Escolar Documentos
Profissional Documentos
Cultura Documentos
Trabalho de Licenciatura em
1
[Nome completo do autor]
FACULDADE DE CIÊNCIAS
Departamento de Matemática e Informática
Trabalho de Licenciatura em
2
[Nome completo do autor]
Dedicatória
Dedico
E especialmente, à todos aqueles pois, que vivem em locais susceptíveis à ocorrência de cheias
i
Declaração de Honra
Eu, Stélio Francisco Matsinhe, declaro por minha honra que o presente Trabalho de Licenciatura é
resultado da minha investigação e que o processo foi concebido para ser submetido apenas para a
obtenção do grau de Licenciado em Ciências de Informação Geográfica, na faculdade de Ciências da
Universidade Eduardo Mondlane.
__________________________________________
(Stélio Francisco Matsinhe)
ii
Agradecimentos
Agradeço inicialmente ao meu Criador, meu bom Deus pelo dom da vida, pela saúde, pela protecção
e pelas bençãos que tem sempre me concedido. Palavras são insuficientes para expressão a minha
imensa e total gratidão ao SENHOR, meu DEUS. Muitíssimo Obrigado por tudo Pai Santo.
Em segundo quero endereçar a minha intensa gratidão ao meu supervisor, Mestre Márcio Fernando
Mathe que não mediu esforços e colocou-se em actividade para supervisionar a presente pesquisa
desde o início quando deu-me o tema (25/09/2022) como proposta para o trabalho de conclusão do
curso, enfatizando várias vezes de que tratava-se dum tema de grande envergadura, mesmo assim,
aceitei o desafio e hoje (29/11/2022) o trabalho está finalizado, e, encontro-me a expressar os meus
pensamentos em forma de discurso escrito demonstrado a minha gratidão pela confiança, pela
disponibilidade até nos momentos difíceis da sua vida, pela formação não só científica como também
humana, que Deus possa abençoa-lo sempre. Agradeço ainda ao meu supervisor, como director do
Curso pela oportunidade que me conferiu de viajar e estudar na Suécia (de 31/08/2022 à
09/11/2022), permitido asssim, que realizasse o sonho de estudar fora, na Europa.
Agradeço à todo corpo docente da Universidade Eduardo Mondlane, em particular, do curso de
Licenciatura em Ciências de Informação Geográfica pelo conhecimento transmitido durante a
formação. Lembro-me (em 2019, primeiro ano) quando o Mestre Egídio Cassamo perguntou-me
acerca do porquê de ter escolhido este curso, durante a conversa falou-me das possíveis saídas do
curso, foi o primeiro docente a criar contacto comigo, gratidão. Expresso gratidão, em particular, ao
Mestre Stélio Mabutana pelo contínuo apoio, junto com a Mestre Sandra Sambo pelas aventuras
vividas na Suécia.
Agradeço aos colegas do curso pelo companheirismo. Descando o Jubílio Maússe pela notável
amizade e ao Fortunato Guirrugo pelos eventos e experiências marcantes compartilhados juntos,
desde as constantes caminhadas, noites de estudo até aventuras vividas e compartilhadas na Suécia.
Agradeço à minha mãe Gertrudes Armando Mulhanga e ao meu Francisco Inácio Matsinhe pelo
amor e por sempre acreditarem em mim, aos meus irmãos Francisco Matsinhe Júnior, Luís Matsinhe,
Teresa Francisco Matsinhe (minha pequena flor) e ao meu primo Micas Mácuacua.
Agradeço aos meus amigos, Alexandre Ali e Stélio Cossa pela notável amizade e companheirismo.
Agradeço a Igreja Evangélica do Bom Pastor, particularmente ao Bispo Dr. Magaia pelas orações,
pelo ensinamento da palavra de Deus, pela comunhão e pelo crescimento espiritual.
O meu especial agradecimento vai para a minha super amiga, Caríssima, Jóia Rara, Nádia Vilanculo
pelo companheirimo, suporte e pelas experiências abençoadas compartilhadas juntos.
Finalmente, à todos que directa ou indirectamente fizeram parte do meu desenvolvimento
académico, MUITÍSSIMO OBRIGADO.
iii
Resumo
Espera-se que as mudanças climáticas aumentem tanto a magnitude quanto a frequência de eventos
extremos de precipitação e de temperatura, o que pode levar a inundações mais intensas e frequentes
em elementos expostos. Este estudo visa desenvolver um modelo hidrológico determinístico como
forma a avaliar o impacto da perigosidade das cheias sob cenários emissões de mudança climática na
bacia hidrográfica do Limpopo. O modelo hidrológico desenvolvido (HYPE-Limpopo) foi calibrado
manulamente com base no algorítimo de evapotranspiração Hargreaves-Samani e o algorítimo Priestly-
Taylor e foi validado com base nos coeficientes de eficiência NSE e KGE. Tendo indicado uma boa
concordância na vazão durante a calibração (KGE = 0,715 e NSE = 0,753) e validação (KGE= 0,766 e
NSE = 0,729) do modelo. O modelo HYPE-Limpopo foi usado para simular vazões diárias futuras do
período compreendindo entre 2030 a 2100. O método Gumbel foi usado para retornar as vazões
máximas anuais de períodos de retorno de 2, 10, 25 e 70 anos. O modelo hidráulico, HEC-RAS foi
usado para simular as inundações em cenários climáticos futuros. Cenários climáticos futuros foram
construídos a partir dos resultados corrigidos de viés de três Modelos de Climáticos Regionais (RCMs).
Os resultados mostram que a bacia ficará mais quente e úmida no futuro. Prevê-se que a temperatura
média da bacia aumente no futuro. Da mesma forma, a precipitação média anual também é projetada
para aumentar no futuro, maior no futuro próximo e menor no futuro distante. As simulações das
cheias no modelo hidráulico foram exportadas para o ArcGIS pro e reclassificadas mediante os graus
de perigosidade das cheias (baixa, moderada, alta e muito alta). Após a conversão para o modelo
vectorial, foram sobrespostos com a camada do uso e cobertura do solo. Os impactos foram avaliados
mediante com a comparação das cheias simuladas para o futuro com diferentes períodos de retorno e
das cheias ocorridas no ano de 2000. Espera-se que a intensidade das cheias semelhantes às ocorridas
no ano de 2000 aumentem para os cenários RCP 4.5 (retorno de 50 e 100 anos) e 8.5 (retorno de 25, 50
e 100 anos). Os resultados deste estudo serão úteis para formular estratégias de adaptação para
compensar os impactos negativos das inundações em diferentes actividades de uso da terra na bacia
hidrográfica do Limpopo.
iv
Abreviaturas
DM Distribution Mapping
GD Gamma Distribution
LS Linear Scaling
MK Mann-Kendall
PT Power Transformation
QM Quantile Mapping
v
RCP Vias de Concentração Representativas
VS Variance Scalling
RS Sociedade Real
vi
Índice
Dedicatória ................................................................................................................................................................ i
Abreviaturas ............................................................................................................................................................. v
Lista de Figuras....................................................................................................................................................... xi
Introdução ................................................................................................................................................................ 1
vii
3.2.2. Terminologia de Risco de Cheias .............................................................................................. 12
Material e Metodologia......................................................................................................................................... 26
viii
4.2.2.4. Análise de frequência das vazões extremas .................................................................................. 36
5.3.1.1. Análise do Impacto das mudanças climática no âmbito das futuras cheias ........................ 59
Anexos .................................................................................................................................................................... 73
Anexo 4: Gráficos da análise de frequência das cheias para as estações de entrada de fluxo para o
modelo CNRM-CERFACS-CNRM-CM5 .................................................................................................... 74
Anexo 5: Gráficos da análise de frequência das cheias para as estações de entrada de fluxo para o
modelo MPI-M-MPI-ESM-LR....................................................................................................................... 75
Anexo 6: Gráficos da análise de frequência das cheias para as estações de entrada de fluxo para o
modelo IPSL-IPSL-CM5A-MR...................................................................................................................... 76
Anexo 7: Elementos exposto na bacia do baixo limpopo: Uso e Cobertura do solo ............................ 77
ix
Anexo 8: Quantificação por área da perigosidadde das cheias para em dferentes periodos de retorno
para o modelo CNRM-CERFACS-CNRM-CM5........................................................................................ 78
Anexo 9: Quantificação por área da perigosidadde das cheias para em dferentes periodos de retorno
para o modelo MPI-M-MPI-ESM-LR .......................................................................................................... 80
Anexo 10: Quantificação por área da perigosidadde das cheias para em dferentes periodos de retorno
para o modelo IPSL-IPSL-CM5A-MR ......................................................................................................... 82
x
Lista de Figuras
xi
Figura 21. Gráfico representando o período da calibração (esquerda) e da validação (direita) para a
estação de Beitbridge ............................................................................................................................................ 47
Figura 22. Período de retorno e probabilidade de excedência do modelo CNRM-CERFACS-CNRM-
CM5 RCP 8.5......................................................................................................................................................... 48
Figura 23. Período de retorno e probabilidade de excedência do modelo CNRM-CERFACS-CNRM-
CM5 RCP 4.5......................................................................................................................................................... 48
Figura 24. Período de retorno e probabilidade de excedência das cheias do modelo MPI-M-MPI-ESM-
LR RCP 8.5 ............................................................................................................................................................ 48
Figura 25. Período de retorno e probabilidade de excedência do modelo MPI-M-MPI-ESM-LR RCP
4.5 ............................................................................................................................................................................ 49
Figura 26. Período de retorno e probabilidade de excedência do modelo IPSL-IPSL-CM5A-MR RCP 8..5 ............. 49
Figura 27. Período de retorno e probabilidade de excedência do modelo IPSL-IPSL-CM5A-MR RCP
8.5 ............................................................................................................................................................................ 49
Figura 28. Mapa de perigosidade das cheias do ano de 2000 em diferentes classes de uso e cobertura do
solo. ......................................................................................................................................................................... 52
Figura 29. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo
climático CNRM-CERFACS-CNRM-CM5 RCP 8.5 diferentes periodos de retorno ............................... 53
Figura 30. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo
climático CNRM-CERFACS-CNRM-CM5 RCP 4.5 diferentes periodos de retorno. .............................. 54
Figura 31 Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo
climático MPI-M-MPI-ESM-LR RCP 8.5 diferentes periodos de retorno. ................................................. 55
Figura 32. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo climático MPI-M-
MPI-ESM-LR RCP 4.5 diferentes periodos de retorno. ............................................................................................ 56
Figura 33. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo
climático IPSL-IPSL-CM5A-MR RCP 8.5 diferentes periodos de retorno. ................................................ 57
Figura 34. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo climático IPSL-
IPSL-CM5A-MR RCP 4.5 diferentes periodos de retorno. ....................................................................................... 58
Figura 35. Impacto das cheias na agricultura para dferentes modelos nos cenários RCP 8.5 ................... 59
Figura 36. Impacto das cheias nas áreas urbanas para diferentes modelos nos cenários RCP 8.5 ........... 59
Figura 37. Impacto das cheias na agricultura para diferentes modelos nos cenários RCP 4.5 .................. 60
Figura 38. Impacto das cheias nas áreas urbanas para diferentes modelos nos cenários RCP 4.5 ........... 60
xii
Lista de Tabelas
xiii
1
Introdução
Este capítulo tem como objectivo apresentar ao leitor o contexto da pesquisa, o problema de
investigação, a justificava, a relevância e os objectivos da pesquisa.
1.1. Contextualização
As mudanças climáticas tornaram-se um dos desafios mais significativos do século 21 embora possa
haver incerteza em torno da escala, escopo e ritmo das mudanças climáticas, é certo de que cidades e
vilas em todos os lugares estão expostas a algum nível de impacto provocados pelas mudanças
climáticas (Robi et al., 2019). Nenhuma organização ou governo local pode estar no caminho de longo
prazo para um desenvolvimento mais sustentável e resiliente sem primeiro abordar as mudanças
climáticas (Hanif et al., 2020). Sem levar em consideração os impactos das mudanças climáticas, os
ganhos de desenvolvimento de hoje podem ser eliminados amanhã (Hanif et al., 2020). Com o advento
das mudanças climáticas que tem causado tempestades tropicais e as chuvas cada vez mais intensas e
extremas, a necessidade de estar mais preparado para desastres de cheias também se tornou mais
urgente (Santillan et al., 2016).
Embora ainda haja muita incerteza em atribuir um sinal climático a uma possível tendência em eventos
extremos, os modelos climáticos sugerem que mudança climática pode levar a precipitação mais
frequente e intensa em certas regiões, aumentando assim o risco de cheias (Pasquier et al., 2019). Por
outro lado, tal como o Painel Intergovernamental sobre as Mudanças Climáticas (IPCC) relatou
(Pasquier et al., 2019), há um alto nível de confiança de que o nível do mar continuará a subir ao longo
do próximo século. As cheias são um dos perigos globais mais desastrosos, que vem ocorrendo com
mais frequência nos últimos tempos (Ramachandran et al., 2019). O efeito das mudanças climáticas
devem ser consideradas ao implementar medidas de adaptação às cheias. Futuras mudações na
magnitude global do fluxo, variabilidade e tempo dos principais eventos de fluxo estão entre as
questões hidrológicas notadas significativas (Robi et al., 2019).
Com os avanços na modelação de variáveis hidrológicas (como o fluxo do rio e o balanço hidrico) hoje
em dia, é possível modelar o risco e a perigosidade de cheias usando diferentes parâmetros incluindo
extensão, profundidade, velocidade de fluxo, duração e taxa em que a água sobe (Robi et al., 2019). Nos
últimos poucos anos, vários investigadores têm usado a abordagem de modelação hidrológica e
1
hidráulica para simular cheias em muitas planícies (por exemplo, (Shrestha e Lohpaisankrit, 2017)). Os
impactos das mudanças climáticas na Bacia Hidrográfica do Limpopo ainda não foram estudados em
profundidade, contudo, os estudos existentes analisaram a variabilidade interanual de períodos secos e
húmidos na bacia (Reason et al., 2005), exploraram as relações chuva-vazão nas sub-bacias e analisaram
as consequências de eventos extremos, como secas (Zhu e Ringler, 2012). Portanto, pretende-se com
este estudo desenvolver um modelo hidrológico que possa retornar a vazão registada em determinado
período de tempo futuro para avaliar o perigo das cheias sob cenários de mudanças climáticas em torno
da bacia hidrográfica do Limpopo para diferentes períodos de retorno.
1.3. Justificativa
A bacia hidrográfica do Limpopo transfronteiriça localizada no sudeste da África, com a sua foz no
Oceano Índico (Spaliviero et al., 2014). Os mesmos autores indicam que nas últimas décadas se registou
um aumento demográfico nas secções da bacia do Botswana e África do Sul, na zona do delta e ao
longo do canal principal do rio em Moçambique, bem como nos cursos superiores da bacia no
Zimbábue, permitindo a existência de diversos tipos de usos da terra (campos de cultivo e centros
populacionais, áreas de conservação) muitas vezes em áreas propenso a inundações. A maior densidade
humana nessas áreas aumenta o nível de vulnerabilidade, com aproximadamente 17 milhões de
habitantes, que se projecta a aumentar para aproximadamente 23 milhões de habitantes até 2040
(Copson et al., 2002).
Neste sentido torna-se, portanto, importante propor metodologias científicas que permitam simular e
avaliar os impactos das mudanças climáticas sob cenários emissões na bacia do Limpopo para os
2
períodos futuros. É importante ainda não só para o objetivo de estabelecer uma informação de base
onde os gestores de desastres podem fazer uma referência ao fazer esforços de gestão e recuperação
pré-e pós-desastre, mas também para obter um uma imagem detalhada de como e por que tal
perigosidade de cheia pode ocorrer ou ter ocorrido em diferentes períodos de retorno. Estas avaliações
são vitais para descobrir estratégias que podem minimizar, ou mesmo evitar, os impactos de eventos
semelhantes às cheias que ocorreram no ano de 2000.
1.5. Objectivos
1.5.1. Objectivo Geral
Avaliar o impacto das futuras mudanças climáticas no âmbito das cheias na Bacia Hidrográfica do
Limpopo para diferentes cenários meteorológicos futuros, através de simulações em modelos
hidrológicos e hidráulicos para o período de 2030 a 2100.
3
2
Área de Estudo
2.1.1. Clima
O clima na BRL varia de tropical chuvoso ao longo da planície costeira de Moçambique a savana
tropical seca e deserto tropical seco mais para o interior, ao sul do Zimbábue (Zhu e Ringler, 2012).
