Professional Documents
Culture Documents
DE REGIÕES SEMI-ÁRIDAS
Abstract – By the design, optimization and risk analysis of multipurpose reservoirs systems
Monte Carlo simulations, where usually used monthly and annually streamflow generation models
have been used. In general auto-regressive models preserve the statistical parameters of the
historical time series when they are applied in humid basis. Otherwise, they are not able to
reproduce the persistence (long periods of low and high flow) encountered in the historical series
of intermittent rivers from semi-arid areas. In this study the software names SAGE has been
presented, which is composed of several streamflow generation models have been modified and
applied to semi-arid in the Northeast Brazil. By the water resources management in semi-arid
regions, subject to critical precipitation and reservation conditions, the impact assessment analysis
of hydrologic droughts trough streamflow simulation is of huge importance for water resources
policy makers.
1
Coordenador do Grupo de Pesquisas em Recursos Hídricos, Meio Ambiente e Computação Aplicada; Coord. do
Curso de Especialização em Engenharia de Software (Internet); Prof. da Universidade de Fortaleza - UNIFOR; E-
mail: freitas@feq.unifor.br
Palavras-Chave – geração de vazão; semi-árido; otimização.
1. INTRODUÇÃO
O modelo AR(1) original, também conhecido como Modelo Thomas-Fiering, pode ser
descrito através da equação:
Qi = µ + ρ (Qi −1 − µ ) + t iσ (1 − ρ 2 )1 / 2 (1)
sendo
Qi = vazão no ano i;
µ = média da população;
σ = desvio padrão da população;
ρ = coeficiente de correlação lag-1 da população;
t i = variável aleatória N(0,1).
Para rios intermitentes do Nordeste do Brasil empregam-se, entretanto, variáveis aleatórias
com distribuições assimétricas, tais como a log-normal e gama.
Qi = φQi −1 + ε i (2)
onde
Qi = vazão no intervalo de tempo i;
φ = coeficiente de autocorrelação;
ε i = variável aleatória independente.
Para a geração de número aleatório com distribuição gama utiliza-se o esquema seguinte:
ε = λ (1 − φ ) + η (3)
sendo
η = 0 → M = 0
M
η = ∑ Y j (φ ) j → M > 0
U
j =1
com
M = variável aleatória com distribuição Poisson e média igual a − β ln(φ )
U j = variável aleatória uniforme (0,1)
O modelo anual Alternating Renewal Reward de KENDALL & DRACUP (1992), baseia-
se nas características (duração, severidade e magnitude) dos períodos de secas e cheias
encontrados na série histórica. Ele faz uso da distribuição geométrica para a simulação da duração
dos períodos de secas e cheias e da distribuição gama a dois parâmetros para a reprodução da
severidade.
Uma hipótese básica no processo de modelagem das vazões anuais por meio do modelo
ARR é a de que os eventos de secas sejam oriundos de populações distintas, ou seja, o déficit Yi
(déficit no ano i) seja independente e uniformemente distribuído, dependente, entretanto, da
duração. Para a geração anual são efetuados dois estágios: 1) modelagem do processo seca/cheia,
2) modelagem da vazão dentro de período de seca ou cheia. O modelo pode, deste modo, se
encontrar em um dos dois estados possíveis. Caso, por exemplo, o sistema seja a priori adotado
como sendo cheia, gera-se, então, DH1 anos de cheias. A seguir, adota-se o sistema como seca e
gera-se DL1 anos de seca e assim por diante. Sendo DHn e DLn distribuições de probabilidades
independentes e uniformemente distribuídas.
