Você está na página 1de 16

ESTIMATIVA DE VAZÕES MÁXIMAS EM SUB-BACIA NA CIDADE

DE CAMPO BOM-RS

MAXIMUM FLOOD DISCHARGE ESTIMATE IN A SUBWATERSHED


IN CAMPO BOM-RS

Alex Kipper

RESUMO:

O presente trabalho propõe a estimativa de vazões máximas baseadas em modelos estatísticos


de regressão linear e regressão de potência a 2 e 3 parâmetros. As vazões foram estimadas
através da relação dos modelos de regressão com diferentes alternativas de vazões para
referência observada ao longo de uma série de 20 anos de dados, de 1986 a 2005. A proposta do
trabalho se deve ao fato da sub-bacia em questão, na cidade de Campo Bom-RS dispor de uma
série longa de dados de vazão porém dados pluviométricos representativos escassos. Para
avaliação dos modelos de regressão foi utilizado o Coeficiente de Nash-Stucliffe, e os melhores
ajustes foram apresentados pelos modelos de regressão de potência a 3 parâmetros, sendo as
melhores relações para vazões de referência as que consideravam vazões máximas observadas a
7 e 15 dias anteriores à vazão máxima mensal.

Palavras-chave: Vazões máximas. Regressão linear. Regressão de potência. Modelos


estatísticos.

ABSTRACT:

The present research proposes the maximum flood discharge estimate based on linear regression
model, and 2 and 3 parameters exponential models. The maximum flood discharge was estimated
by the relation of the regression models with different flood discharges observe over the 20 years
data serie, taken as reference. The data serie ranges from 1986 to 2005. The study’s proposal is
attributed to the fact that the subwatershed studied, located in Campo Bom-RS has a long data
serie for measured flood discharge, but has lack of representative rainfall data. The Nash-Stucliffe
coefficient was used to evaluate the regression models, and the better adjusts was given by the 3
parameter exponential models, with the better relations having the maximum 7 and 15 days before
flood discharge as reference, for the maximum monthly flood discharge estimate.

Keywords: Maximum flood discharge.Linear regression. Exponential regression.Statistical models.

________________________
¹Engenheiro Civil, autor; aluno do Programa de Pós-Graduação em Engenharia Civil, nível
Mestrado, área de Recursos Hídricos e Saneamento Ambiental, Universidade Federal de Santa
Maria – Santa Maria – RS
alexkipper23@gmail.com
1

1 INTRODUÇÃO:

A bacia hidrográfica, unidade de gestão dos recursos hídricos, é definida


por Tucci (1993, p.20) como uma área de captação natural da água da
precipitação, que faz convergir os escoamentos para um único ponto de saída,
seu exutório. Com o processo de urbanização, porém temos uma conversão de
áreas rurais na bacia em urbanas, e de acordo com Soil Conservation Service
(1986, p.1) essa conversão causa problemas para o solo e a água, como aumento
da erosão e da descarga e do volume do escoamento em eventos de chuva na
bacia e consequentemente eventos de enchentes.

Uma maneira de mitigação dos problemas causadas por enchentes é o


controle das vazões máximas por meio de previsão. Segundo Tucci (1993) apud
Ferreira et al (2015) as previsões das vazões máximas podem ser de curto prazo,
que permite o acompanhamento contínuo do parâmetro hidrológico monitorado
(por exemplo, cota ou vazão) sendo conformada por uma rede de captação,
transmissão e processamento dos dados, ou de longo prazo, que por sua vez,
consiste na obtenção de valores de vazões máximas com base em séries
históricas. Ainda segundo o autor, dentre as abordagens mais usualmente
empregadas para previsão de longo prazo está a análise probabilística, por meio
da qual distribuições de probabilidade são ajustados às de séries históricas de
vazões máximas anuais
O presente trabalho busca uma alternativa para previsão de vazões
máximas mensais, baseada apenas em modelos de análise estatística dos dados
de vazão disponíveis, visto que a região de estudo não dispõe de um banco de
dados pluviométricos adequados e sofre anualmente problemas com inundações
nos meses mais chuvosos, problemas que poderiam ser minimizados tendo-se
um controle maior sobre a previsão das vazões de cheia
2

2 MATERIAIS E MÉTODOS:

2.1 ÁREA DE ESTUDO:

Os dados fluviométricos necessários ao estudo foram obtidos da estação


Campo Bom, pelo site oficial da ANA, pelo programa Hidroweb. A estação se
localiza em uma sub-bacia do Rio dos Sinos, principal rio da região do Vale dos
Sinos, e conta com uma área de aproximadamente 2864 km². A figura 1
apresenta um detalhamento do local escolhido para o estudo.
A série de dados de vazão utilizada é de vinte anos, entre janeiro de 1986
e dezembro de 2005.