Precipitação anual varia entre 250 milímetros (mm) nas áreas quentes e secas do oeste e centro a 1.050
mm no áreas de escarpas orientais de alta pluviosidade. A precipitação é altamente sazonal e distribuída
de forma desigual espacialmente, com cerca de 95% da precipitação ocorrendo entre outubro e abril
(FAO, 2004). Precipitação também varia significativamente de ano para ano (Reason et al., 2005). Estas
características de precipitação limitam a produção agrícola porque a precipitação anual ocorre
principalmente durante uma curta estação chuvosa de verão com altas chuvas interanuais variações.
Inundações e secas são os principais impactos mediados pela água das mudanças climáticas na BRL
(CPWF, 2003). A Tabela 1 também mostra a precipitação média anual e a evapotranspiração potencial
para cada um dos quatro países cobertos pela bacia hidrográficas hidrográfica do Limpopo.
2.1.2. População
A bacia hidrográfica do Limpopo tem uma população de aproximadamente 14 milhões, dividida
igualmente entre áreas rurais (52%) e urbanas (48%), com uma área total de colheita de 2,9 milhões de
hectares, e 91 por cento da área é cultivada sob condições de sequeiro (Zhu e Ringler, 2012).
4
Com o atraso geral no desenvolvimento das infra-estruturas hídricas e o rápido crescimento
populacional, espera-se que o uso da água na Bacia Hidrográfica do Limpopo enfrente uma grave
escassez de água. A escassez de água tornou-se assim um fator limitante para o desenvolvimento
econômico na bacia, assim como em muitas outras bacias localizadas em países em desenvolvimento
com climas áridos, atraso no desenvolvimento de infraestrutura hídrica e populações em rápido
crescimento (CPWF, 2003).
5
3
Revisão de Literatura
Este capítulo contém a análise da literatura, que teve como objectivo nortear o estudo sobre o
Desenvolvimento de um Modelo Determinístico Para Avaliação da Resposta Hidrológica e Hidráulica
da Bacia do Limpopo às Mudanças Climáticas.
De acordo com a Royal Society (2010), as mudanças climáticas podem, portanto, ser iniciadas por
mudanças na energia recebida Sol, mudanças nas quantidades ou características dos gases de efeito
estufa, partículas e nuvens, ou mudanças na refletividade da superfície da Terra. Um clima com força
positiva vai tender a causar um aquecimento, e uma força negativa um arrefecimento. As mudanças
climáticas atuam para restaurar o equilíbrio entre a energia absorvida pelo Sol e a energia infravermelha
emitida para o espaço.
A UNFCC refere que as principais características das mudanças climáticas são aumento da temperatura
média global (aquecimento global); mudanças na cobertura de nuvens e precipitação particularmente
sobre terra; derretimento de calotas de gelo e glaciares e reduzida cobertura de neve; e aumentos nas
temperaturas dos oceanos e oceanos acidez – devido à água do mar absorvendo calor e carbono
dióxido da atmosfera (UNFCCC, 2007).
A UNFCCC (2007) ressalta que as mudanças climáticas terão efeitos abrangentes no meio ambiente, e
em sectores socioeconómicos e afins, incluindo os recursos hídricos, a agricultura e a segurança
alimentar, saúde humana, ecossistemas terrestres e biodiversidade e zonas costeiras. Mudanças no
padrão de precipitação são suscetíveis de levar a graves escassez de água e/ou inundações.
Derretimento de os glaciares podem causar inundações e erosão do solo. Subindo as temperaturas vão
causar mudanças nas estações de cultivo que afeta a segurança alimentar e as alterações na distribuição
6
de vectores de doenças colocando mais pessoas em risco de doenças como malária e dengue. Aumento
da temperatura irá potencialmente severamente aumentar as taxas de extinção para muitos habitats e
espécies (até 30 por cento com um aumento de 2° C em temperatura).
8
ser avaliada antes de serem usados para gerar projeções de baixo escalonamento do clima futuro
(Endris et al., 2013). Independentemente da disponibilidade de um grande número de RCMs no arquivo
CORDEX e dos aprimoramentos contínuos em sua representação de processos, questões de grandes
incertezas em relação ao clima futuro ainda não são evitáveis (Neupane et al., 2021). As incertezas
inerentes, juntamente com outros fatores, como limitações de tempo, disponibilidade de recursos
humanos ou restrições computacionais, tornam imperativo classificar o conjunto mais apropriado de
RCMs para a avaliação dos impactos das mudanças climáticas na região (Khan e Koch, 2018). Portanto,
a avaliação dos RCMs é muito necessária antes de sua utilização no estudo de avaliação de impacto.
Para Soriano et al. (2019), os erros de viés entre modelos climáticos e observações podem ser causados
por uma conceituação imperfeita, discretização e média espacial dentro das células da grade. Os
mesmos autores afirmam que erros de viés geralmente ocorrem em dias muito úmidos com pequenas
intensidades de chuva ou temperaturas extremas. Vieses nas saídas de RCMs podem levar a simulações
hidrológicas irrealistas de fluxos de rios (Bergström et al., 2001). A correção de viés é o processo de
dimensionar os resultados do modelo climático para explicar seus erros sistemáticos, a fim de melhorar
sua adequação às observações. Existem vários métodos de correção de viés (Teutschbein e Seibert,
2010). O Linear Scaling (LS) corrige as projeções com base em erros mensais (Schmidli et al., 2006). A
correção adicional do viés com foco nos dias com precipitação pode ser obtida pela abordagem de Local
Intensity Scaling (LOCI) (Leander et al., 2008). A abordagem de Power Transformation (PT) pode corrigir
vieses na média e variância (Déqué et al., 2007). O Quantile Mapping (QM) pode corrigir a função de
distribuição de uma dada variável geralmente utilizando uma função de distribuição gaussiana ou gama
para melhorar seu ajuste às observações (Teutschbein et al., 2012). A maioria dessas abordagens se
concentra na correção da precipitação e das séries temporais fornecidas pelas projeções climáticas para
melhorar sua adequação às observações, independentemente do comportamento de valor extremo
(Soriano et al., 2019).
Tschöke et al. (2017) · avaliaram dois métodos de correção de viés, o gamma distribution (GD) e o (PT)
para simulação de precipitação, e, eles descobriram que os métodos de GD são mais eficientes na
9
redução do erro de RCMs. Por sua vez, Workuet al. (2020) avaliaram quatro métodos de correção de
viés, como o Distribution Mapping (DM), (LS), Variance Scalling (VS) e PT para ajustar a temperatura e
precipitação dos RCMs com observação e desenvolver cenários climáticos futuros. O estudo
comprovou que o método de correção do DM é mais eficaz no ajuste da frequência de temperatura e
precipitação.
3.2. Cheias
Desastres naturais são divididos em seis grupos de desastres: biológicos, geofísicos, meteorológicos,
hidrológico, climatológico e extraterrestres. Inundações estão no grupo hidrológico (Yang e Liu, 2020).
As inundações encontradas à volta do mundo são diversas e evoluídas tanto em sua natureza quanto no
impacto na sociedade (Binns, 2020).
A bibliografia oferece muitas definições de cheias, mas todas elas convergem para o seguinte resumo:
As cheias podem ser definidas como fenómenos hidrológicos extremos, de frequência variável, naturais
ou induzidos pela acção humana, e que consistem no transbordo de um curso de água relativamente ao
seu leito ordinário ou normal, originando a inundação. Inundações num sentido amplo inclue
transbordamentos de rios, a ascensão de mesas de água, inundações devido à falha das estruturas de
proteção, escoamento de tempestades pesadas e inundações resultantes da conjunção de marés alta
(Sami et al., 2020). Ainda que seja algo que gere alguma discussão no meio académico, as cheias
pressupõem sempre a inundação das margens de um curso de água, independentemente da sua
importância ou dimensão. Logo, pode dizer-se que todas as cheias provocam inundações, mas nem
todas as inundações são causadas por cheias (Ray et al., 2011). Eventualmente ocorrem quando a água
excessiva preenche riachos normalmente secos ou leitos de rio, juntamente com riachos e rios
atualmente fluindo, causando subidas rápidas de água em curto ou longo período de tempo (Ragma,
2017). Uma inundação é definida por diferentes critérios como a sua origem, duração, frequência,
volume e fluxo de pico (ou fluxo máximo). Há interdependência entre a frequência (probabilidade de
ocorrência) e a magnitude (gravidade) deste risco, e as inundações com frequências raras são as mais
grave e catastrófico (Sami et al., 2020). As áreas urbanas propensas têm efeitos mais severos do que no
campo ou nos subúrbios. As superfícies impermeáveis nas áreas urbanas não permitem que a água se
infiltre no solo, e a água corra para os pontos baixos muito rapidamente por causa de alguns estruturas
presentes no local. Portanto, áreas densamente povoadas são com um alto risco (Robi et al., 2019). A
construção de edifícios, autoestradas, entradas, e estacionamentos aumenta o escoamento, reduzindo a
quantidade de chuva absorvida pelo solo que aumenta o potencial de cheias (Ramachandran et al.,
2019).
10
3.2.1. Tipos de Cheias
Uma vez que as cheias podem ser definidas por diveros critérios (Sami et al., 2020), esta revisão de
literatura apresenta duas classificações das cheias, uma é baseada na sua origem, apresenta por Sami et
al. (2020) e outra é baseada na duração, apresentada por Hundecha (2017).
Segundo a classificação apresentada por Sami et al. (2020), distinguem-se as seguintes cheias:
I. Cheias pluviais: As cheias pluviais correm em áreas rurais, quando a taxa de precipitação que
incide sobre uma área excede a taxa de infiltração no solo, e em áreas urbanizadas, quando as
águas de inundação excedem a capacidade dos sistemas de drenagem pluvial construídos. As
cheias pluviais são definidas como inundações que resultam do fluxo superficial gerado pela
chuva e do alagamento antes que o escoamento entre em qualquer curso de água, sistema de
drenagem ou bueiro, ou não possa entrar porque a rede está cheia (Falconer et al., 2009). A
frequência de cheias pluviais causadas por eventos extremos de chuva está levando a um
aumento dos impactos em termos de ameaça à vida e danos (Hurford et al., 2012). A frequência
é possivelmente aumentada ainda mais como resultado das mudanças climáticas (Kaźmierczak e
Cavan, 2011).
II. Cheias fluvias: As cheias fluviais geralmente ocorrem quando uma quantidade excessiva de
chuva excede a capacidade de um rio (Lund, 2012). Em algumas áreas, como a América do
Norte, as inundações fluviais também podem ser causadas por fortes derretimentos de neve e
congestionamentos de gelo (Changnon, 2008).
III. Cheias Costeiras: As cheias costeiras em áreas baixas são geralmente causadas por ondas de
vento e níveis elevados de água (Woodruff et al., 2013). Eles geralmente são gerados por
grandes ondas, tempestades, marés altas e anomalias médias do nível do mar. Em algumas
áreas, como deltas e estuários, a precipitação e o fluxo dos rios também podem contribuir para
inundações costeiras (Woodruff et al., 2013). Muitos estudos previram que, com as mudanças
climáticas, haverá um aumento na intensidade e frequência de ciclones tropicais e aumento do
nível do mar (Heberger et al., 2011). Como resultado, as inundações costeiras de tempestades se
tornarão mais frequentes com o aumento do nível do mar (Dawson et al., 2009). Além disso,
regiões densamente povoadas afetadas por inundações costeiras de ciclones tropicais
experimentaram uma taxa de elevação do nível do mar próxima ou superior à média global
(Woodruff et al., 2013). Espera-se que a população continue a crescer ao longo das áreas
costeiras no futuro. A frequência de inundações costeiras aumentará como resultado do
aumento acelerado do nível do mar e ciclones tropicais frequentes (Heberger et al., 2011).
Infelizmente, a maioria das populações costeiras ainda não está preparada para um aumento na
11
frequência de inundações costeiras extremas ou um aumento significativo do nível do mar
(Woodruff et al., 2013).
Por sua vez, Hundecha (2017) define quatro tipos de cheias, a saber:
I. Cheia de chuva curta: são eventos que resultam de chuvas intensas com duração de algumas
horas. Portanto, a inundação de chuva curta é definida como um evento de inundação causado
por chuva de duração inferior ou igual a um dia.
II. Cheias de chuva longa: são eventos desencadeados pela precipitação com duração de vários
dias. A intensidade pode ser baixa, mas pode gradualmente saturar a captação e pode, em última
análise, resultar em cheias. A cheia de chuva longa é definida como um evento resultante da
precipitação de duração mais de um dia.
III. Cheias de neve:
Ocorrem quando há uma neve acumulada na bacia e a temperatura sobe acima de um ponto de
congelamento. Um evento é considerado como um evento de inundação de neve se a simulação
do modelo produz neve derretimento enquanto há pouca precipitação entre o início da
inundação e o pico de inundação.
IV. Cheias de chuva na neve: Juntamente com a chuva, o derretimento da neve pode resultar em
fugas consideráveis. Um evento é definido como cheia de neve sob chuva se o modelo simular
derretimento de neve e há precipitação caindo como chuva durante o evento.
12
perigo (Sami et al., 2020). O termo "exposição" pode ser definido como a natureza e o grau em que um
receptor (as comunidades urbanas neste estudo) está exposto a perigos ou riscos climáticos
(Kaźmierczak e Cavan, 2011). Os mesmos autores explicam que a exposição, está intimamente
relacionada ao conceito de via de inundação, em que refere-se à localização geográfica de um receptor,
bem como às características do local específico que podem exacerbar ou reduzir a magnitude do
impacto de um perigo. Os principais danos diretos causados pelas de inundação são os danos às
pessoas, edifícios, atividades socioeconômicas e ao meio ambiente. Portanto, o risco é necessariamente
o resultado da intersecção de dois fatores intimamente relacionados: perigo e vulnerabilidade (Sami et
al., 2020). O risco está relacionado a um perigo natural ou antropogênico cujos efeitos previsíveis
envolvem um grande número de pessoas, causam danos significativos e excedem as capacidades de
resposta das autoridades diretamente envolvidas (Uhe et al., 2019).
Por exemplo, as inundações não constituem um risco numa área desabitada, uma vez que nenhum
elemento vulnerável está teoricamente presente em termos de segurança civil (Yang e Liu, 2020). Para
os mesmos autores, caso afete uma área densamente povoada, onde infraestruturas importantes são
estabelecidas, o risco estará presente e pode ser importante.
A definição de risco de inundação pode ser considerada a partir de perspetivas hidrológicas e no ponto
de vista geográfico. No primeiro caso, é dada ênfase às zonas de planícies inundadas, identificadas por
estimativas hidrológicas e modelos hidráulicos, onde é provável que ocorram inundações fluviais. No
segundo caso, a combinação de condições geográficas, fatores ambientais e socioeconómicos é usada
para determinar áreas com uma elevada probabilidade de danos (Yang e Liu, 2020).
EXPOSIÇÃO
13
3.3. Sistemas de Informação Geográfica
A definição de SIG tem sido abordada de diferentes maneiras, talvez o definição mais comumente
usada é aquela fornecida por Burrough (1986) citado por Opolot (2013). Para Burrough (1986), um SIG
é um poderoso conjunto de ferramentas que permite a coleta, armazenamento, recuperação, análise e
apresentação de informações geograficamente referenciadas.
Para Sami et al. (2020), os SIG são ferramentas de análise espacial baseadas na sobreposição de dados
qualitativos e quantitativos, todos georreferenciados no mesmo sistema de projeção. Os mesmos
autores, acrescentam que, os SIG manipulam informações geográficas referentes à geodésia,
posicionamento global (GPS), sensoriamento remoto e bancos de dados de referência espacial
relacionados às características ambientais. O GIS fornece uma ampla gama de aplicações em
agricultura, geologia, gestão de desastres naturais, hidrologia, monitoramento climático, planejamento
de negócios e serviços, governo, logística e transporte e gestão ambiental (Opolot, 2013). Nesta revisão,
no entanto, a ênfase é colocada no papel e nas aplicações dessas técnicas no mapeamento e
gerenciamento riscos de cheias ou inundações. Como refere Sami et al. (2020), um sistema de
informação geográfica tornou-se uma ferramenta essencial no diagnóstico de inundações, pois oferece
mapeamento de extensão de inundação sem precedentes e é uma valiosa fonte de informação na
elaboração do Plano de Prevenção de Risco de Cheia.
De acordo com Wheater et al., (2007), um modelo é uma representação simplificada do sistema do
mundo real. O melhor modelo é aquele que dá resultados próximos da realidade com o uso de menos
parâmetros e complexidade de modelos. Os modelos hidrológicos são usados principalmente para
prever o comportamento do sistema e compreender vários processos hidrológicos (Devia et al., 2015).
