Modelagem hidrológica determinística e estocástica aplicada à região hidrográfica do Xingu- Pará

Abstract

RESUMOA modelagem hidrológica é uma importante ferramenta no planejamento e gerenciamento de programas de recursos hídricos de bacias hidrográficas. Neste trabalho, foi aplicado o modelo hidrológico determinístico mensal de dois parâmetros e o modelo estocástico, ARIMA, para simular a vazão mensal das sub-bacias da região hidrográfica do Xingu no Estado do Pará. O objetivo principal foi simular a vazão mensal através dos modelos e comparar os seus resultados. O modelo hidrológico determinístico aplicado possui uma estrutura simples e apresentou bons resultados, porém mostrou-se muito sensível a eventos extremos de precipitação. O modelo estocástico ARIMA, conseguiu capturar a dinâmica das séries temporais, apresentando resultados muito satisfatórios na simulação da vazão mensal nas estações da bacia. Ambos os modelos devem ser aplicados com cautela no período chuvoso, onde ocorrem os eventos extremos de precipitação e consequentemente vazões de pico. Palavras-chave: Bacias Hidrográficas, Modelos hidrológicos, Vazão. ABSTRACT: DETERMINISTIC AND STOCHASTIC HYDROLOGICAL MODELING APPLIED TO THE XINGU RIVER BASIN -PARÁHydrologic modeling is an important tool for the planning and management of water resources use in river basins. In this work, a two-parameter monthly deterministic hydrologic model and the stochastic model, ARIMA, were applied to simulate the monthly runoff of the Xingu river basin in the State of Pará. The main objective of this work is to simulate the monthly runoff using the two models and to compare their results. The applied hydrological deterministic model has a simple structure and presented good results, but seems to be very sensitive to extreme precipitation events. The stochastic model ARIMA was able to capture the dynamic of the temporal series, presenting very satisfactory results for the simulation of the monthly runoff at the basin stations. Both models should be applied with caution during the rainy season, when extreme precipitation events and consequently peaks of runoff occur.

Padrões de Distribuição e Ocorrência do Ictioplâncton no Médio Rio Xingu, Bacia Amazônica, Brasil

“…No trecho médio, situa-se uma área denominada de 'Volta Grande do Xingu', em que o nível do rio desce cerca de 70 m de altura em todo o seu percurso, característica de perfil topográfico que oferece um dos maiores potenciais hidráulicos do Baixo Amazonas (SALOMÃO et al, 2007), que, atualmente, abriga a construção da Usina Hidrelétrica de Belo Monte, com futuro potencial hidrelétrico estimado de 11.187 mil megawatts (MW ) e terá um reservatório estimado de 440 km 2 (LUCAS et al, 2009).…”

Palm community transitions along a topographic gradient from floodplain to terra firme in the eastern Amazon

“…Total annual rainfall for the studied area is approximately 2,000 mm, on average. Climatic patterns show two distinct seasons marked by heavy precipitation from January to May followed by four to five months of extremely low rainfall (less than 100 mm but frequently close to nil) (Lucas et al 2009). Current deforestation rates are the highest in the Brazilian Amazon because of the presence of the Transamazon Highway (BR-230), and the megahydroelectric Belo Monte dam (Fearnside 2006), among other developments.…”

Modelagem estocástica: previsão das temperaturas para a localidade de Pelotas/RS/Brasil.

“…Na análise das estatísticas dos testes aplicados às temperaturas médias máxima anual e média anual, verifica-se que não houve alteração de tendência na aplicação dos testes de Spearman e Mann-Kendall (Tabela 1; Figuras 1b e 1d). Nas Figuras 2a, 2b e 2c são apresentadas as Funções de Autocorrelação, que mostram que a série temporal das temperaturas médias máxima e média são consideradas ruído branco,ou seja, cada valor da série tem média zero, variância constante e não apresenta correlação serial, visto que todos os coeficientes de autocorrelação estão dentro do intervalo de confiança (LUCAS et al, 2009).…”

“…Entre os modelos tradicionais de previsão existentes se destacam os modelos da classe ARIMA, modelos Box e Jenkins e os algoritmos de alisamento exponencial, os quais sempre foram largamente utilizados pelas ciências econômicas (MORETTIN;TOLOI, 2006). Um processo estocástico que tem recebido grande atenção é o chamado autorregressivo, cujos modelos da classe ARIMA, que buscam representar o comportamento da série são: (a) autorregressivo integrado e de média móvel -ARIMA (p, q, d), utilizado em séries com características de não-estacionariedade (d), que possui dois parâmetros, regressivo (p) e média móvel (q); o autorregressivo média móvel -ARMA (p, q) com os mesmos parâmetros citados, mas utilizado para séries estacionárias; e o processo autorregressivo -AR (p) (BOX;JENKINS, 1976;LUCAS et al, 2009;CALGARO et al, 2009;LÚCIO et al, 2010). A seleção dos parâmetros "p" e "q" é obtida a partir das funções de autocorrelação -que medem o grau de dependência entre os valores das séries temporais em diferentes períodos, ou seja, o quanto um valor observado no tempo t é influenciado pelo valor observado no tempo t -k, representando a memória do processo estocástico -e autocorrelação parcial -que pode ser definida como o último termo autorregressivo de um modelo AR (p).…”

“…A seleção dos parâmetros "p" e "q" é obtida a partir das funções de autocorrelação -que medem o grau de dependência entre os valores das séries temporais em diferentes períodos, ou seja, o quanto um valor observado no tempo t é influenciado pelo valor observado no tempo t -k, representando a memória do processo estocástico -e autocorrelação parcial -que pode ser definida como o último termo autorregressivo de um modelo AR (p). Assim, φ 1 , φ 2 , φ 3 , ... , φ p-1 , φ p são as "p" autocorrelações parciais de qualquer processo AR (p) (LUCAS et al, 2009;LOHANI et al, 2012). Souza et al (2009) utilizaram os modelos Box e Jenkins para a previsão das séries de precipitação e temperatura para a região central do Rio Grande do Sul.…”