2.2 METODOLOGIA:

A metodologia desenvolvida neste trabalho busca uma estimativa das


vazões máximas mensais a partir da correlação com outras vazões já medidas
tomadas como referência, para relação com modelos de regressão linear e de
regressão de potência a dois e três parâmetros. Um trabalho semelhante foi
desenvolvido por Moraes (2016), segundo a autora os principais estudos sobre
geração de vazão se concentram em regiões de clima temperado, como na região
de estudo escolhida, e por essa razão, pesquisadores brasileiros vêm
desenvolvendo métodos de estudo focados e diferenciados entre grandes e
pequenas bacias hidrográficas, acreditando que a representação do meio natural
deva ser estudada localmente. Ainda de acordo com Moraes (2016) dados de
vazão são utilizados no gerenciamento de recursos hídricos, englobando uma
série de atividades urbanas e rurais, em cálculos de projetos hidráulicos,
aproveitamento hidroenergético, controle de calamidades como enchentes e
estiagens.
As equações 1,2 e 3 indicam os modelos de regressão linear e de potência
a dois e três parâmetros, respectivamente, aplicados no estudo:
(1) 𝑄𝑒 = 𝑦𝑜 + 𝑎𝑄𝑒
3

Figura 1 – Caracterização da área de estudo


4

(2) 𝑄𝑒 = 𝑎𝑄𝑥𝑏
(3) 𝑄𝑒 = 𝑦𝑜 + 𝑎𝑄𝑥𝑏
Onde:

𝑄𝑒 = vazão estimada em função de 𝑄𝑥 em m³/s;

𝑄𝑥 = vazão observada em m³/s;

𝑎, 𝑏, 𝑦0 = parâmetros dos modelos de regressão.

As análises de correlação foram feitas apenas para os meses de vazões


máximas mais críticas, e foram consideradas inicialmente as seguintes vazões
como vazão de referência:

 Vazão máxima do mês no ano anterior (𝑄𝑚á𝑥𝑎𝑎 );


 Vazão máxima do mês anterior (𝑄𝑚á𝑥𝑚𝑎 );
 Vazão máxima nos últimos 7 dias (𝑄𝑚á𝑥7);
 Vazão máxima nos últimos 15 dias (𝑄𝑚á𝑥15);
 Vazão máxima nos últimos 30 dias (𝑄𝑚á𝑥30);
 Vazão média do mês no ano anterior (𝑄𝑚𝑒𝑑𝑎𝑎 );
 Vazão média do mês anterior (𝑄𝑚𝑒𝑑𝑚𝑎 );
 Vazão média nos últimos 7 dias (𝑄𝑚𝑒𝑑7 );
 Vazão média nos últimos 15 dias (𝑄𝑚𝑒𝑑15 );
 Vazão média nos últimos 30 dias (𝑄𝑚𝑒𝑑15 ).

Para determinação da correlação entre as variáveis analisadas e as vazões


máximas a serem estimadas foi utilizado o Coeficiente de Correlação Linear de
Pearson ‘𝑟’, determinado a partir do programa Microsoft ® Excel ® 2010 .De acordo
com Naghettini e Pinto (2007) o Coeficiente de Correlação Linear de Pearson
adimensional e varia entre -1 e +1, e Caso os dados se alinhem perfeitamente ao
longo de uma reta com declividade positiva teremos a correlação linear positiva
perfeita com o coeficiente de Pearson igual a 1, já a correlação linear negativa
perfeita ocorre quando os dados se alinham perfeitamente ao longo de uma reta
com declividade negativa e o coeficiente de correlação de Pearson é igual a -1.
Valores altos para o coeficiente ‘𝑟’ indicam uma tendência forte de variação
conjunta das variáveis analisadas.
5

As variáveis de maior correlação foram então submetidas aos modelos de


regressão para determinação dos parâmetros de cada equação, os parâmetros
foram determinados também pelo programa Microsoft ® Excel ® 2010 com a
utilização do suplemento Solver, considerando um valor mínimo para a função
objetivo, quadrática, com a seguinte fórmula:

(4) 𝐹1 = ∑𝑁
𝑖=1(𝑄𝑂𝑖 − 𝑄𝐶𝑖 )²

Sendo 𝑄𝑂𝑖 as vazões observadas, e 𝑄𝐶𝑖 as vazões simuladas pelo modelo.