Devia et al. (2015) acrescentam ainda que um modelo consiste de vários parâmetros que definem as
características do modelo. As duas entradas importantes necessárias para todos os modelos são dados
14
de precipitação e área de drenagem, juntamente com estas, são também consideradas características do
depósito de água como as propriedades do solo, cobertura de vegetação, topografia da bacia
hidrográfica, teor de humidade do solo, características do aquífero das águas subterrâneas (Wheater et
al., 2007).
O modelo determinístico dará a mesma saída para um único conjunto de valores de entrada, enquanto
em modelos estocásticos, diferentes os valores de saída podem ser produzidos para um único conjunto
de entradas. De acordo com Wheater et al., (2007) em modelos agrupados, toda a bacia hidrográfica é
tomada como uma única unidade onde a variabilidade espacial é ignorada e, portanto, o as saídas são
geradas sem considerar os processos espaciais onde como um modelo distribuido, pode fazer previsões
que são distribuídos no espaço dividindo toda a captação em pequenas unidades, geralmente células
quadradas ou trianguladas rede irregular, para que os parâmetros, entradas e saídas possam variar
espacialmente. Outra classificação é modelos estáticos e dinâmicos baseados no fator tempo. Modelo
estático exclui tempo enquanto o modelo dinâmico inclui o tempo Wheater et al. (2007) tinha
classificado os modelos como modelos baseados e contínuos. O primeiro produz a produção apenas
por períodos de tempo específicos, enquanto este produz uma saída contínua.
Uma das classificações mais importantes é o modelo empírico, os modelos conceptuais e os modelos
fisicamente baseados. A seguir, são detalhadas resumidamente as classificações dos modelos de acordo
com (Devia et al., 2015):
15
que utilizam funções que não tenham relação com os processos físicos envolvidos e são
baseados em análises estatísticas, como métodos de correlação e análise de regressão.
De acordo com Arheimer et al. (2020), o desenvolvimento do modelo HYPE foi iniciado em 2002,
principalmente para apoiar a implementação da Água da UE Diretiva-Quadro na Suécia.. Foi
originalmente projetado para estimar a qualidade da água, mas agora também é usado operacionalmente
no serviço de alerta hidrológico sueco na SMHI para previsão das cheias e da seca. O HYPE baseia-se
em HBV (Schönfelder, 2017) e tem as suas principais vantagens na previsão da descarga em bacias
desafogadas e modelação de qualidade da água. O modelo está em desenvolvimento contínuo e este
relatório pode possivelmente não conter informações sobre os módulos e funcionalidades mais
recentes.
No sítio seguinte, é possível encontrar uma descrição completa das caracteristicas, módulos de processo
e estrutura do modelo http://www.smhi.net/hype/wiki/doku.php
16
P
er
ce
nt
ag
e
m
d
a
ár
ea
Figura 3. Exemplo de uma bacia hidrográfica dividida em duas sub-bacias e 4 classes solo-uso classes de uso de
d
a cores diferentes.
S
3.4.2.2. Visão Geral da Implementação
u
O código do modelo é escrito em Fortran 95 e pode ser compilado para Windows ou Linux com
b-
compiladores gfortran ou intel (Schönfelder,
b 2017). O código fonte é publicado sob a GNU Lesser
General Public License e disponívelacpublicamente em hypecode.smhi.se. O código está dividido em duas
ia
partes principais (Figura 3); o sistema de simulação hidrológica (HYSS) e o modelo hidrológico real
(HYPE). O HYSS lida com rotinas de entrada e saída, bem como procedimentos de passo de tempo.
Também apresenta um conjunto de rotinas para calibração automatizada de modelos. A parte HYPE
do código contém rotinas para simulação de diferentes compartimentos hidrológicos, mas também
define parâmetros e variáveis de saída disponíveis no modelo(Pers, 2021).
O sistema de simulação HYSS pode ser usado como um componente de estrutura computacional para
executar outros modelos de passo de tempo (hidrológicos).
Programa Principal S
I
H
S
Y
T
S
E
S
M
Manipulação de dados Cálculo de Calibração e
A
de entrada e saída Critérios
M
O
Um Modelo Hidrológico H
D
Y
E
P
Figura 4. Descrição das Componentes do Modelo HYPE L
E
O
17
3.4.2.3. Calibração e Validação
Todos os modelos de escoamento de chuvas são, por definição, simplificações do sistema do mundo
real sob investigação. As componentes do modelo são descrições agregadas de processos hidrológicos
do mundo real. Uma consequência disso é que os parâmetros do modelo muitas vezes não representam
entidades diretamente mensuráveis, mas devem ser estimados utilizando medidas da resposta do
sistema através de um processo conhecido como calibração do modelo (Gupta, 2005).
Mizukami et al. (2019) acrescentam que os modelos hidrológicos contém muitos parâmetros empíricos
que não podem ser estimados diretamente a partir de observações disponíveis, daí a necessidade de
inferência de parâmetros através do procedimento indireto conhecido como calibração. Em geral, todos
estes modelos requerem algum grau de calibração para maximizar a sua capacidade de reproduzir
adequadamente a dinâmica observada do resposta do sistema (por exemplo, fluxo de rio) (Mizukami et
al., 2019).
O termo validação é bem conhecido na hidrologia e modelação ambiental e é comumente usado para
indicar um procedimento visando analisar o desempenho da simulação e/ou previsão modelos Como
sugere Biondi et al. (2012). No contexto científico, o termo validação tem um mais amplo significado,
incluindo qualquer processo que tem o objetivo de verificar o capacidade de um procedimento para
realizar um determinado tarefa (Jolliffe e Stephenson, 2003) .
Como sugere Biondi et al. (2012), em diversos contextos (por exemplo, ciências ambientais, economia,
meteorologia e medicina), a mesma palavra ou expressão pode ser referida para indicar diferentes
atividades. Por exemplo, a palavra verificação é atualmente utilizada na ciência atmosférica na expressão
verificação da previsão para indicar os procedimentos destinados a medir a capacidade de um modelo
meteorológico de prever o futuro tempo (Jolliffe e Stephenson, 2003) . Expressões alternativas neste
campo são avaliação, validação ou precisão de previsão. No campo mais amplo da modelação
ambiental, alguns autores usaram a expressão verificação do modelo para definir um procedimento para
estabelecer que o código do modelo resolve corretamente o conjunto de equações matemáticas
adotadas para simular o mundo real (Matott et al., 2009).
18
As definições adotadas neste trabalho baseiam-se na consideração de que os procedimentos de
validação mais frequentes, utilizados na modelação hidrológica e ambiental em geral, propuseram
dividir a avaliação do modelo em três fases complementares (Gupta et al., 2008)
A abordagem típica adotada para avaliar o desempenho do modelo requer a comparação entre saídas
simuladas em um conjunto de observações que não foram utilizadas para calibração do modelo (Biondi
et al., 2012). Na revisão apresentada nesta sub-secção, são apresentadas técnicas gráficas e métricas
aplicadas principalmente a série temporal.
As técnicas gráficas permitem uma validação subjetiva e qualitativa, e, permite o estudo da dinâmica
temporal do desempenho do modelo e facilitar a identificação de padrões na ocorrência de erro (Ritter
e Muñoz-Carpena, 2013). Em a maioria dos casos, baseiam-se numa comparação gráfica de simulação e
séries de tempo medidas. Este tipo de enredos pode ser difícil de ler, especialmente quando o período
de observação é longo. As dispersões de descarga simulada versus observada são mais facilmente
interpretável e fornece uma referência objetiva dada pelo 1:1 da linha de ajuste perfeito. Outras
representações gráficas comuns são os gráficos residuais e a comparação do fluxo curvas de duração,
bem como distribuição de frequência de inundação. Recentemente, utilização de técnicas de previsão
de conjunto em modelos hidrológicos tem levado à adoção de métodos gráficos desenvolvidos e
tipicamente utilizado na meteorologia aplicada para avaliar previsões probabilísticas, tal como o
diagrama de fiabilidade e o histograma da classificação de verificação (Biondi et al., 2012).
19
Informação Akaike), o BIC (Critério de Informação Bayesiana) e o KIC (Critério de Informação de
Kashyap). Os últimos três critérios estatísticos explicam a complexidade matemática do modelo,
incluindo o número de parâmetros do modelo no cálculo métrico. Um grande número de métricas é
derivado da expressão geral (Molen e Pintér, 1993):
1
1 𝜏 𝑏
𝐹= [ 𝑁 ∑𝑁
𝑡=1|𝑦𝑠,𝑡 − 𝑦𝑜,𝑡 | ] , 𝜏 ≥ 1, 𝑏 ≥ 1 Equação 1
Ou da relação análoga com base nos desvios relativos,
1
𝜏 𝑏
1 𝑁 𝑦𝑠,𝑡 − 𝑦𝑜,𝑡
𝐹= ∑
[𝑁 𝑡=1 | 𝑦 | ] , 𝑦𝑜,𝑡 ≠ 0, 𝜏 ≥ 1, 𝑏 ≥ 1 Equação 2
𝑜,𝑡
Onde:
❖ F é a métrica de desempenho,
❖ N é o número de observações
❖ Enquanto 𝑦𝑠,𝑡 e 𝑦𝑜,𝑡 são os valores simulados e observados no momento t, respectivamente.
Em especial, as métricas relativas ao (2) são dimensionais e, assim, proporcionar uma avaliação mais
equilibrada do desempenho do modelo durante todo o período de estudo. As métricas derivadas de
ambas as expressões (1) e (2) não têm um limite superior enquanto um valor nulo indica um ajuste
perfeito (Molen e Pintér, 1993).
De acordo com os valores assumidos por parâmetros 𝜏 e b, as duas expressões fornecem métricas
diferentes, algumas das quais estão listadas na próxima sub-secção. Para 𝜏 mais elevado, a métrica é
mais sensível a grandes diferenças entre valores simulados e observados. Várias métricas de
desempenho adotam 𝜏 = 2 e são, portanto, baseadas em quadrados dos desvios (Molen e Pintér, 1993).
Para avaliar a qualidade do modelo, outros índices, por exemplo o coeficiente Janus (Power, 1993),
compara os erros do modelo no período de validação e no período de calibração
Devido à sua grande popularidade, é digno de se focar no Coeficiente Nash-Sutcliffe, cujas principais
características são as seguintes:
I. Mede a saída da unidade da relação entre a média erro ao quadrado e a variação das
observações;
II. Varia entre -∞ e 1;
III. Um valor nulo é obtido quando a simulação é idêntico ao valor médio da série observada.
20
autores mostram que a utilização de NSE é equivalente a verificar a capacidade do modelo para
reproduzir as seguintes estatísticas:
I. Valor médio;
II. Variação das séries temporais de descarga,
III. Coeficiente de correlação entre séries temporais simuladas e observadas.
O peso atribuído a cada um dos componentes acima depende da magnitude dos dados observados, mas
concentra-se principalmente na correlação. Baseando-se nesta evidência, Gupta et al. (2009) propôs um
inovador índice, chamado KGE (Eficiência Kling-Gupta), expressou como uma função explícita das
três estatísticas acima mencionadas.
Biondi et al. (2012) evidencia a algumas métricas usadas para avaliar o desempenho dos modelos, a
saber:
𝐶𝑜𝑣(𝑥𝑜 , 𝑥𝑠 ) 𝜇𝑠 𝜎𝑠
𝑟 = 𝐶𝐶 = 𝛽= 𝛼=
𝜎𝑠 𝜎𝑜 𝜇0 𝜎𝑜
∑𝑁
𝑡=1(𝑦𝑠,𝑡 −𝑦𝑜,𝑡 )
2
𝑁𝑆𝐸 = ∑𝑁 2
Equação 4
𝑡=1(𝑦𝑜,𝑡 −𝑥̅ 𝑜 )
1
𝑀𝐴𝐸 = 𝑁 ∑𝑁
𝑡=1|𝑦𝑠,𝑡 − 𝑦𝑜,𝑡 | Equação 5
4. Erro quadrado médio (MSE)
1 2
𝑀𝑆𝐸 = 𝑁 ∑𝑁
𝑡=1|𝑦𝑠,𝑡 − 𝑦𝑜,𝑡 | Equação 6
5. Erro Relativo Médio Quadrado (RMSE)
1
1 2 2
𝑅𝑀𝑆𝐸 = [ 𝑁 ∑𝑁
𝑡=1|𝑦𝑠,𝑡 − 𝑦𝑜,𝑡 | ] Equação 7
6. Erro percentual absoluto médio (AAPE)
21
1 𝑦𝑠,𝑡 − 𝑦𝑜,𝑡
𝐴𝐴𝑃𝐸 = 100 ∑𝑁
𝑡=1 | | Equação 8
𝑁 𝑦𝑜,𝑡
2
1 𝑦𝑠,𝑡 − 𝑦𝑜,𝑡
𝑀𝑆𝑅𝐸 = 100 𝑁 ∑𝑁
𝑡=1 | | Equação 9
𝑦𝑜,𝑡
1 𝑁
∑ (𝑦 − 𝑦𝑜,𝑡 )(𝑦𝑠,𝑡 − 𝑦𝑜,𝑡 )
𝑁 𝑡=1 𝑠,𝑡
𝑅2 = 1 Equação 10
1 2
2 2 2
{[∑𝑁𝑡=1((𝑦𝑜,𝑡 − ̅̅̅̅)
𝑦𝑜 ] [∑𝑁
𝑡=1((𝑦𝑠,𝑡 − ̅̅̅)
𝑦𝑠 ] }
9. Índice de Concordância (D)
2
∑𝑁
𝑡=1(𝑦𝑠,𝑡 − 𝑦𝑜,𝑡 )
𝐷 =1− 2 Equação 11
∑𝑁
𝑡=1(|𝑦𝑠,𝑡 − ̅̅̅̅|+
𝑦𝑜 |𝑦𝑜,𝑡 − ̅̅̅|
𝑦𝑠 )
A ideia básica na validação de desempenho é fornecer vários elementos que podem ser usados por
pesquisadores e profissionais/engenheiros esclarecer diferentes e complementares questões
relacionadas ao desempenho do modelo. As diretrizes são resumidas pelos seguintes pontos Biondi et
al. (2012).
22
VII. Se possível, amplicar a validação para entrada do modelo e aos estados.
VIII. Se possível, validar o modelo em diferentes escalas temporais e espaciais.
I. Construção da Malha 2D: Construção da malha 2D: Uma malha 2D é uma representação
digital do terreno físico da extensão do modelo. O extensão do modelo é selecionada com base
23
no limite do site e áreas adjacentes de interesse para modelação de inundação e conjunto dentro
da coordenada espacial adequada projetada sistema. A camada de dados de elevação é
importada para o Modelo HEC-RAS 2D para adquirir o terreno digital e elevações da superfície
da água.
II. Condições de limites: Uma vez que a malha 2D é criada, o as condições de fronteira são
estabelecidas a montante (entrada) e a jusante (saída) termina do canal. A condição de limite de
fluxo é usada para carregar a informação hidrológica utilizando o hidrógrafo de fluxo (flow
hydrograph). Desde a inundação a modelação é conduzida com base numa tempestade de 3 dias
projetada, as condições de limite de entrada serão definidas para instável dados de fluxo. A
condição de limite de saída é usada para definir a informação de descarga de saída sob a forma
de elevação da superfície da água (tipicamente definida como profundidade 'normal').
III. Opções Computacionais: As simulações são calculadas usando equações de impulso
completo, para maior precisão, comparado com as equações de ondas de difusão. Um
computacional intervalo de tempo de 6 segundos é usado para adquirir precisão e resultados
estáveis.
IV. Camadas de Inundação: Os mapas de inundação que mostram a extensão das inundações são
gerados para o período alvo.