O problema, portanto, resume-se à identificação de funções de distribuições de
probabilidade para os dois estágios do modelo. Para a modelagem do processo cheia/seca foi
utilizada a distribuição geométrica e para a modelagem da severidade das cheias e secas foi usado
a distribuição gama a dois parâmetros. Um fator restritivo no ajuste das distribuições para a
duração, bem como para a severidade, diz respeito à pequena amostra. Em um período de cerca de
80 anos de dados tem-se, por exemplo, cerca de 15 períodos de seca. Para superar essa deficiência
foram empregados, então, dois procedimentos: decimação e padronização. Na análise de série de
tempo com intervalo menor do que um ano, isto é, caso haja periodicidade, a variável original
pode ser substituída através de uma padronização, com o objetivo de remover essa periodicidade.
f x ( x ) = pq x −1 (4)
Para a severidade empregou-se distribuições gama a dois parâmetros para cada duração,
segundo KENDALL & DRACUP (1992):
λe −λYD (λYD ) r −1
f (YD ) = (5)
Γ (r )
com
Γ = a função gama; r = o parâmetro de forma; λ = o parâmetro de escala.
2.2 Modelagem Mensal
sj
Qi , j = Q + r j (Qi , j −1 − Q j −1 ) + t´ j s j (1 − rj 2 )1 / 2 , (6)
s j −1
onde
Qi , j −1 e Qi , j = vazão no mês j-1 e j do ano i
n'
Pj = (7)
n
onde
n´ = número de valores não nulos de vazão em um dado mês j com n observações;
n = número de anos da série histórica
Para cada mês é então gerado um número aleatório Vj com distribuição uniforme (0,1) e
comparado ao valor de probabilidade de ocorrência de vazão.
V j >Pj ⇒ Qi , j = 0
V j ≤ Pj ⇒ Qi , j > 0
Qi , j = Q j + s j t j (8)
sendo
t j = número aleatório com distribuição normal N(0,1).
Uma outra modificação desse modelo foi proposta por MATALAS (1967). Não sé devido as
características assimétricas das vazões mensais, mas também por causa da dificuldade de obtenção
de um estimador representativo do valor populacional de assimetria, pois as séries históricas de
vazão são geralmente curtas, utiliza-se muitas vezes uma distribuição de probabilidade log-
normal. Como o logaritmo de nulo não é definido, o que impossibilitaria de se aplicar a
transformação log diretamente a séries históricas de rios intermitentes, MATALAS (1967)
apresentou uma forma de estimar os parâmetros da série histórica no domínio logarítmico sem
alterar a série em si.
A maioria dos modelos, entretanto, não captura, a distribuição e a persistência dos totais
anuais. As vazões mensais geradas (por modelos mensais) caso somadas, normalmente diferem
das vazões anuais sintéticas (geradas por modelos anuais), particularmente quando o modelo é
especificado em termo dos logaritmos das vazões, ou de alguma outra transformação efetivada.
Em tais casos, ou as vazões mensais ou as anuais necessitam ser ajustadas para se manter tal
consistência. Uma questão relevante é como ajustar as vazões sazonais geradas sem
substancialmente distorcer suas distribuições marginais. Neste estudo diversos métodos de ajustes
foram testados e analisados.
Na aplicação de modelos estocásticos de vazão em sistemas de recursos hídricos é
importante, portanto, que não apenas os parâmetros estatísticos das vazões mensais, mas também
os das vazões anuais, sejam reproduzidos. Os valores de vazões negativos gerados, bem como a
distorção na distribuição marginal foram observados. A utilização de um ou outro procedimento
de ajuste é de fundamental relevância, notadamente na avaliação da capacidade do modelo de
geração em reproduzir os períodos de secas extremas e estimar com razoável precisão a vizinhança
das vazões anuais históricas.
Qi , j
f i, j = n (9)
∑Q i, j
j =1
sendo:
n = número de meses (n=12); Qi , j = vazão no mês j do ano i.
O modelo de desagregação proposto por VALENCIA & SHAAKE (1973) faz uso de um
modelo de geração de vazão anual, para em seguida desagregar esses valores anuais em vazões
mensais, semanais ou diárias. O modelo baseia-se na equação a seguir:
Qi = AM i + BVi (10)
onde
Qi = matriz de vazões
A = vetor de parâmetros [12x1]
12
M i = matriz coluna de vazão no ano i subtraída de µ , estimado por M = 1
12 ∑Q
j =1
j
Para cada uma das bacias hidrográficas foram geradas 100 séries de 50 anos de extensão,
com cada um dos modelos. Nas figuras 3, 4 e 5 são apresentados comparativos do valor histórico
com o valor mediano (100 séries geradas) dos parâmetros média, desvio padrão e coeficiente de
correlação, respectivamente. Os modelos Frag1 e Frag2 foram os que conseguiram melhor
reproduzir os parâmetros estatísticos analisados.