De acordo com Tucci (1998) essa função da um peso maior para as vazões
maiores, como desejado no estudo.
O último passo foi a determinação do Coeficiente de Nash Stucliffe, dado
pela seguinte equação:
∑𝑁 (𝑄𝑜𝑏𝑠 −𝑄𝑒𝑠𝑡 )²
𝑖 𝑖
(5) 𝐶𝑁𝑆 = 1 − ∑𝑖=1
𝑁 (𝑄𝑜𝑏𝑠 −𝑄𝑒𝑠𝑡
̅̅̅̅̅̅̅̅)²
𝑖=1 𝑖 𝑖

Onde:

𝑄𝑒𝑠𝑡 = vazão estimada em m³/s;

𝑄𝑜𝑏𝑠 = vazão observada na série em m³/s;

̅̅̅̅̅̅
𝑄𝑜𝑏𝑠 = vazão observada média em m³/s;

𝐶𝑁𝑆 = Coeficiente de Nash-Stucliffe.

De acordo com Moraes (2016) o coeficiente de Nash-Sutcliffe é uma


estatística normalizada que determina a magnitude relativa da variância residual,
em comparação com a variação dos dados medidos ou observados. Na pesquisa
a autora também traz classificação de eficiência dos modelos proposta por
Gotschalk & Motoviloc (2000), a qual considera o valor de 𝐶𝑁𝑆 = 1 como ajuste
perfeito do modelo; 𝐶𝑁𝑆 > 0,75 como ajuste bom/adequado; e 0,36 < 𝐶𝑁𝑆 < 0,75
como ajustes aceitáveis. Os mesmos valores foram considerados no presente
trabalho.
6

3 RESULTADOS E DISCUSSÃO:

Num primeiro momento, foram analisadas as vazões máximas de cada


mês no período de 20 anos contidos na série, e a fazendo uma média das
mesmas, apresentadas na tabela 1.

Tabela 1 – Valores das vazões máximas mensais e vazões máximas médias mensais ao longo da
série
MÊS
ANO
jan fev mar abr mai jun jul ago set out nov dez

1986 16.00 11.03 58.30 205.90 195.60 265.00 231.00 250.00 126.80 287.20 358.00 386.00

1987 291.40 84.65 38.74 100.60 158.00 223.00 253.00 519.20 285.10 202.00 187.50 176.80

1988 161.20 283.00 44.75 74.72 78.12 277.60 125.60 32.12 492.20 352.60 118.50 35.74

1989 56.90 68.00 52.25 160.40 368.50 167.20 314.80 109.40 229.00 156.40 137.60 40.50

1990 114.60 98.60 88.15 289.30 299.80 445.40 163.30 42.25 372.00 602.20 176.20 84.30

1991 36.70 25.70 30.92 54.00 24.60 126.80 142.40 175.00 56.00 68.20 59.10 244.00

1992 287.20 256.00 101.40 168.50 203.30 196.40 339.10 212.40 283.00 196.40 159.60 23.06

1993 100.60 227.00 114.20 98.60 120.50 274.00 595.60 45.88 114.20 157.20 154.80 97.40

1994 121.00 275.80 197.20 121.50 344.50 301.90 247.00 295.60 109.00 244.00 104.20 102.60

1995 84.65 91.86 125.60 108.20 38.11 198.80 530.00 289.30 92.24 194.80 31.40 101.80

1996 209.80 257.50 110.20 92.24 21.30 268.60 299.80 152.00 209.80 295.60 182.30 113.80

1997 47.89 99.80 102.60 23.28 19.15 121.50 372.00 535.90 199.60 270.40 203.30 312.10

1998 274.00 260.50 163.30 70.50 251.50 161.20 263.50 333.70 297.70 95.00 41.25 39.37

1999 23.50 33.56 44.50 211.10 136.00 207.20 235.00 200.40 91.86 199.60 238.00 43.75