𝜕𝜁 𝜕𝑢 𝜕𝑣
+ 𝜕𝑥 + 𝜕𝑦 = 0 Equação 11
𝜕𝑡
𝜕𝜁 𝜕 𝑢2 𝜕𝑣 𝑢𝑣 𝑛2 𝑢𝑔√𝑢2 +𝑢2 𝜕𝜁 𝜕 𝜕
+ 𝜕𝑥 ( ℎ ) + 𝜕𝑦 ( ℎ ) = − − 𝑔ℎ 𝜕𝑥 + 𝑢𝑓 + 𝜌𝜕𝑥 (ℎ𝜏𝑥𝑥 ) + (ℎ𝜏𝑥𝑦 ) Equação 12
𝜕𝑡 ℎ2 𝜌𝜕𝑦
𝜕𝜁 𝜕 𝑢2 𝜕𝑣 𝑢𝑣 𝑛2 𝑣𝑔√𝑢2 +𝑢2 𝜕𝜁 𝜕 𝜕
+ 𝜕𝑥 ( ℎ ) + 𝜕𝑦 ( ℎ ) = − − 𝑔ℎ 𝜕𝑦 + 𝑣𝑓 + 𝜌𝜕𝑦 (ℎ𝜏𝑦𝑦 ) + (ℎ𝜏𝑥𝑦 ) Equação 13
𝜕𝑡 ℎ2 𝜌𝜕𝑦
Onde ℎ é a profundidade da água (m), 𝑣 e 𝑢 são o fluxo específico nas direções 𝑥 e 𝑦 (𝑚2 𝑠 −1 ), 𝜁 é a
elevação da superfície (m), 𝑔 é a aceleração gravitacional (𝑚𝑠 −2 ), 𝑛 é a Resistência de Manning, 𝜌 é a
densidade da água (𝑘𝑔𝑚−3 ), 𝑓 é o parâmetro Coriolis e 𝜏𝑥𝑥 , 𝜏𝑥𝑦 e 𝜏𝑦𝑦 são os componentes do estresse
eficaz da tesoura.
24
3.5.2. Análise de Cenários de Cheias
Com base nas projeções da modelação hidraúlica, os impactos sobre infraestruturas e ativos
construídos são analisados para identificar várias vulnerabilidades (Hanif et al., 2020). O mapeamento
de probabilidade de inundação permite determinar áreas com probabilidade de um evento de inundação
por um período de retorno definido (Robi et al., 2019). Com os resultados dos cálculos hidráulicos, o
contorno da inundação pode ser calculado. O grau de risco de inundação depende de vários factores
hidrológicos, como velocidade de inundação, duração e profundidades inundadas. O índice de perigo é
atribuido correspondente a diferentes profundidades inundadas (Shrestha e Lohpaisankrit, 2017).
As informações sobre a extensão prevista das cheias são exigidas pelo governo, o público e o
departamento de emergência, a fim de facilitar os preparativos iniciais e o planeamento com bastante
antecedência antes do evento real de cheia ou inundação (Opolot, 2013). Portanto, as preparações e o
planeamento antecipados resultarão, por sua vez, em uma resposta eficaz e eficiente, minimizando e ou
mitigando os efeitos pós-inundação.
25
4
Material e Metodologia
No presente capítulo são apresentados os dados bem como a metodologia usada com vista ao alcance
dos objectivos trançados.
4.1. Material
4.1.1. Dados
Para projetar condições climáticas futuras mais precisas, recentes estudos de impacto climático usam
GCMs e/ou RCMs do conjunto de dados do Painel Intergovernamental sobre Mudanças Climáticas
(IPCC) (Weiland et al., 2010) com diferentes cenários de emissões de vias de concentração
representativas. Os modelos climáticos têm sido aplicados para prever o risco e/ou a perigosidade de
inundação devido às mudanças climáticas (Ramachandran et al., 2019b). Portanto, para obter as
respostas hidrológicas e hidráulicas futuras na Bacia Hidrográfica do Limpopo, foram adquiridos dados
diários de precipitação, temperatura máxima, mínima e média, das simulações históricas para o período
de 1961 a 2014 e das simulações futuras para o período 2030 a 2100, a partir do Experimento de
Downscaling Climático Regional Coordenado (CORDEX). Os RCM foram selecionados com base na
disponibilidade de dados sobre a região de estudo (tabela 4). Os RCMs selecionados foram baixados do
portal de dados CORDEX (https://esgf-data.dkrz.de/search/cordex-dkrz/) e posteriormente
avaliados. Foram igualmente adquiridos dados diários observados de vazão, precipitação e temperatura
(máxima e mínima), e, dados horários observados de nível da água correspondentes ao período de
1961 - 2015 para todas as estações (Sub-bacias) da Bacia Hidrográfica do Limpopo localizadas
nomeadamente: na África do Sul, Botswana, Moçambique e Zimbabué, a tabela 5 apresenta uma breve
descrição dados.
26
Tabela 3. Breve descrição dos modelos climáticos adquiridos e usados neste estudo.
Modelo Modelo de Resolução Nominal Instituição do Modelo Formato
condução de Condução
CCLM4 8-17 CNRM-CERFACS - 50 km Centro Nacional de
CNRM-CM5 Pesquisa Meteorológica e
Centro Europeu de
Pesquisa Avançada e
Treinamento em
Computação Científica
NetCDF
CCLM4 8-17 MPI-M-MPI-ESM- 50 km Instituto Max Planck de
LR Meteorologia e Sistema
Terrestre
RC4 IPSL-IPSL-CM5A- 50 km Instituto Pierre-Simon
MR Laplace
Tabela 4. Conjunto de dados de séries temporais de vazão, precipitação, temeperatura, nível de água e localização da
estação de medição usados estimar parâmetros e avaliar o desempenho do modelo
Tipo Frequência Unidade no SI País Instituição
Tabela 5. Dados usados para atribuir cobertura e uso do solo e elevação da bacia hidrográfica.
Dados Modelo de dado Formatos Resolução espacial Fonte
10 m
Uso e Cobertura ESA7
MDE (SRTM) 30 m USGS8
Matricial Geo.tiff
MDE (Alos Palsar) 12.5 m EARTHDATA9
4 http://www.dwaf.gov.za
5 https://www.dngrh.gov.mz/index.php
6 http://www.zarnet.ac.zw/evol/environ
7 https://viewer.esa-worldcover.org/worldcover
8 https://earthexplorer.usgs.gov/
9 https://search.asf.alaska.edu
27
4.1.2. Programas Computacionais
O tratamento dos dados alfanuméricos e espaciais requerem a utilização de programas específicos que
permitam a realização de operações sobre os mesmos. Para a redacção e alcance dos objectivos
propostos neste trabalho, foram usados os programas descritos na tabela 6.
4.2. Métodos
4.2.1. Processamento dos Modelos Climáticos
4.2.1.1. Técnicas de Correção de Viés
Apesar dos recentes avanços na simulação de modelos, os modelos climáticos continuam a ter grandes
vieses, devido principalmente à falta de conhecimento dos processos físicos e à resolução grosseira da
grade (Bergström et al., 2001). Portanto, a correção de viés de variáveis climáticas simuladas do modelo
é uma prática padrão antes de prosseguir com análises adicionais (Salvi et al., 2013). Afim de corrigir os
vieses presentes nos dados de precipitação e de temperatura dos modelos climáticios adquiridos no
presente estudo, a técnica LS foi aplicada usando o programa CMhyd©, que tem sido usado em vários
estudos relacionados com mudanças climáticas .
28
observados foi calculada e adicionada aos dados do modelo em cada etapa de tempo (Equação 15). A
abordagem do LS pode ser definida como (Gadissa et al., 2018):
̅̅̅̅̅̅̅
𝑃𝑜𝑏𝑠
𝑃𝑐𝑜𝑟 = 𝑃𝑠𝑖𝑚 × ̅̅̅̅̅̅̅
Equação 14
𝑃𝑠𝑖𝑚
̅̅̅̅̅
𝑇𝑐𝑜𝑟 = 𝑇𝑠𝑖𝑚 + (𝑇 ̅̅̅̅̅̅
𝑜𝑏𝑠 − 𝑇𝑠𝑖𝑚 ) Equação 15
Onde 𝑃cor é a precipitação corrigida, 𝑃sim é a precipitação simulado, isto é, do modelo climático. Por
sua vez, ̅̅̅̅̅ ̅̅̅̅̅
Pobs e Psim referem-se às precipitações médias mensais observadas e simuladas
A validação da correcção de viés foi realizado com base na métrica estátistica Coeficiente de
Determinação (R2), de modo a avaliar a concordância entre os valores observados e os valores
corrigidos dos dados dos modelos climáticos. O R2 varia entre -1 e 1, e quanto mais o seu resultado se
aproxima de 1, melhor se ajustam os valores simulados aos observados (Biondi et al., 2012), de modo
geral, de 0.9 para mais ou para menos indica uma correlação muito forte, 0.7 a 0.9 positivo ou negativo
indica uma correlação forte, 0.5 a 0.7 positivo ou negativo indica uma correlação moderada, 0.3 a 0.5
positivo ou negativo indica uma correlação fraca, 0 a 0.3 positivo ou negativo indica uma correlação
desprezível. R2 é definida pela equação 10.
29
4.2.1.2.1. Curvas Intensidade – Duração - Frequência
As curvas intensidade-duração-frequência são usadas em hidrologia para expressar de forma sintética, a
ligação entre altura máxima da precipitação e uma duração genérica de um evento de precipitação,
fixado em um determinado período de retorno T (De Paola et al., 2014). A relação intensidade-duração-
frequência da precipitação (IDF) é uma das ferramentas mais importantes da engenharia de recursos
hídricos para avaliar o risco e a vulnerabilidade da estrutura de recursos hídricos, bem como para
planeamento, projeto e operação (Md Rasel et al, 2015). As curvas IDF para diferentes durações e
frequências, foram geradas com uma série anual máxima de dados pluviométricos usando a análise de
frequência. Neste estudo, as curvas IDF foram desenvolvidas para cinco diferentes períodos de retorno
de 2, 5, 10, 50 e 100 anos. Para o desenvolvimento das curvas IDF, os dados pluviométricos diários dos
cenários climáticos passados e futuros foram registrados. A partir dos dados diários de precipitação,
foram calculados os dados horários de precipitação usando a seguinte fórmula de redução empírica do
(Ramachandran et al., 2019b):
3 𝑡
𝑃𝑡 = 𝑃24 √24 Equação 15
Onde:
A distribuição de valor extremo de Gumbel é mais comumente usada para relacionamentos IDF
(Ramachandran et al., 2019b)e neste estudo, foi usado para ajustar a distribuição de probabilidade do
IDF e para a análise de frequência de vazões extremas (apresentado na secção 4.2.2.4). Portanto, para
um determinado período de retorno, a intensidade da precipitação foi calculada usando os factores de
frequência da distribuição Gumbel , conforme mostrado na equações a seguir (Md Rasel et al., 2015):
𝑝𝑇 = 𝑥̌ + 𝐾𝑇 𝜎 Equação 16
Onde:
1
𝑝̌ = ∑𝑛𝑖=1 𝑝𝑖 Equação 17
𝑛
30
𝑝𝑖 − é o valor extremos da precipitação e;
∑𝑛 ̌)2
𝑖 =1(𝑝𝑖 −𝑝
𝜎 = √ Equação 18
𝑛−1
̅̅̅
𝑌𝑇 −𝑌𝑛
𝐾𝑇 = Equação 19
𝑆𝑛
Em que 𝑌𝑇 é variável reduzida, e, é dada por:
𝑇
𝑌𝑇 = − [𝑙𝑛 [𝑙𝑛 [𝑇−1]]] Equação 20
Por fim, a intensidade de precipitação, 𝐼𝑇 (em mm/h) para o período de retorno T é obtida da
equação 21.
𝑝𝑇
𝐼𝑇 = Equação 21
𝑡
De modo geral, as etapas usadas para gerar a curvas IDF para diferentes períodos de retorno (2, 10,
25, 50 e 100 anos nomeadamente) são os seguintes:
I. Os dados anuais de pico de precipitação foram reunidos de 2030 a 2100 para os RCMs
considerados para no presente estudo;
II. Com base na equação 14, os dados horários de precipitação em mm nas durações 0.08h,
0.17h, 0.25h, 0.5h, 1h, 2h, 12h e 24h, foram calculados a partir dos valores máximos anuais;
III. A média e o desvio padrão são calculados usando a equação 17 e 18.
IV. A partir da tabela de distribuição de valor extremo de Gumbel (anexo 1), o valor ̅̅̅
Yn e Sn são
tomados como 0.5550 e 1.1863, respectivamente, com n = 71.
V. A partir do período de retorno dado T, a variável reduzida YT é calculada usando a Equação
20.
VI. De ̅̅̅
Yn e Sn e YT, o factor de frequência de Gumbel é calculado usando a Equação 19.
VII. Com o uso da Equação 15, a magnitude da precipitação é calculada.
VIII. Usando a equação 21, a intensidade de precipitação para cada período de retorno foi
calculada;
IX. Finalmente, os gráficos IDFs são foram gerados.
31
4.2.1.2.2. Teste de Tendência Mann-Kendall Trend
O teste de Mann Kendall é um teste não paramétricos usado para analisar uma tendência ascendente e
descendente, ou seja, tendências monotônicas em uma série de séries de dados ambientais, climáticos e
hidrológicos (Chattopadhyay et al., 2016). Dois testes de hipóteses devem ser testados no MK, Hipótese
Nula (Ho) e Hipótese Alternativa (Ha), pelo que, com base no nível de significância de 5%, se o valor
de 𝑝 ≤ 𝛼 = 0.05, então a hipótese alternativa (Ha) é aceite que significa presença de tendência e se o
valor de 𝑝 > 𝛼 = 0.05 então a hipótese nula (Ho) é aceite, implicando ausência de tendência na série
temporal (Shi et al., 2013).
Para realizar um teste de Mann-Kendall, é necessário calcular a diferença entre o valor medido depois e
todos os valores medidos antes, (xj-xi), onde j>i. A estatística de teste de Mann Kendall S é calculada
de acordo com a equação 20 (Shah e Kiran, 2021):
𝑆 = ∑𝑛−1 𝑛
𝑖=1 ∑𝑗=𝑖+1 𝑠𝑔𝑛(𝑥𝑗 − 𝑥𝑖 ) Equação 22
Onde n é o número de pontos de dados, xi e xj são os valores de dados em séries temporaisi e j,
respectivamente, e sgn(xj−xi) é a função sinal.
A aplicação da tendência é feita a uma série temporal Xi que é classificada de i=1,2, 3…n-1 e Xj, que é
classificado de j=i+1,2,3…n. Cada ponto de dados xi é tomado como um ponto de referência, que é
comparado com o resto do ponto de dados xj de modo que,
+1, 𝑠𝑒 𝑥𝑗 − 𝑥𝑖 > 0
𝑠𝑔𝑛(𝑥𝑗 − 𝑥𝑖 ) = { 0, 𝑠𝑒 𝑥𝑗 − 𝑥𝑖 = 0 Equação 23
−1, 𝑠𝑒 𝑥𝑗 − 𝑥𝑖 < 0
𝑆
𝜏 = Equação 24
𝑛−(𝑛−1)/2
1
𝑉𝐴𝑅(𝑆) = [(𝑛 − 1)(2𝑛 + 5) ∑𝑞𝑝=1 𝑡𝑝 (𝑡𝑝 − 1)(2𝑡𝑝 − 5)] Equação 25
18
Onde q é definido como o número de grupos empatados e tp é o número de dados no grupo pth. Os
valores de S e VAR(S) são usados para o cálculo da estatística de teste Z que está seguindo como:
32
𝑆−1
, 𝑠𝑒 𝑆 > 0
√𝑉𝐴𝑅(𝑆)
𝑍 = 0, 𝑠𝑒 𝑆 = 0 Equação 26
𝑆+1
, 𝑠𝑒 𝑆 < 0
{ √𝑉𝐴𝑅(𝑆)
O teste estatístico Z segue uma distribuição normal. Em uma escolha de α = 0,05 (95% intervalo de
confiança) e alternativa bilateral, os valores críticos de 0,025 são iguais a -1,96 a 1,96. Diz-se que a
tendência é decrescente se Z for negativo e o valor absoluto é maior que o nível de significância, é
crescente se Z for positivo e maior que o nível de significância (Shi et al., 2013).
O estimador de Sen’s slope é um método não paramétrico que foi empregado para mostrar os padrões
lineares neste estudo. Se uma aptidão linear está presente em uma série temporal, então a inclinação
verdadeira pode ser calculada exercendo um simples procedimento não paramétrico. Neste caso, o
modelo linear ƒ(t) pode ser denominado como (Shah e Kiran, 2021):
𝑓(𝑡) = 𝑄𝑡 + 𝐵 Equação 27
Onde Q representa a inclinação, B é um valor constante e t é o tempo. Para derivar uma estimativa da
inclinação Q, as inclinações de todos os pares de dados são calculadas para exercer a equação;
𝑥𝑗 −𝑥𝑖
𝑄𝑖 = , i = 1, 2, 3, … N, j > k Equação 28
𝑗−𝑘
Se houver n valores Xj na série temporal haverá tantos quanto N=n(n - 1)/2 estimativa de inclinação
Qi. Para estimar B na equação, os n valores de diferença Xi-Qt são calculados. Uma estimativa de B é
obtida a partir valores médios dados.