Vazão Média
His
60 Clarke
50 Matalas
Twotier1
40
(m³/s)
Twotier2
30 Twotier3
20 Frag1
10 Frag2
0 Frag3
J F M A M J J A S O N D Disag
mês
Desvio Padrão
His
70 Clarke
60 Matalas
50 Twotier1
Twotier2
(m³/s)
40
30 Twotier3
20 Frag1
10 Frag2
0 Frag3
J F M A M J J A S O N D Disag
mês
Coeficiente de Correlação
His
1 Clarke
0,8 Matalas
Twotier1
0,6
Twotier2
0,4 Twotier3
0,2 Frag1
0 Frag2
-0,2 Frag3
Disag
J F M A M J J A S O N D
mês
Na tabela 6 observam-se os erros médios de ajuste (bias e rmse) para o Posto Faz.
Cajazeiras.
Tabela 6 - Erros médios de ajuste (bias e rmse) para o Posto Faz. Cajazeiras.
Modelo Média Desvio Padrão Coef. de Correlação
bias rmse bias rmse bias rmse
TF/Clarke 0.2876 0.2321 0.2060 0.1674 6.6039 4.1213
TF/Matalas 0.1965 0.1953 0.1639 0.1591 6.4141 1.7117
Two-tier1 0.3237 0.2652 0.2810 0.2007 7.1211 3.9973
Two-tier2 0.3031 0.2808 0.2369 0.2922 8.7538 2.2963
Two-tier3 0.3325 0.2704 0.2691 0.3102 8.5416 5.7129
Frag1 0.0966 0.2136 0.0838 0.1673 0.1276 1.9774
Frag2 0.1381 0.1825 0.1387 0.1028 0.8318 2.6558
Frag3 0.2076 0.1801 0.1111 0.1304 1.1984 1.9313
Disag. 0.4867 0.4691 0.3299 0.3379 7.3794 7.1152
O software SAGE foi, ainda, utilizado para gerar 1000 (mil) séries de vazão sintética, com
50 anos de extensão cada, na Bacia do Rio Guaribas no Estado do Piauí, visando a simulação da
operação da Barragem Bocaina. Os valores dos principais parâmetros estatísticos (média, desvio
padrão, assimetria, coeficiente de correlação, etc.) foram razoavelmente preservados. As Figuras 6
a 10 apresentam, a título de exemplificação, o resultado dessa simulação empregando o Modelo
Matalas, mostrando os valores da média, desvio padrão, coeficiente de variação, coeficiente de
assimetria e coeficiente de correlação lag-1, respectivamente.
Vazões: Históricas e Geradas
12
10
8
m3/s 6
Histórica
Gerada
4
2
0
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Meses
20
15
m3/s
Histórico
10
Gerado
5
0
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Meses
Coeficiente de Variação
4
3
Histórico
2
Gerado
1
0
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Meses
6
5
4 Histórica
3
2 Gerada
1
0
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Meses
1
0,8
0,6 Histórico
0,4 Gerado
0,2
0
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Meses
4. CONCLUSÕES E RECOMENDAÇÕES
Neste trabalho foi apresentado o software SAGE, bem como a descrição dos modelos usados
na geração de vazão em região semi-árida. Quando aplicado às diversas bacias do semi-árido
brasileiro os modelos Frag1 e Frag2 apresentaram resultados mais satisfatórios, provando assim
serem uma ferramenta útil no projeto e otimização de sistemas de reservatórios em regiões semi-
áridas. O modelo Matalas mostrou-se ser bastante eficiente na reprodução de vazão no semi-árido
piauiense.
5. BIBLIOGRAFIA