2000 41.25 161.20 188.80 107.80 49.75 122.60 235.00 159.60 304.00 393.00 94.20 112.60

2001 262.00 219.00 141.60 481.40 440.30 115.80 589.00 97.40 152.00 450.50 97.00 110.60

2002 60.78 65.32 68.20 98.20 178.00 589.00 250.00 221.00 194.00 301.90 250.00 372.00

2003 111.40 320.20 120.00 47.43 58.30 250.00 355.30 57.98 82.90 175.60 158.00 201.20

2004 34.14 72.68 23.06 21.30 208.50 54.25 179.80 88.85 176.20 132.80 314.80 38.32

2005 23.28 18.10 34.48 110.60 194.80 71.10 160.40 227.00 725.00 339.10 104.60 23.06

Qmm* 117.91 146.48 92.41 132.28 169.43 221.87 294.08 202.25 229.63 255.73 158.52 132.95

Qmáx** 291.40 320.20 197.20 481.40 440.30 589.00 595.60 535.90 725.00 602.20 358.00 386.00
*Média das vazões máximas mensais ao longo da série em m³/s
**Vazão máxima para o mês ao longo de toda série em m³/s
7

A partir dos resultados apresentados na tabela 1, decidiu-se fazer a análise


de correlação para os meses de junho, julho, agosto, setembro e outubro, por
apresentarem os valores mais críticos de vazões máximas. A tabela 2 apresenta
os resultados do Coeficiente de Correlação Linear de Pearson ‘𝑟’ para o mês de
agosto:

Tabela 2 – Coeficiente de Correlação Linear de Pearson (𝑟) para das vazões de referência para o
mês de agosto
Agosto

Referência Coeficiente r
Qmáxaa 0.06
Qmáxma - 0.00
Qmáx7 0.82
Qmáx15 0.56
Qmáx30 0.42
Qmedaa - 0.02
Qmedma 0.03
Qmed7 0.68
Qmed15 0.61
Qmed30 0.33

A partir da análise da tabela 2, concluiu que o as vazões de referência de


maior relação com as vazões máximas mensais seriam as relativas aos 7 e 15
dias anteriores, como já esperado, então partiu-se para análise do Coeficiente de
Correlação Linear de Pearson para as vazões 𝑄𝑚á𝑥7, 𝑄𝑚á𝑥15, 𝑄𝑚𝑒𝑑7 e 𝑄𝑚𝑒𝑑15 para
os meses de junho, julho, agosto, setembro e outubro. O resultado está
apresentado na tabela 3.

Tabela 3 – Coeficiente de Correlação Linear de Pearson (𝑟) para das vazões de referência para os
meses de junho, julho, agosto, setembro e outubro
Coeficiente r
Referência
Junho Julho Agosto Setembro Outubro
Qmáx7 0.99 0.82 0.82 0.99 0.94
Qmáx15 0.99 0.82 0.56 0.99 0.94
Qmed7 0.86 0.41 0.68 0.81 0.74
Qmed15 0.69 0.29 0.61 0.74 0.62
8

Da tabela 3 percebe-se uma correlação boa para a 𝑄𝑚á𝑥7 em todos os


meses, e 𝑄𝑚á𝑥15 para todos com exceção de agosto. A vazão 𝑄𝑚𝑒𝑑7 apresentou
uma correlação boa apenas para os meses de junho e setembro, e 𝑄𝑚𝑒𝑑15 para
nenhum mês, ainda podemos ver pela tabela que o mês com relações mais fracas
para as vazões de referência é o mês de julho. Conclui-se por fim uma correlação
maior para às vazões máximas que médias, e para vazões de relacionadas ao
período de 7 dias que de 15 dias, como esperado.