De modo geral, para analisar a significância do teste MK e a tendência do Sen’s slope, face às mudanças
na temperaturas foram consideradas as seguintes etapas:
33
próximo do centroide da bacia. Modelos dinâmicos de captação precisaram ser inicializados para levar
em conta os volumes de armazenamento adequados, que podem, por exemplo, amortecer ou fornecer
o fluxo do rio com base na memória de captação (Iliopoulou et al., 2019).
Para o devido delineamento, foi definido inicialmente pontos de força antes do processo de
delineamento para predefinir saídas da sub-bacia a montante. Os lagos acima dum tamanho limite são
considerados como sub-bacia individual. Eles são inseridos como um shapefile e recortados em bacias
existentes. A inserção resulta em pequenas bacias próximas ao lago e bacias desconectadas. Estes foram
mesclados e respectivamente reconectados após a inserção. Foi possível atravês do WHIST ligar todos
os dados, como cobertura da terra, largura do rio, precipitação, temperatura e elevação (SRTM), para
cada bacia delineada. O WHIST permitiu compilação dos arquivos de dados de entrada em um formato
que pode ser lido pelo código-fonte HYPE .
De acordo com Zhu e Ringler (2012) devido à falta de registros de vazão adequadamente longos e
contínuos na bacia hidrográfica do Limpopo, a calibração automática não é possível. Portanto, neste
estudo, os parâmetros foram estimados por meio da calibração manual e executados para as vazões
observadas correspondentes período diário de 1971 até 1978 utilizando parâmetros de
evapotranspiração Kc3 (coeficiente para petmodel 3 (Hargreaves-Samani Modificado)) e Kc4
34
(coeficiente para petmodel 4 (Priestly-Taylor)). Segundo Arheimer et al. (2020), o HYPE usa os
algorítmos Priestly-Taylor para áreas polares e dominadas por neve/gelo, e, os algorítmos Hargreaves-
Samani Modificado para áreas desérticas e equatoriais.
Schönfelder et al. (2017b) referem que o KGE é desenvolvido a partir do NSE e ambos podem atingir
valores de −∞ a 1, e, é baseada nos seguintes critérios:
Segundo Moriasi et al. (2015) para uma análise hidrológica diária, mensal ou anual (vazão ou vazão) a
tabela abaixo pode ser aplicada como critério de avaliação para a métrica NSE:
35
Tabela 8. Critérios de avalição da Métrica NSE
Insatisfatório Insatisfatório Bom Muito bom
NSE ≤ 0,50 0,50 < NSE ≤ 0,70 0,70 < NSE ≤ 0,80 NSE > 0,80
Com vista, a permitir uma validação subjectiva e qualitativa da dinâmica temporal do desempenho do
modelo e para tornar fácil a identificação de padrões na ocorrênca de erros nos dados simulados e
observados, foram aplicadas técnicas gráficas para as sub-bacias que apresetaram um melhor
desempenho nas técnicas métricas comparativamente.
1
𝑇= Equação 29
𝑃
36
Onde 𝑃 é a probabilidade de excedência, e é dada por:
𝑚
𝑇 = 𝑛+1 Equação 30
Portanto, para projetar e analsar a frequência de vazões máximas as seguintes etapas foram
consideradas:
37
4.2.3.1. Mapeamento de perigosidade de Cheias
O mapeamento de perigosidade de inundação permite determinar áreas com probabilidade de um
evento de inundação por um período de retorno definido (Robi et al., 2019). O grau de perigosidade de
inundação foi baseado nas profundidades inundadas. As cheias simuladas no modelo hidráulico para
cada cenário considerado, foram exportadas como uma camada matricial para o programa ArcGIS Pro
para o devido mapeamento de risco. Inicialmente, cada resultado das exportadas foram reclassificadas
de acordo com o grau de risco de inundação conforme apresentado na tabela 1. Seguidamente, as
camadas reclassificadas foram convertidas para camadas vectoriais junto a camada de uso e cobertura
do solo, confome apresentado na tabela 4. Finalmente, foi possível obter a quantificação das áreas
inundadas atravês da sobreposição (overlay) das cadas vectoriais para diferentes períodos de retornos
com diferentes cenários de emissões.
38
5
Resultados e Discussão
O presente capítulo apresenta a análise e a discussão dos resultados obtidos a luz da metodologia
descrita no quarto capítulo desta pesquisa.
300
250
200
150
100
50
0
1960 1970 1980 1990 2000 2010 2030 2040 2050 2060 2070 2080 2090 2100
45
Temperatura média (◦C)
35
25
15
5
1960 1970 1980 1990 2000 2010 2030 2040 2050 2060 2070 2080 2090 2100
Figura 6. Séries temporais da precipitação e da temperatura média no período histórico e futuro para o modelo CNRM-
CERFACS-CNRM-CM5 RCP 8.5
39
Modelo: MPI-M-MPI-ESM-LR Cenários de emissões RCP 8.5 Estação: Chókwe
400
Precipitação (mm) 350
300
250
200
150
100
50
0
1960 1970 1980 1990 2000 2010 2030 2040 2050 2060 2070 2080 2090 2100
45
Temperatura média (◦C)
35
25
15
5
1960 1970 1980 1990 2000 2010 2030 2040 2050 2060 2070 2080 2090 2100
Figura 7. Séries temporais da precipitação e da temperatura média no período histórico e futuro para o modelo MPI-
M-MPI-ESM-LR RCP 8.5.
Modelo:
Modelo: IPSL-IPSL-CM5A-MR
IPSL-IPSL-CM5A-MR Cenários
Cenários de emissões
de emissões RCPRCP
8.5 8.5 Estação:
Estação: Chókwe
Chókwe
300
Precipitação (mm)
250
200
150
100
50
0
1960 1970 1980 1990 2000 2010 2030 2040 2050 2060 2070 2080 2090 2100
45
Temperatura média (◦C)
35
25
15
5
1960 1970 1980 1990 2000 2010 2030 2040 2050 2060 2070 2080 2090 2100
Figura 8. Séries temporais da precipitação e da temperatura média no período histórico e futuro para o modelo IPSL-
IPSL-CM5A-MR RCP 8.5.
A validação dos modelos corrigidos com base na métrica estátistica coeficiente de determinação,
resultou numa correlação positiva muito forte entre dos dados observados e os dados simulados para a
precipitação em todos os modelos climáticos considerados para a estação de chókwe, sendo a estação
que melhor representa as estações do Baixo Limpopo. Em relação a temperatura média, a
concordância entre os dados observados e simulados foi positiva forte para o modelo CNRM-
40
CERFACS-CNRM-CM5 (R2 = 0.71) e positiva moderada para os restantes modelos. Os resultados das
correlações são apresentados nas figuras 9, 10 e 11.
250
40
200
Simulado
Simulado
30
150
100 20
50
R² = 0.9379 10 R2 = 0.71
0 0
0 50 100 150 200 0 10 20 30 40
Observado Observado
Figura 9. Desempenho do modelo CNRM-CERFACS-CNRM-CM5 cenário RCP 8.5 para a estação de Chókwe.
400
40
300
Simulado
Simulado
30
200 20
100 y = 1.1597x - 0.085 10
R2 = 0.57
0 R² = 0.9381 0
0 50 100 150 200 250 300 350 0 5 10 15 20 25 30 35 40
Observado Observado
Figura 10. Desempenho do modelo MPI-M-MPI-ESM-LR cenário RCP 8.5 para a estação de Chókwe.
300 40
250
30
200
Simulado
Simulado
150 20
100
R² = 0.9379 10
50
R2 = 0.52
0 0
0 50 100 150 200 250 300 0 10 20 30 40
Observado Observado
Figura 11. Desempenho do modelo IPSL-IPSL-CM5A-MR cenário RCP 8.5 para a estação de Chókwe.
41
Cenário de emissões RCP 8.5 Cenário de emissões RCP 4.5
1000 800
2 anos 2 anos
Intensidade (mm/hora)
Intensidade (mm/hora) 800
10 anos 600 10 anos
600 25 anos 25 anos
50 anos 400 50 anos
400 75 anos 75 anos
100 anos 200 100 anos
200
0 0
0.01 0.1 1 10 100 0.01 0.1 1 10 100
Duração (hora) Duração (hora)
Figura 12. Curvas IDF do modelo CNRM-CERFACS-CNRM-CM5 para os cenários 8.5 e 4.5.
Cenário de emissões RCP 8.5 Cenário de emissões RCP 4.5
1000
1400
Intensidade (mm/hora)
Intensidade (mm/hora)
Figura 13. Curvas IDF do modelo MPI-M-MPI-ESM-LR para os cenários 8.5 e 4.5.
0 0
0.01 0.1 1 10 100 0.01 0.1 1 10 100
Duração (hora) Duração (hora)
Figura 14. Curvas IDF do modelo IPSL-IPSL-CM5A-MR para os cenários 8.5 e 4.5.
Todas as curvas IDF para diferentes períodos de retorno dimunuem ligeiramente em relação ao valor
crescente das horas de duração. No entanto, a magnitude da intensidade da precipitação é diferente, de
modo que um longo período de retorno corresponde a uma alta magnitude de intensidade de
precipitação. À medida em que o valor da intensidade da precipitação aumenta, a duração diminui. No
geral, os gráficos indicam que, embora os eventos de precipitação de alta intensidade representem um
alto risco de afectar o meio ambiente, esses eventos ocorrem com menos frequência do que os eventos
de precipitação de baixa intensidade.
O cenário emissões RCP 4.5 representa um mundo moderado com um nível intermediário de emissão,
e o cenário de emissões 8.5, que é o cenário mais extremo, representa uma sociedade com rápido
desenvolvimento baseado em combustíveis fósseis com o maior nível de emissão de gases de efeito
estufa (Maity e Maity, 2022). Considerando os piores cenários de emissões de mudanças climática (RCP
8.5), com maior destaque para o modelo climático MPI-M-MPI-ESM-LR, indicam que, se a tendência
42
de rápido desenvolvimento e uso descontrolado de combustíveis fósseis continuar, as regiões do baixo
Limpopo testemunharão um aumento significativo na intensidade da precipitação horária no futuro.
Pelo que, as mesmas regiões experimentarão inundações frequentes como consequências das mudanças
climáticas.
28 22
Sen’s slope = 0.766
Sen’s slope = 0.424
25 19
2030 2040 2050 2060 2070 2080 2090 2100 2030 2040 2050 2060 2070 2080 2090 2100
Ano Ano
Figura 15. Gráficos de tendência MK do modelo CNRM-CERFACS-CNRM-CM5 para os cenários 8.5 e 4.5.
33 30
29 25
Sen’s slope = 0.8 Sen’s slope = 0.568
25 20
2030 2040 2050 2060 2070 2080 2090 2100 2030 2040 2050 2060 2070 2080 2090 2100
Ano Ano
Figura 16. Gráficos de tendência MK do modelo MPI-M-MPI-ESM-LR para os cenários 8.5 e 4.5.
Cenário de emissões RCP 8.5 Cenário de emissões RCP 4.5
35
Temperatura média (ºC)
29
Temperatura média (ºC)
33
26 31
29
23
Sen’s slope = 0.687 27
Sen’s slope = 0.341
20
2030 2040 2050 2060 2070 2080 2090 2100 25
2030 2040 2050 2060 2070 2080 2090 2100
Ano
Ano
Figura 17. Gráficos de tendência do modelo IPSL-IPSL-CM5A-MR para os cenários 8.5 e 4.5.
O resultado obtido neste estudo concorda com os resultados de um estudo anterior de Alemu e Dioha
(2020) cujos resultados revelaram que, para a temperatura, uma análise de tendência crescente é
estatisticamente significativa, pois o valor 𝑝 (ou seja, 𝑝 = 0.03) é menor que o nível de significância
43
(alfa = 0,05) e o pesquisador rejeita a hipótese nula e aceita a hipótese alternativa. Da mesma forma, na
Etiópia, um estudo realizado por Gebremichael e Kifle ( 2009) mostra que nas últimas cinco décadas a
temperatura vem aumentando anualmente a uma taxa de 0,2 °C. No presente estudo, a temperatura
média apresenta uma tendência positiva crescente e estatisticamente significativa para todos os modelos
climáticos pois o valor de 𝑝 é menor que o nível de significância alfa = 0,05, e pode-se aceitar a
hipótese alternativa e rejeitar a hipótese nula. As Tabelas 10, 11 e 12 apresentam os resultado do teste
de tendência MK de forma resumida.
44
O Sen's slope, foi utilizado para estimar as inclinações (variação por unidade de tempo) presentes na
tendência. o sinal positivo do Sen's slope indica uma inclinação crescente, e o sinal negativo implica uma
inclinação decrescente, enquanto a inclinação zero não mostra tendência nos dados para o período em
estudo (Alemu e Dioha, 2020). As estimativas do Sen's slope, conforme mostrado na nas figuras 15, 16 e
17, e, nas tabelas acima apresentadas para todos os modelos climáticos em análise de 2030 a 2100,
respectivamente, mostram uma tendência crescente e concorda com o resultado do teste estatístico Z
de valores positivos. Portanto, os resultados das mudanças na precipitação concordam com os
resultados das mudanças na temperatura no que diz respeito ao aumento considerável dessas variáveis
para o futuro próximo e distante. Em particular, tal como nos resultados das mudanças na precipitação,
tendência crescente da temperatura devido às mudanças climáticas e outros fatores pode levar a
extremos climáticos nas regiões da bacia do Limpopo. Os resultados indica que o modelo climático
MPI-M-MPI-ESM-LR teve altos valores em cada estatística de tendência (com destaque para o Sen's
slope) , para ambos cenários (8.5 e 4.5) comparativamente, e, o modelo climático IPSL-IPSL-CM5A-MR
teve valores mais baixos, por sua vez, o Modelo CNRM-CERFACS-CNRM-CM5 teve valores médios,
tal como apresentam as figuras 18 e 19.
Uma das questões colocadas pela comunidade climática é se a distribuição da temperatura global
observada e da precipitação está mudando e, portanto, os estudos consultados sugerem um resposta
afirmativa. Os estudos desenvolvidos por Alexander et al. (2006) para a análise das mudanças climáticas
globais sugerem mudanças nos extremos da precipitação (suportando um mundo geralmente mais
húmido) e de temperatura. As mudanças nos extremos da temperatura obtidos neste estudo são o que
geralmente se esperaria em um mundo em aquecimento: diminuições nos extremos frios e aumentos
nos extremos quentes.
0.85 0.7
0.8 0.568
0.6
0.8 0.766
0.5 0.42
Se´s slope
Sen´s slope
Figura 18. Análise comparativa dos resultados dos modelos em relação ao sen´s slope para o cenário 4.5 e 8.5.
45
5.2. Desempenho do modelo hidrológico
O sucesso no uso de modelos computacionais para simular variáveis e processos ambientais requer
procedimentos objetivos de calibração e validação de modelos (Ritter e Muñoz-Carpena, 2013). A
maioria dos modelos matemáticos utilizados para calcular variáveis ou simular processos em ciências
hidrológicas e outras ciências ambientais deve ser previamente avaliada com técnicas que permitam a
sua avaliação de desempenho. Como referido na capítulo anterior (na secção 4.2.2.3 ), o desempenho
do modelo HYPE-Limpopo foi julgado comparando os valores de fluxo calculados pelo modelo e os
dados de fluxo observados usando técnicas gráficas (figuras 20, 21 e 22) e métricas estatísticas (tabela
13) comumentemente usadas nas ciências hidrológicas (Moriasi et al., 2015). O modelo no périodo de
calibração (1971 – 1978) indicou um coeficiente NSE geral de 0.715 e um KGE de 0.753 e no período
da validação (1979 – 1985) apresentou um coeficiente NSE geral de 0.766 e um KGE de 0.729,
portanto, de acordo com a tabela 8, o modelo tem um bom desempenho, e isso indica que os
resultados do modelo são robustos e um desempenho semelhante pode ser assumido também em sub-
bacias não medidas no processo de validação (Arheimer et al., 2020). Comparativamente, a estação de
chókwe (Estação Moçambicana) teve um desempenho muito bom durante o processo da calibração
(NSE = 0.87 e KGE = 0.906) e durante o processo de validação (NSE = 0.844 e KGE = 0.846), em
vista disso, melhor representa as estações da Bacia Hidrográfica do Baixo Limpopo (sub-bacias
localizadas em Moçambique, ao longo do rio Limpopo). A estação Beitbridge melhor representa as
estações da Bacia Hidrográfica do Alto Limpopo, tendo apresentando um bom desempenho durante o
processo de calibração (NSE = 0.745 e KGE = 0.748) e validação (NSE = 0.782 e KGE = 0.762).
