10, 7].
Figura 1: Barragem de Ipitanga II (modificado do google maps)
2.2 Coleta de dados
Foram coletados dados de segunda mão do INEMA (Instituto do Meio Ambiente e Recursos Hídricos) de níveis de reservatório.
A Figura 2a apresenta a série de dados coletados de 372 semanas do 02 de janeiro de 2017 até o 08 de abril de 2024. Foram realizadas medições do nível do reservatório chamado de cota de nível máxima expressado em metros. Esses dados coletados serão ajustados com técnicas estatísticas do pacote EXCEL. O computador utilizado foi um notebook com processador Intel(R) Core(TM) i5. A Figura 2b inclui mais 22 semanas até o 22 de setembro de 2024 (sendo um total de 394 semanas de dados coletados) que serão utilizados para validação do ajuste de dados.
Figura 2: Série de dados de nível de reservatório em metros contra semanas; (a) de 372 semanas, e (b) incluindo mais 22 semanas para validação do ajuste.
2.3 Métodos estatísticos
Serão realizados diversos ajustes estatísticos das 372 semanas de série de dados de níveis de reservatório. Esses ajustes, como mencionado, foram realizados utilizando o pacote EXCEL. Serão realizados os ajustes incluindo os dados de verificação de 22 semanas a maneira de validação de resultados.
3 Resultados
Apresenta-se na Figura 3 os vários ajustes estatísticos das 372 semanas de série de dados de níveis de reservatório. A Figura 3a apresenta o primeiro ajuste linear com R² de valor de 0,124 com uma tendência linear em aclive indicando que as cotas máximas de nível de reservatório tendem a aumentar com o decorrer do tempo. A Figura 3b apresenta o segundo ajuste exponencial com R² de valor de 0,123 com uma tendência linear em aclive, indicando que as cotas máximas de nível de reservatório tendem a aumentar com o decorrer do tempo. O terceiro ajuste com um polinômio de 2do grau está representado na Figura 3c e possui um R² de valor de 0,219. Um quarto ajuste com um polinômio de 3ro grau está refletido na Figura 3d com um R² com valor de 0,248. Um quinto ajuste Figura 3e foi realizado com um polinômio de quarto grau com R² com valor de 0,25. O sexto ajuste atingiu-se com um polinômio de 6to grau, segundo a Figura 3f, com um R² de 0,369. O sétimo ajuste da Figura 3g foi com um polinômio de 8vo grau com um R² de 0,687. O último ajuste o oitavo Figura 3h foi utilizando um polinômio de décimo grau obtendo um R² de 0,677.
Figura 3: Ajuste de dados de cota máxima de nível de reservatório em metros para 372 semanas. A identificação dos ajustes está indicado em cada figura.
Em relação à Figura 4 tem-se o ajuste da média móvel anterior de 10 períodos.
Figura 4: Ajuste de dados de Nível de Reservatório (NR) em metros para 372 semanas. A identificação dos ajustes está indicado em cada figura.
4 Discussão
Infere-se que os dados de validação de 22 semanas da Figura 2b não foram representados pelos resultados de ajustes. As figuras: Figura 3a até a Figura 3f, incluso a Figura 4 tendem a crescer. Já as figuras: Figura 3g e Figura 3h, tendem para baixo sem representar os dados de validação. Os dados de validação têm uma tendência horizontal como visto na Figura 2b. Contudo, como apreciado na Figura 4, essa figura reflete quatro períodos não bem definidos, mas representativos. A primeira nomeada por 1 começa em 6 semanas, A segunda (2) está a 102 semanas. A terceira (3) em 216 semanas e a quarta (4) em 306 semanas. Isto é, pode se esperar que o próximo período aconteça nas próximas 100 semanas (2 anos). Dessa maneira, os pontos para validação devem ser da ordem de 200, ou seja, precisará de uma coleta de dados de aproximadamente 4 anos para conferir esta dedução. Então a sazonalidade apresentada não é anual senão bienal.
Destaca-se que o fato de sazonalidade ser bienal motiva a contínua cota máxima do nível de reservatório por longos períodos. Assim, ter cotas máximas ao longo de dois anos representa à abundância de chuva durante um ano e nesse caso afetar a existência de enchentes nessas épocas.
Da Figura 3h com maior valor de R² infere-se que não consegue identificar o período 3. As outras figuras, Figura 3a até Figura 3g, deduz-se que não são representativas do fenômeno, pois observa-se que o fenômeno não é linear senão que existe sazonalidade.