Os modelos de regressão linear e de potência a 2 e 3 parâmetros foram


aplicados às vazões de referência 𝑄𝑚á𝑥7, 𝑄𝑚á𝑥15, 𝑄𝑚𝑒𝑑7 e 𝑄𝑚𝑒𝑑15 , chegando nos
resultados apresentados nas tabelas de 4 a 8 abaixo:

Tabela 4 – Coeficiente de Nash-Stucliffe e dos parâmetros a, b e yo para o mês de junho


Junho

Vazão de
Modelo a b yo CNS
Referência

Regressão Linear 1.06 NA 5.68 0.9877


Qmáx7 Regressão de Potência 2 parâmetros 1.17 0.99 NA 0.9873
Regressão de Potência 3 parâmetros 0.73 1.06 17.96 0.9881
Regressão Linear 1.04 NA 5.00 0.9816
Qmáx15
Regressão de Potência 2 parâmetros 1.11 0.99 NA 0.9813
Regressão de Potência 3 parâmetros 1.11 0.99 - 0.9813
Regressão Linear 1.62 NA 33.43 0.8516
Qméd7 Regressão de Potência 2 parâmetros 3.50 0.87 NA 0.8486
Regressão de Potência 3 parâmetros 3.50 0.87 - 0.8486
Regressão Linear 1.61 NA 69.67 0.7491
Qméd15 Regressão de Potência 2 parâmetros 11.01 0.67 NA 0.7564
Regressão de Potência 3 parâmetros 11.01 0.67 - 0.7564

Tabela 5 – Coeficiente de Nash-Stucliffe e dos parâmetros a, b e yo para o mês de julho


Julho

Vazão de
Modelo a b yo CNS
Referência

Regressão Linear 0.92 NA 25.26 0.6672


Qmáx7 Regressão de Potência 2 parâmetros 1.28 0.96 NA 0.6634
Regressão de Potência 3 parâmetros 0.00 1.99 155.86 0.6893
Regressão Linear 0.92 NA 25.26 0.6672
Qmáx15
Regressão de Potência 2 parâmetros 1.28 0.96 NA 0.6634
9

Regressão de Potência 3 parâmetros 0.00 1.99 - 0.6893


Regressão Linear 0.77 NA 165.68 0.5601
Qméd7 Regressão de Potência 2 parâmetros 33.92 0.43 NA 0.5748
Regressão de Potência 3 parâmetros 33.92 0.43 - 0.5748
Regressão Linear 0.89 NA 186.66 0.6563
Qméd15 Regressão de Potência 2 parâmetros 47.05 0.39 NA 0.6672
Regressão de Potência 3 parâmetros 47.05 0.39 - 0.6672

Tabela 6 – Coeficiente de Nash-Stucliffe e dos parâmetros a, b e yo para o mês de agosto


Agosto

Vazão de
Modelo a b yo CNS
Referência

Regressão Linear 1.07 NA 4.68 0.9212


Qmáx7 Regressão de Potência 2 parâmetros 1.09 1.00 NA 0.9208
Regressão de Potência 3 parâmetros 0.86 1.04 7.48 0.9219
Regressão Linear 0.86 NA 26.23 0.7516
Qmáx15
Regressão de Potência 2 parâmetros 2.36 0.84 NA 0.7602
Regressão de Potência 3 parâmetros 2.36 0.84 - 0.7602
Regressão Linear 1.64 NA 28.51 0.7645
Qméd7 Regressão de Potência 2 parâmetros 4.43 0.83 NA 0.7684
Regressão de Potência 3 parâmetros 4.43 0.83 - 0.7684
Regressão Linear 1.39 NA 55.16 0.7600
Qméd15 Regressão de Potência 2 parâmetros 7.54 0.72 NA 0.7786
Regressão de Potência 3 parâmetros 7.54 0.72 - 0.7786

Tabela 7 – Coeficiente de Nash-Stucliffe e dos parâmetros a, b e yo para o mês de setembro


Setembro

Vazão de
Modelo a b yo CNS
Referência

Regressão Linear 1.15 NA - 0.9733


Qmáx7 Regressão de Potência 2 parâmetros 0.58 1.12 NA 0.9826
Regressão de Potência 3 parâmetros 0.19 1.29 38.08 0.9868
Regressão Linear 1.13 NA - 0.9764
Qmáx15
Regressão de Potência 2 parâmetros 0.63 1.10 NA 0.9834
Regressão de Potência 3 parâmetros 0.16 1.31 - 0.9886
Regressão Linear 1.94 NA 7.00 0.7783
Qméd7 Regressão de Potência 2 parâmetros 2.51 0.95 NA 0.7787
Regressão de Potência 3 parâmetros 2.51 0.95 - 0.7787
Regressão Linear 1.84 NA 50.61 0.7319
Qméd15 Regressão de Potência 2 parâmetros 7.65 0.75 NA 0.7450
Regressão de Potência 3 parâmetros 7.65 0.75 - 0.7450
10