Tabela 13. Desempenho das estações usadas durante o processo de calibração e de validação do modelo hidrológico
Para Ritter e Muñoz-Carpena (2013), as técnicas gráficas permitem uma validação subjetiva e
qualitativa, e, permite o estudo da dinâmica temporal do desempenho do modelo e facilita a
identificação de padrões na ocorrência de erro, pelo que, na maioria dos casos, baseiam-se numa
46
comparação gráfica de simulação e séries de tempo medidas. Portanto, a seguir são apresentados
gráficos correspondentes ao período de calibração e validação das estações com melhores
desempenhos, comparativamente.
Precipitação (mm)
5000
Vazão (m3/s)
Figura 19. Gráfico representando o período da calibração (esquerda) e da validação (direita) para a estação de Chókwe
SubId: 206214 Estação: Leboeng País: África do Sul
1000 0
800
Precipitação (mm)
50
Vazão (m3/s)
600
Calibração: NSE 0.713 Validação: NSE 0.734 100
400
150
200
0 200
Figura 20. Gráfico representando o período da calibração (esquerda) e da validação (direita) para a estação de Leboeng
SubId: 203427 Estação: Beitbridge País: África do Sul
4000 0
3500 10
20
Precipitação (mm)
3000
30
Vazão (m3/s)
2500 40
2000 Calibração: NSE 0.745 Validação: NSE 0.782 50
1500 60
70
1000
80
500 90
0 100
Figura 21. Gráfico representando o período da calibração (esquerda) e da validação (direita) para a estação de Beitbridge
47
5.2.1. Análise de frequência das futuras cheias
Para Bhagat (2017), a análise de frequência de inundação é uma técnica usada por hidrólogos para
prever valores de fluxo correspondentes a períodos de retorno específicos, pelo que, esta análise
envolve o uso de valores de vazão de pico anuais observados ou calculados. Como destacado na
secção 4.2.3.4, o modelo hidrológico desenvolvido, HYPE-Limpopo, foi aplicado para simular as
vazões para os períodos futuros de 2030 a 2100 para cada cenário de emissões dos modelos
apresentados na tabela 3, em particular, para as estações de entradas de fluxo na região da Bacia
Hidrográfica do Baixo Limpopo bem como para a estação de Chókwe, sendo a estação que melhor
representa as estações a jusante. As figuras 22 a 27 apresentam os gráficos de períodos de retorno bem
como a probabilidade de excedência para estação de Chókwe, o anexo 4 apresenta os de gráficos de
períodos de retorno para estações de entrada de fluxo.
CM5 RCP 8.5 Estação: Chókwe CM5 RCP 8.5 Estação: Chókwe
12000 12000
Vazão extrema futura (m3/s)
10000 10000
Vazão extrema futura (m3/s)
8000 8000
6000 6000
y = -2048ln(x) + 320.54
4000 4000
y = 2047.9ln(x) + 320.54 R² = 0.9881
2000 R² = 0.9881 2000
0 0
0 10 20 30 40 50 60 70 80 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Período de retorno (anos) Probabilidade de excedência
Figura 22. Período de retorno e probabilidade de excedência do modelo CNRM-CERFACS-CNRM-CM5 RCP 8.5
CM5 RCP 4.5 Estação: Chókwe CM5 RCP 4.5 Estação: Chókwe
8000 8000
Vazão extrema futura (m3/s)
Vazão extrema futura (m3/s)
6000 6000
4000 4000
y = -1694ln(x) + 336.83
R² = 0.9888
2000 y = 1694ln(x) + 336.83 2000
R² = 0.9888
0 0
0 10 20 30 40 50 60 70 80 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Período de retorno (anos) Probabilidade de excedência
Figura 23. Período de retorno e probabilidade de excedência do modelo CNRM-CERFACS-CNRM-CM5 RCP 4.5
ESM RCP 8.5 Estação: Chókwe ESM RCP 8.5 Estação: Chókwe
45000
Vazão extrema futura (m3/s)
50000 40000
35000
Vazão extrema futura (m3/s)
40000 30000
30000 25000
20000
20000
15000 y = -7411ln(x) - 746.2
10000 10000 R² = 0.9429
0 5000
y = 7411.3ln(x) - 746.2
0 10 20 30 40 50 R² =600.942970 80 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Período de retorno (anos)
Probabilidade de excedência
Figura 24. Período de retorno e probabilidade de excedência das cheias do modelo MPI-M-MPI-ESM-LR RCP 8.5
48
ESM RCP 4.5 Estação: 4.5 ESM RCP 4.5 Estação: 4.5
Figura 25. Período de retorno e probabilidade de excedência do modelo MPI-M-MPI-ESM-LR RCP 4.5
IPSL RCP 8.5 Estação: Chókwe IPSL RCP 8.5 Estação: Chókwe
25000 25000
Vazão extrema futura (m3/s)
15000 15000
10000 10000
y = -4505ln(x) - 1472.5
y = 4504.8ln(x) - 1472.5
5000 5000 R² = 0.9602
R² = 0.9602
0 0
0 10 20 30 40 50 60 70 80 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Período de retorno (anos) Probabilidade de excedência
Figura 26. Período de retorno e probabilidade de excedência do modelo IPSL-IPSL-CM5A-MR RCP 8..5
IPSL RCP 4.5 Estação: Chókwe IPSL RCP 4.5 Estação: Chókwe
14000 14000
Vazão extrema futura (m3/s)
12000 12000
10000 10000
8000 8000
6000 6000
y = -3091ln(x) - 500.01
4000 y = 3091.2ln(x) - 500.01 4000 R² = 0.9863
2000 R² = 0.9863 2000
0 0
0 10 20 30 40 50 60 70 80 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Período de retorno (anos) Probabilidade de excedência
Figura 27. Período de retorno e probabilidade de excedência do modelo IPSL-IPSL-CM5A-MR RCP 8.5
Considerando os períodos de retorno (tabela 15), nota-se que considerando os cenários de emissões de
mudanças climáticas RCP 8.5 podem ser esperados cheias de perigosidade muito alta (tabela 1). O
próxima secção, aborda com mais detalhes acerca da avaliação da perigosidade das futuras cheias sob
cenários de mudança climáticas, considearando os períodos de retorno presentes na tabela 13.
49
Tabela 14. Vazões extremas registrdados em diferentes períodos de retorno para cada modelo climático
Modelo Vazão extrema futura (m3/s)
Tabela 15. Quantidade da área (ha) ocupada por cada classe de uso e cobertura do solo da região do baixo limpopo
Classe de uso e cobertura Área (ha)
Árvores 5 852 908,8
Área urbana 48 209,2
Corpos de água 6 4883,2
Campos de cultivo 153 727,1
Matagal 2 518 437,4
Solo exposto 8 524,8
Zona húmida 53 717,3
Total (ha) 8 642 012,6
50
parâmetros incluindo extensão de cheias, profundidade da água, velocidade de fluxo, duração e taxa em
que a água sobe. O mapeamento da perigosidade da cheias na região do baixo Limpopo foi realizado
mediante as condições descritas na secção 4.2.3. Usando as ferramentas do programa ArcGIS Pro
foram obtidas as quantificações das área em héctares das zonas com a perigosidade baixa, moderada,
alta e muita alta (anexo 8 a 10) por meio da sobreposição da camada do uso e cobertura do solo pelas
camadas das simulações das cheias obtidas no modelo hidráulico HEC-RAS (primeiramente
reclassificadas baseando-se no valor das profundidades e convertidas para o modelo vectorial, uma vez
que o modelo hidráulico fornece um resultados matriciais). Os resultados referidos anteriormente,
foram comparados aos resultados também simulados das cheias ocorridas no início do ano de 2000,
que segundo Copson et al. (2002) quebraram todos os recordes, matando 700 pessoas, e causando
efeitos negativos em vários sectores. As figuras 28 – 34, apresentam os mapas de perigosidade para as
cheias de 2000, e, para os modelos climáticos anlisados neste presete estudo nos dois cenários de
emissões para diferentes períodos de retorno, a quantificação por área (ha) perigosidade das cheias dos
mapas (figura 28 -34) nas difrentes classes de uso e cobertura do solo encontra-se nos anexos 8 a 10.
51
Figura 28. Mapa de perigosidade das cheias do ano de 2000 em diferentes classes de uso e cobertura do solo.
52
Figura 29. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo climático CNRM-
CERFACS-CNRM-CM5 RCP 8.5 diferentes periodos de retorno
53
Figura 30. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo climático CNRM-
CERFACS-CNRM-CM5 RCP 4.5 diferentes periodos de retorno.
54
Figura 31 Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo climático MPI-M-
MPI-ESM-LR RCP 8.5 diferentes periodos de retorno.
55
Figura 32. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo climático MPI-M-
MPI-ESM-LR RCP 4.5 diferentes periodos de retorno.
56
Figura 33. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo climático IPSL-
IPSL-CM5A-MR RCP 8.5 diferentes periodos de retorno.
57
Figura 34. Mapa de perigosidade das cheias em diferentes classes de uso e cobertura do solo do modelo climático IPSL-
IPSL-CM5A-MR RCP 4.5 diferentes periodos de retorno.
58
5.3.1.1. Análise do Impacto das mudanças climática no âmbito das futuras
cheias
Copson et al. (2002) relatam que as cheias do início de 2000 tiveram tremendo efeito na agricultura de
Moçambique permitindo, que crianças morressem de fome, depois de serem isoladas com as famílias
em ilhas. 90% da infraestrutura de irrigação em funcionamento do país foi danificada, causando a pior
das perdas agrícolas. 1.400 quilômetros quadrados de terras cultivadas e pastagens foram perdidas,
deixando 113.000 famílias de pequenos agricultores sem nada. 20.000 cabeças de gado desaparecido
foram relatadas, muitos foram temidos por terem se afogado ou contraído doenças. Como referido na
secção anterior, os resultados da simulação das cheias do ano de 2000 foram comparados com os
resultados da simulações dos modelos. A análise foi realizada em função das áreas agrícolas e as áreas
urbanas, os resultados são apresentados nos gráficos a seguir apresentados.
40% 34%
28% 29%
30% 25% 25% 24% 27% 25% 25% 24% 25% 26%
19%
20% 16%
8%
10%
0%
Modelos Climáticos
Figura 35. Impacto das cheias na agricultura para dferentes modelos nos cenários RCP 8.5
50%
38%
40% 34%
27% 28% 26% 27%
30% 22% 24% 23% 24% 24% 22%
20% 16%
10% 5%
1%
0%
Modelos climáticos
Figura 36. Impacto das cheias nas áreas urbanas para diferentes modelos nos cenários RCP 8.5
59
Impacto das Cheias na agricultura
50%
100 anos de retorno 50 anos de retorno 25 de retorno anos 10 anos de retorno
41%
Área inundada (%) 40%
29% 31%
30% 26% 26% 26% 27% 26% 25%
23% 24% 24%
22%
21%
20% 17%
12%
10%
0%
Modelo climático
Figura 37. Impacto das cheias na agricultura para diferentes modelos nos cenários RCP 4.5
Modelo Climático
Figura 38. Impacto das cheias nas áreas urbanas para diferentes modelos nos cenários RCP 4.5
Os resultados demonstram que cheias semelhantes (retorno de 25 e 50 anos) e até priores (retono de
100) em relação às cheias ocorridas no ano de 2000 ocorrerão no futuro conforme com os cenários de
emissões considerados neste estudo. Santillan et al. (2016), afirmam que com o advento das mudanças
climáticas que tem causado tempestades tropicais e as chuvas que ela cada vez mais feroz e extremas, a
necessidade de estar mais preparado para desastres de cheias se torna-se mais urgente. Em relação a
urgência devido, a este facto, Hanif et al. (2020) enfatizam que nenhuma organização ou governo local
pode estar no caminho de longo prazo para um desenvolvimento mais sustentável e resiliente sem
primeiro abordar as mudanças climáticas. Acrescentam que, sem levar em consideração os impactos das
mudanças climáticas, os ganhos de desenvolvimento de hoje podem ser eliminados amanhã.
60
6
Conclusões e Recomendações
6.1. Conclusões
O estudo das cheias é muito vital e crucial para sustentar a subsistência de uma comunidade. Precisa de
um esforço contínuo e coordenado de todas as partes interessadas. No presente estudo, o modelo
hidrológico HYPE foi desenvolvido e avaliado para gerar o fluxo futuro de curto e longo prazo e o
modelo Hidráulico HEC-RAS foi configurado e usado para mapeamento de cheias na Bacia
Hidrográfica do Baixo Limpopo. As seguintes conclusões podem ser tiradas do presente estudo:
I. Sob os cenários de emissões RCP 4.5 e RCP 8.5, os resultados evidenciam que a
precipitação bem como a temperatura, tendem a aumentar significativamente na Bacia
Hidrográfica do Limpopo.
II. Devido a inconsistência dos dados, na África Austral, a calibração manual é a mais usadas
pelos modeladores hidrológicos, predominante e existe uma percepção entre os
modeladores hidrológicos de que a calibração automática é perigosa.
III. A comparação entre a vazão observada e a vazão simulada indicou que houve uma boa
concordância na vazão durante a calibração (KGE = 0,715 e NSE = 0,753) e validação
(KGE= 0,766 e NSE = 0,729) do modelo hidrológico.
IV. Os gráficos de retorno e probabilidade de excedência melhor se ajustaram ao método de
Gumbel para diferentes períodos de retorno, que foi calculado a partir da saída das
simulações no modelo hidrológico HYPE.
V. Os mapas de perigosidade demonstram extensas áreas que serão cobertas por água sob
diferentes graus de perigo (baixa, moderada, alta e muito alta).
VI. Os resultados em geral, demonstram que devido às mudanças climáticas, cheias semelhantes
(retorno de 25 ou 50) ou até piores (retorno de 100 anos) em relação às ocorridas no ano de
2000, ocorrerão no futuro.
61
6.2. Recomendações
A abordagem mais prática para mitigar as consequências das mudanças climáticas é projectar e
construir estruturas com capacidade de fluxo suficiente para lidar com condições de fluxo futuras, em
vez de condições de fluxo presentes. No entanto, essa estratégia vem com muita incerteza decorrente
da qualidade dos dados, resolução e premissas de modelagem que podem aumentar o custo do projeto,
tornando-o economicamente inviável, porém, é necessário tomar em consideração. A verdade é que,
sem levar em consideração os impactos das mudanças climáticas, os ganhos de desenvolvimento de
hoje podem ser eliminados amanhã.
Recomenda-se ainda a proteção das regiões próximas a captação (bacia hidrográfica), mobilizando a
comunidade, construindo diques que limitam o fluxo de água do rio que entra na planície de inundação,
promover sensibilizações a comunidade de modo que estejam cientes e treinadas para evacuar
adequadamente quando evento extremo suceder. A verdade é que, sem levar em consideração os
impactos das mudanças climáticas, os ganhos de desenvolvimento de hoje podem ser eliminados
amanhã.
62
Referências Bibliográficas
Alemu, Z. A., & Dioha, M. O. (2020). Climate change and trend analysis of temperature: the case of
Addis Ababa, Ethiopia. Environmental Systems Research, 9(1). https://doi.org/10.1186/s40068-020-
00190-5
Alexander, L. v., Zhang, X., Peterson, T. C., Caesar, J., Gleason, B., Klein Tank, A. M. G., … Vazquez-
Aguirre, J. L. (2006). Global observed changes in daily climate extremes of temperature and
precipitation. Journal of Geophysical Research Atmospheres, 111(5).
https://doi.org/10.1029/2005JD006290
Alivio, M. B. T., Puno, G. R., & Talisay, B. A. M. (2019). Flood hazard zones using 2d hydrodynamic
modeling and remote sensing approaches. Global Journal of Environmental Science and Management,
5(1), 1–16. https://doi.org/10.22034/gjesm.2019.01.01
Anees, M. T., Abdullah, K., Nawawi, M. N. M., Ab Rahman, N. N. N., Piah, A. R. M., Zakaria, N. A.,
… Mohd. Omar, A. K. (2016). Numerical modeling techniques for flood analysis. Journal of African
Earth Sciences, 124, 478–486. https://doi.org/10.1016/J.JAFREARSCI.2016.10.001
Arheimer, B., Pimentel, R., Isberg, K., Crochemore, L., Andersson, J. C. M., Hasan, A., & Pineda, L.