O ponto 5 que corresponde a data de 14 de agosto de 2020 não indica um outlier, sendo que não se repete ao longo da coleta de dados indicando que pode ser uma medição errada (tempo da pandemia mundial), considerando que o nível máximo atingido em todas as medições não supera os 61 metros de nível de reservatório [3]. Sendo assim, a hipótese 1 parece indicar que não existe outlier como representatividade de enchentes.
A hipótese 2 encontra uma resposta sobre a forma de sazonalidade, mas a indicação de outliers nos níveis de reservatório como eventos extremos não é bem definida. No entanto, devido à falta de sazonalidade anual infere-se que o nível de reservatório sempre no máximo no ano sem sazonalidade pode-se considerar um tipo de outlier que identifica um evento de enchente.
5 Conclusão
Nesses sete anos de observações conclui-se que a tendência é de aumentar a cota máxima de néveis da água no reservatório.
A tendência é de cheia de reservatório tanto nos dados observados de 372 semanas e as 22 semanas de dados de verificação, tendo que deixar abertas as comportas da barragem e para tanto podendo contribuir às enchentes na cidade.
O ajuste polinomial e a média móvel sugerem que existir à sazonalidade, no entanto, os resultados ficaram sensíveis quando foram validados, o que conclui a necessidade de maior coleta de dados para validação.
Precisa-se neste trabalho continuar com a obtenção de dados para obter maior compreenssão do sistema complexo considerado.
Referências
[1] FERREIRA, L. G. C.; KEMENES, A. A Influência dos Eventos Climáticos Extremos sobre Reservatórios do Nordeste. Revista Brasileira de Climatologia, v. 25, ano 15, dez. 2019, p. 182203.
[2] GOOGLE MAPS. https://www.google.com.br/maps/place/Barragem+de+Ipitanga,+Salvador+-+BA/@-12.8610202,-38.4185684,11966m/data=!3m2!1e3!4b1!4m5!3m4!1s0x71614176b033811:0xe99e4bcb67603089!8m2!3d-12.8611919!4d-38.388965. Acesso em 30 de setembro de 2023 G.
[3] INEMA. Instituto do Meio Ambiente e Recursos Hídricos, INEMA. http://www.inema.ba.gov.br/gestao-2/ barragensreservatorios/informativo-semanal-de-monitoramento-das-barragens/
[4] KABACOFF, R. L. R in Action, Second Edition, Data analysis and graphics with R. Manning Publications Co, printed in black & white, 608 pages, 2015.
[5] Kim, D.; Oh, H. EMD: A Package for Empirical Mode Decomposition and Hilbert Spectrum. In: The R Journal, Vol. 1/1, 2009.
[6] KROPP, J. P.; SCHELLNHUBER, H. J. In extremis, disruptive events and trends in climate and Hydrology. Springer Heidelberg Dordrecht London New York, 2011.
[7] LUZ, C. N. Uso e ocupação do solo e os impactos na qualidade dos recursos hídricos superficiais da bacia do rio Ipitanga. Dissertação (Mestrado em Engenharia Ambiental Urbana) – Universidade Federal da Bahia, Salvador, 130 páginas, 2009.
[8] MISHRA, V. et al. The Kerala flood of 2018: combined impact of extreme rainfall and reservoir storage. In: Hydrol. Earth Syst. Sci. Discuss, 2018.
[9] NOOR, N. F. M. et al. A Study of Relationship between Rainfall and Tirmah Tasoh Reservoir Water Level using Regression Analysis. AIP Conference Proceedings, v.1605, p. 1019-1021, 2014.
[10] OLIVEIRA, C. N. Indicadores De Sustentabilidade Hídrica Como Apoio No Enquadramento De Corpos D’água Em Zonas De Recarga – Bacia Do Recôncavo Norte E Inhambupe, Bahia. Dissertação (Mestrado) — Universidade Federal da Bahia, 2023. Disponível em: https://repositorio.ufba.br/ bitstream/¿. Acesso em: 01 out. 2024.
[11] ZHAO, N. et al. The Coupling Effect of Rainfall and Reservoir Water Level Decline on the Baijiabao Landslide in the Three Gorges Reservoir Area, China. Geofluids, v. 2017, p. 1-12, 2017.
[12] SANTOS, C. F. et al. Indústria das enchentes: Impasses e desafios dos desastres socioambientais no Vale do Itajaí. Revista Geosul, Florianópolis, v. 29, n. 57, jan./jun. 2014, p 197-216.
[13] TAYLOR, S.; LETHAM, B. Forecasting at Scale. The American Statistician, v. 72, n. 1, p. 37-45, 2018.
1Instituto Federal da Bahia, campus Simoões Filho
domingostalin@ifba.edu.com