Tabela 8 – Coeficiente de Nash-Stucliffe e dos parâmetros a, b e yo para o mês de outubro


Outubro

Vazão de
Modelo a b yo CNS
Referência

Regressão Linear 0.90 NA 30.11 0.8799


Qmáx7 Regressão de Potência 2 parâmetros 1.93 0.89 NA 0.8786
Regressão de Potência 3 parâmetros 0.83 1.01 32.55 0.8799
Regressão Linear 0.90 NA 29.92 0.8800
Qmáx15
Regressão de Potência 2 parâmetros 1.91 0.89 NA 0.8787
Regressão de Potência 3 parâmetros 0.81 1.02 - 0.8800
Regressão Linear 1.05 NA 85.93 0.7087
Qméd7 Regressão de Potência 2 parâmetros 10.94 0.63 NA 0.7305
Regressão de Potência 3 parâmetros 10.94 0.63 - 0.7305
Regressão Linear 1.11 NA 112.42 0.6940
Qméd15 Regressão de Potência 2 parâmetros 18.35 0.55 NA 0.7247
Regressão de Potência 3 parâmetros 18.35 0.55 - 0.7247

O mês de junho apresentou um ajuste considerado bom para todos os


modelos propostos, com exceção do modelo de regressão linear relativo à 𝑄𝑚𝑒𝑑15 .
O mês de julho foi o mês com os piores ajustes, não apresentando nenhum ajuste
bom, apenas adequados. Para o mês de agosto foram obtidos ajustes muito bons
para a vazão 𝑄𝑚á𝑥7, mas o valor do Coeficiente de Nash-Stucliffe diminuiu
bastante em relação às outras vazões de referência, mantendo-se, porém, com
um ajuste ainda considerado bom. Em setembro ajustes muito bons foram
encontrados para os modelos relativos às vazões de referência 𝑄𝑚á𝑥7 e 𝑄𝑚á𝑥15, já
em relação às vazões médias, temos uma queda muito grande, porém mantendo-
se bons os ajustes das em relação à 𝑄𝑚é𝑑7 , caindo para adequados apenas os
relativos às vazões 𝑄𝑚é𝑑15 , situação semelhante aconteceu para o mês de
outubro, porém nesse caso, mesmo o ajuste relativo às vazões 𝑄𝑚é𝑑7 dias já
decaiu para o conceito de adequado. No mês de agosto, porém, os anos de 1993
e 2001 foram desconsiderados no procedimento de determinação dos
parâmetros, por apresentarem valores atípicos, tidos como outliers.

De um modo geral o modelo de regressão de melhor desempenho é o da


potência a 3 parâmetros, seguido do de potência a 2 parâmetros sendo o linear
de desempenho inferior. Vale ressaltar que em muitos casos o coeficiente 𝑦0 no
modelo de regressão de potência a 3 parâmetros teve valor nulo, ficando o
11

modelo igual ao modelo de regressão de potência a 2 parâmetros. Já a escolha


das vazões de referência exerce uma influência muito maior na aplicabilidade do
modelo, tendo sempre um melhor desempenho os modelos relativos às vazões
𝑄𝑚á𝑥7, seguidos por 𝑄𝑚á𝑥15, 𝑄𝑚é𝑑7 e 𝑄𝑚é𝑑15 . Os gráficos das figuras de 2 a 6
apresentam uma relação entre as vazões estimadas e observadas para os
modelos de regressão de potência a 3 parâmetros relativos às vazões 𝑄𝑚á𝑥7.

Vazão Observada e Vazão Estimada para o mês de junho


700

600

500
Vazão (m³/s)

400

300

200

100

0
1986 1988 1990 1992 1994 1996 1998 2000 2002 2004
Ano

Vazão Observada Vazão Estimada

Figura 2 – Gráfico de vazões para o mês de junho

Vazão Observada e Vazão Estimada para o mês de Julho


700

600

500
Vazão (m³/s)

400

300

200

100

0
1986 1988 1990 1992 1994 1996 1998 2000 2002 2004
Ano

Vazão Observada Vazão Estimada

Figura 3 – Gráfico de vazões para o mês de julho


12

Vazão Observada e Vazão Estimada para o mês de agosto


600
500
400
Vazão (m³/s)