(2020). Global catchment modelling using World-Wide HYPE (WWH), open data, and stepwise
parameter estimation. Hydrology and Earth System Sciences, 24(2), 535–559.
https://doi.org/10.5194/hess-24-535-2020
As páginas wiki HYPE [Documentação do modelo hype]. (sem data). Obtido 22 de Outubro de 2022,
de http://www.smhi.net/hype/wiki/doku.php
Bergström, s., Carlsson, B., Gardelin, M., Lindström, G., Petterson, A., & Rummukainen, M. (2001).
Climate change impacts on runoff in Sweden - Assessments by global climate models, dynamical
downscalling and hydrological modelling. Climate Research, 16(2), 101–112.
https://doi.org/10.3354/CR016101
Beven, K. (2006). A manifesto for the equifinality thesis. Journal of Hydrology, 320(1–2), 18–36.
https://doi.org/10.1016/J.JHYDROL.2005.07.007
Bhagat, N. (2017). Flood Frequency Analysis Using Gumbel's Distribution Method: A Case
Study of Lower Mahi Basin, India. Journal of Water Resources and Ocean Science, 6(4), 51.
https://doi.org/10.11648/J.WROS.20170604.11
63
Binns, A. D. (2020). Flood mitigation measures in an era of evolving flood risk. Journal of Flood Risk
Management, 13(3), e12659. https://doi.org/10.1111/JFR3.12659
Biondi, D., Freni, G., Iacobellis, V., Mascaro, G., & Montanari, A. (2012). Validation of hydrological
models: Conceptual basis, methodological approaches and a proposal for a code of practice.
Physics and Chemistry of the Earth, 42–44, 70–76. https://doi.org/10.1016/j.pce.2011.07.037
Boer, G. J., McFarlane, N. A., Laprise, R., Henderson, J. D., & Blanchet, J. P. (1984). The canadian
climate centre spectral atmospheric general circulation model. Atmosphere - Ocean, 22(4), 397–429.
https://doi.org/10.1080/07055900.1984.9649208
Changnon, S. A. (2008). Assessment of Flood Losses in the United States. Journal of Contemporary Water
Research & Education, 138(1), 38–44. https://doi.org/10.1111/J.1936-704X.2008.00007.X
Chattopadhyay, S., Edwards, D. R., Bocchiola, D., Diolaiuti, G., & Cassardo, C. (2016). Long-Term
Trend Analysis of Precipitation and Air Temperature for Kentucky, United States. Climate 2016,
Vol. 4, Page 10, 4(1), 10. https://doi.org/10.3390/CLI4010010
Copson, R. W., Christie, F., & Hanlon, J. (2002). Mozambique and the Great Flood of 2000. Canadian
Journal of African Studies / Revue Canadienne Des Études Africaines, 36(3), 582.
https://doi.org/10.2307/4107342
Dawson, R. J., Dickson, M. E., Nicholls, R. J., Hall, J. W., Walkden, M. J. A., Stansby, P. K., …
Watkinson, A. R. (2009). Integrated analysis of risks of coastal flooding and cliff erosion under
scenarios of long term change. Climatic Change 2009 95:1, 95(1), 249–288.
https://doi.org/10.1007/S10584-008-9532-8
de Paola, F., Giugni, M., Topa, M. E., & Bucchignani, E. (2014). Intensity-Duration-Frequency (IDF)
rainfall curves, for data series and climate projection in African cities. Undefined, 3(1), 1–18.
https://doi.org/10.1186/2193-1801-3-133
Déqué, M., Rowell, D. P., Lüthi, D., Giorgi, F., Christensen, J. H., Rockel, B., … Abdus, F. G. (2007).
An intercomparison of regional climate simulations for Europe: assessing uncertainties in model
projections. Springer, 81(SUPPL. 1), 53–70. https://doi.org/10.1007/s10584-006-9228-x
Devia, G. K., Ganasri, B. P., & Dwarakish, G. S. (2015). A Review on Hydrological Models. Aquatic
Procedia, 4, 1001–1007. https://doi.org/10.1016/J.AQPRO.2015.02.126
64
Drought impact mitigation and prevention in the Limpopo River Basin. (sem data). Obtido 29 de
Novembro de 2022, de https://www.fao.org/3/y5744e/y5744e00.htm
Dupont, B., Allen, D. L., & Center, U. of K. T. (1999). Revision of the Rainfall-intensity Duration Curves for
the commonwealth of Kentucky. https://doi.org/10.21949/1503647
Endris, H. S., Omondi, P., Jain, S., Lennard, C., Hewitson, B., Chang’a, L., … Tazalika, L. (2013).
Assessment of the Performance of CORDEX Regional Climate Models in Simulating East
African Rainfall. Journal of Climate, 26(21), 8453–8475. https://doi.org/10.1175/JCLI-D-12-
00708.1
Falconer, R. H., Cobby, D., Smyth, P., Astle, G., Dent, J., & Golding, B. (2009). Pluvial flooding: New
approaches in flood warning, mapping and risk management. Journal of Flood Risk Management, 2(3),
198–208. https://doi.org/10.1111/J.1753-318X.2009.01034.X
Flato, G., Marotzke, J., Abiodun, B., … P. B.-C. change 2013, & 2014, undefined. (sem data).
Evaluation of climate models. Pure.Mpg.De. Obtido de
https://pure.mpg.de/rest/items/item_1977534/component/file_3040450/content
Gadissa, T., Nyadawa, M., Behulu, F., & Mutua, B. (2018). The Effect of Climate Change on Loss of
Lake Volume: Case of Sedimentation in Central Rift Valley Basin, Ethiopia. Hydrology 2018, Vol. 5,
Page 67, 5(4), 67. https://doi.org/10.3390/HYDROLOGY5040067
Gbobaniyi, E., Sarr, A., Sylla, M. B., Diallo, I., Lennard, C., Dosio, A., … Lamptey, B. (2014).
Climatology, annual cycle and interannual variability of precipitation and temperature in
CORDEX simulations over West Africa. International Journal of Climatology, 34(7), 2241–2257.
https://doi.org/10.1002/JOC.3834
Giorgi, F., Jones, C., & Asrar, G. R. (2009). Addressing climate information needs at the regional level:
the CORDEX framework. WMO Bulletin, 58(3). Obtido de http://wcrp.ipsl.
Gupta, H. v, Beven, K. J., & Wagener, T. (2005). Model Calibration and Uncertainty Estimation.
Encyclopedia of Hydrological Sciences. https://doi.org/10.1002/0470848944.HSA138
Gupta, H. v., Kling, H., Yilmaz, K. K., & Martinez, G. F. (2009). Decomposition of the mean squared
error and NSE performance criteria: Implications for improving hydrological modelling. Journal of
Hydrology, 377(1–2), 80–91. https://doi.org/10.1016/J.JHYDROL.2009.08.003
65
Gupta, H. v., Wagener, T., & Liu, Y. (2008). Reconciling theory with observations: elements of a
diagnostic approach to model evaluation. Hydrological Processes, 22(18), 3802–3813.
https://doi.org/10.1002/HYP.6989
Hagemann, S., Chen, C., Haerter, J. O., Heinke, J., Gerten, D., & Piani, C. (2011). Impact of a
Statistical Bias Correction on the Projected Hydrological Changes Obtained from Three GCMs
and Two Hydrology Models. Journal of Hydrometeorology, 12(4), 556–578.
https://doi.org/10.1175/2011JHM1336.1
Hanif, A., Dhanasekar, A., Keene, A., Li, H., & Carlson, K. (2020). Flood risk assessment methodology
for planning under climate change scenarios and the corresponding change in land cover. Journal of
Water and Climate Change, 11(4), 1370–1382. https://doi.org/10.2166/wcc.2019.016
Hattermann, F. F., Wortmann, M., Liersch, S., Toumi, R., Sparks, N., Genillard, C., … Drews, M.
(2018). Simulation of flood hazard and risk in the Danube basin with the Future Danube Model.
Climate Services, 12, 14–26. https://doi.org/10.1016/j.cliser.2018.07.001
Heberger, M., Cooley, H., Herrera, P., Gleick, P. H., & Moore, E. (2011). Potential impacts of
increased coastal flooding in California due to sea-level rise. Climatic Change 2011 109:1, 109(1),
229–249. https://doi.org/10.1007/S10584-011-0308-1
Hundecha, Y., Parajka, J., & Viglione, A. (sem data). Flood type classification and assessment of their past
changes across Europe. https://doi.org/10.5194/hess-2017-356
Hurford, A. P., Priest, S. J., Parker, D. J., & Lumbroso, D. M. (2012). The effectiveness of extreme
rainfall alerts in predicting surface water flooding in England and Wales. International Journal of
Climatology, 32(11), 1768–1774. https://doi.org/10.1002/JOC.2391
Iliopoulou, T., Aguilar, C., Arheimer, B., Bermúdez, M., Bezak, N., Ficchì, A., … Montanari, A. (2019).
A large sample analysis of European rivers on seasonal river flow correlation and its physical
drivers. Hydrology and Earth System Sciences, 23(1), 73–91. https://doi.org/10.5194/HESS-23-73-
2019
Javaheri, A., & Babbar-Sebens, M. (2014). On comparison of peak flow reductions, flood inundation
maps, and velocity maps in evaluating effects of restored wetlands on channel flooding. Ecological
Engineering, 73, 132–145. https://doi.org/10.1016/J.ECOLENG.2014.09.021
Jolliffe, I.T. and Stephenson, D.B. (2003) Forecast Verification. A Practitioner’s Guide in Atmospheric
Science. John Wiley & Sons Ltd., Hoboken, 240 p. - References - Scientific Research Publishing.
66
(sem data). Obtido 22 de Outubro de 2022, de
https://www.scirp.org/reference/referencespapers.aspx?referenceid=1420579
Kaźmierczak, A., & Cavan, G. (2011). Surface water flooding risk to urban communities: Analysis of
vulnerability, hazard and exposure. Landscape and Urban Planning, 103(2), 185–197.
https://doi.org/10.1016/J.LANDURBPLAN.2011.07.008
Khan, A. J., & Koch, M. (2018). Selecting and Downscaling a Set of Climate Models for Projecting
Climatic Change for Impact Assessment in the Upper Indus Basin (UIB). Climate 2018, Vol. 6,
Page 89, 6(4), 89. https://doi.org/10.3390/CLI6040089
Leander, R., Adri Buishand, T., van den Hurk, B. J. J. M., & de Wit, M. J. M. (2008). Estimated changes
in flood quantiles of the river Meuse from resampling of regional climate model output. Elsevier,
351(3–4), 331–343. https://doi.org/10.1016/j.jhydrol.2007.12.020
Lennart Hagen Schönfelder, A., Energi Tor Haakon Bakken, S., Energi Knut Alfredsen, S., & Abebe
Girmay Adera, N. (sem data-a). SINTEF Energy Research Water Resources Application of HYPE in
Norway Assessment of the hydrological model HYPE as a tool to support the implementation of EU Water
Framework Directive in Norway.
Lennart Hagen Schönfelder, A., Energi Tor Haakon Bakken, S., Energi Knut Alfredsen, S., & Abebe
Girmay Adera, N. (sem data-b). SINTEF Energy Research Water Resources Application of HYPE in
Norway Assessment of the hydrological model HYPE as a tool to support the implementation of EU Water
Framework Directive in Norway.
Limpopo River Basin Research Highlights | CGIAR Challenge Program on Water and Food. (sem
data). Obtido 29 de Novembro de 2022, de https://waterandfood.cgiar.org/river-
basins/limpopo-2/
Lindström, G., Pers, C., Rosberg, J., Strömqvist, J., & Arheimer, B. (2010). Development and testing of
the HYPE (Hydrological Predictions for the Environment) water quality model for different
spatial scales. Hydrology Research, 41(3–4), 295–319. https://doi.org/10.2166/nh.2010.007
Maity, S. S., & Maity, R. (123 C.E.). Changing Pattern of Intensity-Duration-Frequency Relationship of
Precipitation due to Climate Change. Water Resources Management. https://doi.org/10.1007/s11269-
022-03313-y
67
Mariotti, L., Bacer, S., Coppola, E., Giorgi, F., Mariotti, L., Bacer, S., … Giorgi, F. (2014). A new
regional climate simulation using RegCM4 over the CORDEX South Asia domain. EGUGA, 16,
5449. Obtido de https://ui.adsabs.harvard.edu/abs/2014EGUGA..16.5449M/abstract
Matott, L. S., Babendreier, J. E., & Purucker, S. T. (2009). Evaluating uncertainty in integrated
environmental models: A review of concepts and tools uncertainty in integrated environmental
models: A review of concepts and tools, Water Resour. Res. Evaluating, 45, 6421.
https://doi.org/10.1029/2008WR007301
Mizukami, N., Rakovec, O., Newman, A. J., Clark, M. P., Wood, A. W., Gupta, H. v., & Kumar, R.
(2019). On the choice of calibration metrics for “high-flow” estimation using hydrologic models.
Hydrology and Earth System Sciences, 23(6), 2601–2614. https://doi.org/10.5194/HESS-23-2601-
2019
Molen, D. v., & Pintér, J. (1993). Environmental model calibration under different specifications: an
application to the model SED. Undefined. https://doi.org/10.1016/0304-3800
Moriasi, D. N., Gitau, M. W., Pai, N., & Daggupati, P. (2015). Hydrologic and Water Quality Models:
Performance Measures and Evaluation Criteria. Transactions of the ASABE, 58(6), 1763–1785.
https://doi.org/10.13031/TRANS.58.10715
Ndiritu, J. (2009). A comparison of automatic and manual calibration using the Pitman model. Physics
and Chemistry of the Earth, 34(13–16), 729–740. https://doi.org/10.1016/J.PCE.2009.06.002
Neupane, S., Shrestha, S., Ghimire, U., Mohanasundaram, S., & Ninsawat, S. (2021). Evaluation of the
CORDEX regional climate models (RCMs) for simulating climate extremes in the Asian cities.
Science of The Total Environment, 797, 149137.
https://doi.org/10.1016/J.SCITOTENV.2021.149137
Opolot, E. (2013). Application of Remote Sensing and Geographical Information Systems in Flood
Management: A Review. Research Journal of Applied Sciences, Engineering and Technology, 6(10), 1884–
1894.
68
Parry, M. L. (Martin L. ), & Intergovernmental Panel on Climate Change. Working Group II. (2007).
Climate change 2007 : impacts, adaptation and vulnerability : contribution of Working Group II to the fourth
assessment report of the Intergovernmental Panel on Climate Change. Cambridge University Press.
Pasquier, U., He, Y., Hooton, S., Goulden, M., & Hiscock, K. M. (2019). An integrated 1D–2D
hydraulic modelling approach to assess the sensitivity of a coastal region to compound flooding
hazard under climate change. Natural Hazards, 98(3), 915–937. https://doi.org/10.1007/s11069-
018-3462-1
Pers, C. (2021). The code of HYSS and HYPE-overview HYSS-Hydrological Simulation System HYPE-
Hydrological Predictions for the Environment 2 Content.
Power, M. (1993). The predictive validation of ecological and environmental models. Ecological Modelling,
68(1–2), 33–50. https://doi.org/10.1016/0304-3800(93)90106-3
Putuhena, F. J., Selaman, O. S., Said, S., & Putuhena, F. J. (2007). Flood frequency analysis for Sarawak
using Weibull, Gringorten and L-moments formula. Em Journal-The Institution of Engineers (Vol. 68).
Obtido de https://www.researchgate.net/publication/264889453
Ragma, F. (sem data). Flood Risk Reduction and Management Student Researches View project Angst of Warriors:
Fears of Overseas Filipino Workers (OFWs) View project.
https://doi.org/10.13140/RG.2.2.25631.46243
Ramachandran, A., Palanivelu, K., Mudgal, B. v., Jeganathan, A., Guganesh, S., Abinaya, B., &
Elangovan, A. (2019a). Climate change impact on fluvial flooding in the Indian sub-basin: A case
study on the Adyar sub-basin. PLoS ONE, 14(5). https://doi.org/10.1371/journal.pone.0216461
Ramachandran, A., Palanivelu, K., Mudgal, B. v., Jeganathan, A., Guganesh, S., Abinaya, B., &
Elangovan, A. (2019b). Climate change impact on fluvial flooding in the Indian sub-basin: A case
study on the Adyar sub-basin. PLoS ONE, 14(5). https://doi.org/10.1371/journal.pone.0216461
Ray, T., Stepinski, E., Sebastian, A., & Bedient, P. B. (2011). Dynamic Modeling of Storm Surge and
Inland Flooding in a Texas Coastal Floodplain. Journal of Hydraulic Engineering, 137(10), 1103–1110.
https://doi.org/10.1061/(ASCE)HY.1943-7900.0000398
Reason, C. J. C., Hachigonta, S., & Phaladi, R. F. (2005). Interannual variability in rainy season
characteristics over the Limpopo region of southern Africa. Undefined, 25(14), 1835–1853.
https://doi.org/10.1002/JOC.1228
69
Ritter, A., & Muñoz-Carpena, R. (2013). Performance evaluation of hydrological models: Statistical
significance for reducing subjectivity in goodness-of-fit assessments. Journal of Hydrology, 480, 33–
45. https://doi.org/10.1016/J.JHYDROL.2012.12.004
Robi, M. A., Abebe, A., & Pingale, S. M. (2019). Flood hazard mapping under a climate change scenario
in a Ribb catchment of Blue Nile River basin, Ethiopia. Applied Geomatics, 11(2), 147–160.
https://doi.org/10.1007/s12518-018-0249-8
Salvi, K., S., K., & Ghosh, S. (2013). High-resolution multisite daily rainfall projections in India with
statistical downscaling for climate change impacts assessment. Journal of Geophysical Research:
Atmospheres, 118(9), 3557–3578. https://doi.org/10.1002/jgrd.50280
SAMI, G., ABDELWAHHAB, F., YAHYAOUI, H., & MOUHAMED ISSAM, K. (2020). FLOOD
RISK, TYPOLOGY, SEVERITY AND MANAGEMENT. Analele Universităţii Din Oradea, Seria
Geografie, 30(2), 176–181. https://doi.org/10.30892/AUOG.302107-827
Santillan, J. R., Amora, A. M., Makinano-Santillan, M., Marqueso, J. T., Cutamora, L. C., Serviano, J. L.,
& Makinano, R. M. (2016). Assessing the impacts of flooding caused by extreme rainfall events
througha combined geospatial and numerical modeling approach. International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 41, 1271–1278.
International Society for Photogrammetry and Remote Sensing.
https://doi.org/10.5194/isprsarchives-XLI-B8-1271-2016
Schmidli, J., Frei, C., … P. V. C. A. J. of the, & 2006, undefined. (2006). Downscaling from GCM
precipitation: a benchmark for dynamical and statistical downscaling methods. Wiley Online Library,
26(5), 679–689. https://doi.org/10.1002/joc.1287
Shi, P., Ma, X., Hou, Y., Li, Q., Zhang, Z., Qu, S., … Fang, X. (2013). Effects of Land-Use and Climate
Change on Hydrological Processes in the Upstream of Huai River, China. Water Resources
Management, 27(5), 1263–1278. https://doi.org/10.1007/S11269-012-0237-4
Shrestha, S., & Lohpaisankrit, W. (2017). Flood hazard assessment under climate change scenarios in
the Yang River Basin, Thailand. International Journal of Sustainable Built Environment, 6(2), 285–298.
https://doi.org/10.1016/j.ijsbe.2016.09.006
70
Soriano, E., Mediero, L., & Garijo, C. (2019). Selection of Bias Correction Methods to Assess the Impact of
Climate Change on Flood Frequency Curves. https://doi.org/10.3390/w11112266
Spaliviero, M., de Dapper, M., & Maló, S. (2014). Flood analysis of the Limpopo River basin through
past evolution reconstruction and a geomorphological approach. Natural Hazards and Earth System
Sciences, 14(8), 2027–2039. https://doi.org/10.5194/NHESS-14-2027-2014
Sperna Weiland, F. C., van Beek, L. P. H., Kwadijk, J. C. J., & Bierkens, M. F. P. (2010). Hydrology and
Earth System Sciences The ability of a GCM-forced hydrological model to reproduce global
discharge variability. Hydrol. Earth Syst. Sci, 14, 1595–1621. https://doi.org/10.5194/hess-14-1595-
2010
Stefanidis, S., Dafis, S., & Stathis, D. (sem data). Evaluation of Regional Climate Models (RCMs) Performance
in Simulating Seasonal Precipitation over Mountainous Central Pindus (Greece).
https://doi.org/10.3390/w12102750
Teutschbein, C, hydrology, J. S.-J. of, & 2012, undefined. (2012). Bias correction of regional climate
model simulations for hydrological climate-change impact studies: Review and evaluation of
different methods. Elsevier, 456–457, 12–29. https://doi.org/10.1016/j.jhydrol.2012.05.052
Teutschbein, Claudia, & Seibert, J. (2010). Regional climate models for hydrological impact studies at
the catchment scale: A review of recent modeling strategies. Geography Compass, 4(7), 834–860.
https://doi.org/10.1111/J.1749-8198.2010.00357.X
Uhe, P. F., Mitchell, D. M., Bates, P. D., Sampson, C. C., Smith, A. M., & Islam, A. S. (2019).
Enhanced flood risk with 1.5 °c global warming in the Ganges-Brahmaputra-Meghna basin.
Environmental Research Letters, 14(7). https://doi.org/10.1088/1748-9326/ab10ee
Uzochukwu, G., Schimmel, K., Kabadi, V., & Chang, S. (2015). Proceedings of the 2013 National Conference
on Advances in Environmental Science and Technology. Obtido de
https://books.google.com/books?hl=pt-
PT&lr=&id=r0qGCgAAQBAJ&oi=fnd&pg=PR5&dq=Uzochukwu,+G.A.,+Schimmel,+K.,+Ka
badi,+V.,+Chang,+S.+Y.,+Pinder,+Ibrahim,+S.A.2015.+Proceedings+of+the+2013+National+
Conference+on+Advances+inEnvironmental+Science+and+Technology.+Springer.+++(1)+(P
DF)+MANN-
71
KENDALL+TEST:+TREND+ANALYSIS+OF+TEMPERATURE,+RAIN&ots=hOarESIH
Qs&sig=qM9rlajE2Mwlw_h-sEYbnxf8uOk
Wan Deraman, W. H. A., Abd Mutalib, N. J., & Mukhtar, N. Z. (2017). Determination of return period
for flood frequency analysis using normal and related distributions. Journal of Physics: Conference
Series, 890(1). Institute of Physics Publishing. https://doi.org/10.1088/1742-6596/890/1/012162
Wheater, H., Sorooshian, S., & Sharma, K. D. (2007). Hydrological modelling in arid and semi-arid
areas. Hydrological Modelling in Arid and Semi-Arid Areas, 9780521869188, 1–212.
https://doi.org/10.1017/CBO9780511535734
Woodruff, J. D., Irish, J. L., & Camargo, S. J. (2013). Coastal flooding by tropical cyclones and sea-level
rise. Nature 2013 504:7478, 504(7478), 44–52. https://doi.org/10.1038/nature12855
Yang, T. H., & Liu, W. C. (2020). A general overview of the risk-reduction strategies for floods and
droughts. Sustainability (Switzerland), 12(7). https://doi.org/10.3390/SU12072687
Zanis, P., Katragkou, E., Ntogras, C., Marougianni, G., Tsikerdekis, A., Feidas, H., … Melas, D. (2015).
Transient high-resolution regional climate simulation for Greece over the period 1960-2100:
evaluation and future projections. Climate Research, 64(2), 123–140.
https://doi.org/10.3354/CR01304
Zhu, T., & Ringler, C. (2012). Climate change impacts on water availability and use in the Limpopo
River Basin. Water (Switzerland), 4(1), 63–84. https://doi.org/10.3390/w4010063
72
Anexos
73
Anexo 3: Gráficos do processo de calibração e validação do Modelo hidrológico
SubId: 203434 Estação: Mabalane País: Moçambique
8000 0
7000
Precipitação (mm)
6000 50
Vazão (m3/s)
5000
4000
Calibração: NSE 0.767 Validação: NSE 0.761 100
3000
2000 150
1000
0 200
Precipitação (mm)
8000
50
Vazão (m3/s)
6000
Calibração: NSE 0.741 Validação: NSE 0.744 100
4000
150
2000
0 200
Anexo 4: Gráficos da análise de frequência das cheias para as estações de entrada de fluxo para o
modelo CNRM-CERFACS-CNRM-CM5
CM5 RCP 8.5 Estação: Changane CM5 RCP 8.5 Estação: Massingir
12000
2000
10000
Vazão extrema futura (m3/s)
1500 8000
1000 6000
500 4000
y = 417.01ln(x) - 55.697
R² = 0.9838 y = 1439ln(x) - 155.85
2000
0 R² = 0.7988
0 10 20 30 40 50 60 70 80 0
Período de retorno (anos) 0 10 20 30 40 50 60 70 80
Período de retorno (anos)
CM5 RCP 8.5 Estação: Pafuri CM5 RCP 4.5 Estação: Changane
2500 3500
Vazão extrema futura (m3/s)
2000 3000
2500
1500 2000
1000 1500
1000 y = 630.61ln(x) - 235.24
500 y = 426.59ln(x) - 81.777
R² = 0.9685 500 R² = 0.8442
0 0
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Período de retorno (anos) Período de retorno (anos)
74
CM5 RCP 4.5 Estação: Massingir CM5 RCP 4.5 Estação: Pafuri
Vazão extrema futura (m3/s) 4500 2500
Anexo 5: Gráficos da análise de frequência das cheias para as estações de entrada de fluxo para o
modelo MPI-M-MPI-ESM-LR
ESM RCP 8.5 Estação: Changane ESM RCP 8.5 Estação: Massingir
6000 20000
18000
5000 16000
4000 14000
12000
3000 10000
8000 y = 3537.3ln(x) - 508.64
2000 R² = 0.9775
6000
1000 4000
y = 1119.5ln(x) - 304.72
R² = 0.9232 2000
0 0
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Período de retorno (anos) Período de retorno (anos)
ESM RCP 8.5 Estação: Pafuri ESM RCP 4.5 Estação: Changane
7000 5000
4500
6000
Vazão extrema futura (m3/s)
4000
5000 3500
4000 3000
2500
3000
2000
2000 1500
y = 1072.8ln(x) - 368.7
R² = 0.8251 1000 y = 1003ln(x) - 316.68
1000 R² = 0.9445
500
0 0
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Período de retorno (anos) Período de retorno (anos)
ESM RCP 4.5 Estação: Massingir ESM RCP 4.5 Estação: Pafuri
16000 6000
Vazão extrema futura (m3/s)
Vazão extrema futura (m3/s)
14000 5000
12000
4000
10000
8000 3000
6000 2000
y = 2749.7ln(x) - 438.05 y = 1256.2ln(x) - 382.51
4000 R² = 0.9304 1000 R² = 0.9245
2000
0
0
0 10 20 30 40 50 60 70 80
0 10 20 30 40 50 60 70 80
Período de retorno (anos)
Período de retorno (anos)
75
Anexo 6: Gráficos da análise de frequência das cheias para as estações de entrada de fluxo para o
modelo IPSL-IPSL-CM5A-MR
IPSL RCP 8.5 Estação: Changane IPSL RCP 8.5 Estação: Massingir
4000 10000
3500 9000
8000
3000
7000
2500 6000
2000 5000
1500 4000
y = 788.64ln(x) - 294.27 3000 y = 1661.4ln(x) - 575.32
1000 R² = 0.9302
R² = 0.9458 2000
500 1000
0 0
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Período de retorno (anos) Período de retorno (anos)
IPSL RCP 8.5 Estação: Pafuri IPSL RCP 4.5 Estação: Changane
Vazão extrema futura (m3/s)
IPSL RCP 4.5 Estação: Massingir IPSL RCP 4.5 Estação: Pafuri
7000 4500
Vazão extrema futura (m3/s)
4000
Vazão extrema futura (m3/s)
6000
3500
5000 3000
4000 2500
3000 2000
y = 1438.6ln(x) - 515.22 1500
2000
R² = 0.923 1000 y = 735.29ln(x) - 241.12
1000 500 R² = 0.944
0 0
0 10 20 30 40 50 60 70 80 0 10 20 30 40 50 60 70 80
Período de retorno (anos) Período de retorno (anos)
76
Anexo 7: Elementos exposto na bacia do baixo limpopo: Uso e Cobertura do solo
77
Anexo 8: Quantificação por área da perigosidadde das cheias para em dferentes periodos de retorno
para o modelo CNRM-CERFACS-CNRM-CM5
Modelo: CNRM-CERFACS-CNRM-CM5 Cenários emissões: RCP 8.5
Periodo de Classes Perigosidade Área total
retorno (ha)
Baixa Moderada Alta Muito Alta
Água 215.6 211.2 1986.5 52292.0 54705.2
Árvores 5836.7 3600.9 25257.6 122057.5 156752.7
100 anos Área urbana 480.9 387.1 3422.4 8640.6 12931.0
Campo de cultivo 1825.6 1627.0 21546.1 85688.6 110687.3
Matagal 6448.5 4246.4 39574.0 248129.7 298398.6
Solo exposto 9.0 16.3 129.2 5564.6 5719.1
Zona húmida 112.0 93.0 2591.5 16822.5 19619.0
Total (ha) 14928.3 10181.9 94507.2 539195.5 658813.0
78
Modelo: CNRM-CERFACS-CNRM-CM5 Cenários emissões: RCP 4.5
Período Classes Perigosidade Área total
de retorno de (ha)
uso e cobertura Baixa Moderada Alta Muito Alta
Água 353.6 266.0 3014.8 50553.0 54187.5
Árvores 7148.6 4454.2 30084.4 66554.5 108241.7
Área urbana 702.8 535.5 4565.3 5830.2 11633.9
100 anos
Campo de 3610.7 3133.3 34634.8 62584.4 103963.3
cultivo
Matagal 8295.4 5976.9 57160.2 180858.0 252290.5
Solo exposto 23.4 20.5 531.3 5072.3 5647.5
Zona húmida 226.5 170.3 4626.3 14376.4 19399.4
Total (ha) 20361.0 14556.7 134617.2 385828.9 555363.9
79
Anexo 9: Quantificação por área da perigosidadde das cheias para em dferentes periodos de retorno
para o modelo MPI-M-MPI-ESM-LR
Modelo: MPI-M-MPI-ESM-LR Cenários emissões: RCP 8.5
Período de Classes Perigosidade Área total
retorno de (ha)
uso e cobertura Baixa Moderada Alta Muito Alta
Água 64.6 51.7 659.9 54344.5 55120.8
Árvores 4725.9 3057.6 19992.2 172274.1 200049.8
100 anos Área urbana 313.5 198.5 1267.2 14652.4 16431.6
Campo de cultivo 438.8 290.0 2643.3 111129.3 114501.3
Matagal 3524.3 2283.2 17253.5 301066.9 324127.9
Solo exposto 14.2 14.2 149.9 5521.8 5700.1
Zona húmida 6.8 7.1 66.3 19861.5 19941.7
Total (ha) 9088.1 5902.3 42032.3 678850.4 735873.2
80
Modelo: MPI-M-MPI-ESM-LR Cenários emissões: RCP 4.5
Período Classes Perigosidade Área total
de de (ha)
retorno uso e cobertura
Baixa Moderada Alta Muito Alta
81
Anexo 10: Quantificação por área da perigosidadde das cheias para em dferentes periodos de retorno
para o modelo IPSL-IPSL-CM5A-MR
Modelo: IPSL-IPSL-CM5A-MR Cenário emissões: 8.5
Período de Classes Perigosidade Área total
retorno de (ha)
uso e cobertura Baixa Moderada Alta Muito
Alta
Água 13873.9 734.8 26485.3 8434.2 49528.2
Árvores 4539.5 3092.1 17519.6 20113.8 45265.0
100 anos Área urbana 985.8 667.1 4457.2 1739.8 7849.9
Campo de cultivo 7965.4 5412.4 32310.3 29822.5 75510.5
Matagal 19385.6 10851.5 67406.6 62375.9 160019.7
Solo exposto 90.2 46.7 346.0 5145.4 5628.3
Zona húmida 2966.7 1539.4 5812.1 3723.2 14041.5
Total (ha) 49807.0 22344.1 154337.2 131354.8 357843.1
82
Modelo: IPSL-IPSL-CM5A-MR Cenário emissões: 8.5
Periodo de Classes Perigosidade Área total
retorno de (ha)
uso e cobertura Baixa Moderada Alta Muito
Alta
Água 197.6 168.1 1924.8 52370.3 54660.8
Árvores 5808.0 4131.8 30778.0 110257.0 150974.9
100 anos Área urbana 532.1 470.7 3944.2 7803.0 12749.9
Campo de cultivo 1775.7 1892.0 23847.3 83691.7 111206.6
Matagal 5890.6 4538.2 43785.6 245918.7 300133.2
Solo exposto 4.0 3.7 122.5 5610.9 5741.1
Zona húmida 99.9 75.5 1694.4 17839.4 19709.2
Total (ha) 14307.9 11279.9 106096.9 523490.9 655175.7
83