300
200
100
0
1986 1988 1990 1992 1994 1996 1998 2000 2002 2004
Ano

Vazão Observada Vazão Estimada

Figura 4 – Gráfico de vazões para o mês de agosto

Vazão Observada e Vazão Estimada para o mês de setembro


800
700
600
Vazão (m³/s)

500
400
300
200
100
0
1986 1988 1990 1992 1994 1996 1998 2000 2002 2004
Ano

Vazão Observada Vazão Estimada

Figura 5 – Gráfico de vazões para o mês de setembro


13

Vazão Observada e Vazão Estimada para o mês de outubro


700

600

500
Vazão (m³/s)

400

300

200

100

0
1986 1988 1990 1992 1994 1996 1998 2000 2002 2004
Ano

Vazão Observada Vazão Estimada

Figura 6 – Gráfico de vazões para o mês de outubro

A análise gráfica deixa bem claro que a proposta do trabalho para previsão
de vazões máximas varia muito em relação a cada mês, podendo apresentar
excelentes ajustes como no mês de junho, e valores totalmente não confiáveis
como no mês seguinte, de julho.

4 CONCLUSÕES:

O presente trabalho propôs uma metodologia para estimativa de vazões


máximas baseada na de análise de regressão, para bacias que carecem de
dados necessários à uma modelagem mais confiável. De acordo com os
resultados apresentados ao longo do processo chegou-se às seguintes
conclusões:

 O período mais crítico para cheias na bacia em questão ocorre entre


os meses de junho e outubro;
 As vazões máximas tomadas como referência apresentam maior
confiabilidade que as vazões médias para determinação das vazões
14

máximas subsequentes, e quanto menor o período de dias a ser


considerado, maior a confiabilidade. Vazões relativas a anos
anteriores são, sejam médias ou máximas, ao mês anterior, ou
mesmo à um período mais longo de dias não servem de referência
estimativa de vazões máximas posteriores;
 O modelo de regressão de potência a 3 parâmetros foi a melhor
alternativa para previsão de vazões máximas dentre os 3 modelos
escolhidos;
 Mesmo a metodologia apresentando ajustes confiáveis para 4 dos
meses analisados, o mês de julho não apresentou um desempenho
satisfatório, sendo o mês de vazões mais irregulares na bacia;
 Na falta de outras alternativas, as equações desenvolvidas no
trabalho podem servir para uma estimativa das vazões máximas a
serem observadas no período crítico de cheias na bacia da estação
Campo Bom, com exceção do mês de julho.

Por fim, conclui-se que o presente trabalho contribuiu para o levantamento


de questões importantes sobre a relação estatística de vazões de cheia na bacia.
Sugerem-se ainda outros estudos semelhantes, para estimativas de vazões
mínimas ou médias, que podem apresentar um ajuste melhor, e relativo à outras
vazões tomadas como referência, ou ainda, o mesmo estudo aplicado à outras
bacias ou à todos os meses da bacia em questão.

5 REFERÊNCIAS BIBLIOGRÁFICAS:

ANA – AGÊNCIA NACIONAL DE


ÁGUAS. http://www.snirh.gov.br/hidroweb/ (consultado em dezembro de 2016)

FERREIRA, M. M.; dos REIS, J. A. T. e MANDONÇA, A. S. F.; Estimativas de


vazões máximas para cursos d’água da Bacia Hidrográfica do Rio
Itapemirim. Revista CIATEC UPF, vol 7(1), p 67-78. 2015.

MICROSOFT CORPORATION. Microsoft Excel. 2010, Versão 14.0.7176.5000


15

MORAES, M. R B.; Modelagem da vazão na Bacia Hidrográfica do Rio


Araguari, em Minas Gerais. 2016, 117 p. Dissertação (Mestrado em Qualidade
Ambiental) – Universidade Federal de Uberlândia, Uberlândia, 2016.

NAGHETINNI, M. e PINTO, E. J. A. Hidrologia Estatística. Belo Horizonte:


CPRM, 2007. 600 p.

SOIL CONSERVATION SERVICE. Urban hidrology from small watersheds.


Nota Técnica-55, Junho, 1986. 117 p.

TUCCI, C. E. M. Modelos Hidrológicos. Porto Alegre: ABRH, 1998. 625 p.

TUCCI, C. E. M. Hidrologia: ciência e aplicação. Porto Alegre: Ed Universidade


UFRGS: ABRH, 1993.

Você também pode gostar