Baixe o app para aproveitar ainda mais
Prévia do material em texto
ANÁLISE DE SÉRIES TEMPORAIS E MAPEAMENTO DE CARACTERÍSTICAS DAS ÁGUAS SUBTERRÂNEAS A PARTIR DE DADOS DE MONITORAMENTO RODRIGO LILLA MANZIONE SÃO PAULO – SP Instituto Água Sustentável Julho/2018 ANÁLISE DE SÉRIES TEMPORAIS E MAPEAMENTO DE CARACTERÍSTICAS DAS ÁGUAS SUBTERRÂNEAS A PARTIR DE DADOS DE MONITORAMENTO 1ª Edição ANÁLISE DE SÉRIES TEMPORAIS E MAPEAMENTO DE CARACTERÍSTICAS DAS ÁGUAS SUBTERRÂNEAS A PARTIR DE DADOS DE MONITORAMENTO RODRIGO LILLA MANZIONE Todos os direitos desta edição são reservados. Vetada a reprodução, adaptação, modificação, comercialização ou cessão sem autorização do autor. Este livro foi publicado no website: www.aguasustentavel.org.br, para leitura exclusivamente online pelos usuários, os leitores poderão imprimir as páginas desta obra para leitura pessoal. SÃO PAULO – SP Instituto Água Sustentável Julho/2018 II Autor: Rodrigo Lilla Manzione Título: Análise de séries temporais e mapeamento de características das águas subterrâneas a partir de dados de monitoramento Edição: 1ª edição – 186 p. Editor: Instituto Água Sustentável Local: São Paulo/SP III Para Monica e Bruna IV AGRADECIMENTOS Agradeço a minha família e amigos pelo apoio incondicional em todos os momentos. Aos meus orientados pelo convívio saudável e crescimento conjunto. Ao técnico de laboratório da UNESP/Ourinhos, o biólogo e especialista em recursos hídricos Jakson José Ferreira, parceiro sem o qual esse trabalho não teria sido executado. Aos alunos da UNESP/Ourinhos que participaram dos trabalhos de campo (Anderson L. S. Safre, Emma F. Caron, Lucas B. Machado, Luiz Henrique A. Ramburgo, Theresa J. Daerden, Victor J. Favarin, Vinícius S. Filipin), auxiliando na perfuração dos poços, coleta dos dados, manutenção das trilhas, confecção de banco de dados, meu muito obrigado. Aos alunos do Curso de Pós-graduação em Agronomia – Área de concentração em Irrigação e Drenagem (Aira Nava, Lucas V. Santarosa, Rita de Cassia F. da Silva, Thiago Ramires, Vitor Fidelis M. Gonçalves) que participaram efetivamente do projeto, desenvolvendo estudos, experimentos, trabalhos, fica aqui minha gratidão. Ao Instituto Florestal do Estado de São Paulo por permitir a realização da pesquisa Aos funcionários do Instituto Florestal do Estado de São Paulo lotados na Estação Ecológica de Santa Barbara, Carlos Roberto da Silva e Marcos Antônio Soler, pelo apoio local. À FAPESP (Fundação de Amparo à Pesquisa do Estado de São Paulo) pelo apoio financeiro para implantação da infraestrutura de pesquisa, coleta e análise dos dados. Aos demais colegas e servidores da UNESP/Ourinhos e da UNESP/FCA-Botucatu que de alguma forma contribuíram para o sucesso dessa pesquisa, pelo apoio institucional e suporte técnico. V APRESENTAÇÃO Esse livro nasceu dos resultados de pesquisas desenvolvidas em parceria com o Instituto Florestal (IF) do Estado de São Paulo através de convênio firmado por meio da Comissão Técnico-Científica do IF (COTEC) para implantação de infraestrutura de pesquisa para monitoramento agrohidrometeorológico na Estação Ecológica de Santa Bárbara, no município de Águas de Santa Barbara/SP. Parcerias essas que começaram em outros momentos e em outras áreas do IF, mas especificamente na EEcSB as pesquisas começaram no que há de mais nobre em um pesquisador: a curiosidade. Curiosidade essa que nos leva a ter a investigação científica como escolha profissional e motivo de vida, energia vital para uma carreira de professor/pesquisador. O verão de 20013/2014 foi um dos mais secos já registrados no Estado de São Paulo, e trouxe consigo uma pergunta simples: como estariam os níveis das águas subterrâneas após todo esse quadro de escassez e colapso dos sistemas de abastecimento de cidades como São Paulo? Todos as outras perguntas que vieram depois motivaram a elaboração de um projeto para caracterizar essa situação e os efeitos do clima em uma área com inúmeras nascentes, áreas úmidas, níveis de água subterrânea superficiais e vegetação florestal nativa e exótica. Assim, aprovado o recurso junto a Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP), foram instalados poços de monitoramento a partir de 01/06/2014 nas principais drenagens da EEcSB e uma estação climatológica automática no centro da área (auxílios regulares à pesquisa 2014/04524-7 e 2016/09737-4). Tanto nos estudos quanto na implantação da infraestrutura de pesquisa foram envolvidos alunos de graduação e iniciação científica, alunos de intercâmbio, técnicos acadêmicos, mestrandos e doutorandos, além de parceiros e doutores de outras instituições nacionais e internacionais. Muito me orgulha o fato de terem sido desenvolvidos dois projetos de iniciação científica de alunos do curso de Geografia da UNESP/Ourinhos e cinco mestrados junto ao curso e pós-graduação em Agronomia – Área de concentração em Irrigação e Drenagem da UNESP/FCA-Botucatu. Os trabalhos foram defendidos entre os anos de 2015 e 2018 com pesquisas na área da EEcSB, utilizando os dados coletados e conhecimento gradativamente gerado, valorizando assim o propósito do projeto de, não só gerar informações e publicações, mas também formar alunos e criar massa crítica nesse tipo de estudo e nessa temática. Os resultados obtidos também foram apresentados como parte dos requisitos e exames realizados para obtenção do título de livre docente nas disciplinas de Hidrogeografia e Agrometeorologia durante o concurso realizado no Campus de Ourinhos da UNESP entre 07 e 08 de dezembro de 2016, cuja banca examinadora foi composta pelos membros Prof. Dr. Edson Luís Piroli (UNESP/Ourinhos – professor adjunto/presidente da banca), Prof. Dr. VI Edson Cezar Wendland (USP/EESC – professor titular), Prof. Dr. Jurandyr Sanchez Ross (USP/FCLCH – professor titular), Prof. Dr. Jorge Kazuo Yamamoto (USP/IGc – professor titular aposentado) e Prof. Dr. Paulo Milton Barbosa Landim (UNESP/IGCE-Rio Claro – professor emérito aposentado). Além de resultados inéditos da pesquisa, o texto traz uma ampla revisão sobre modelos de séries temporais. Os dados foram explorados utilizando modelos que representam o estado da arte em modelagem estocástica de dados hidrogeológicos. Por fim, faz-se uma análise sobre os caminhos e perspectivas sobre os usos presentes e futuros de técnicas de modelagem de séries temporais aliadas à análise de dados espacial para caracterização da variabilidade espaço-temporal de níveis freáticos. Espera-se que essa obra inspire novos trabalhos e aplicações, não somente voltadas a área de hidrogeologia e recursos hídricos, mas também em outras áreas das ciências ambientais que estudem fenômenos com indexação tanto no tempo quanto no espaço. Rodrigo Lilla Manzione Professor Adjunto da Faculdade de Ciências e Engenhariade Tupã (FCE) da Universidade Estadual Paulista - UNESP VII PREFÁCIO As águas subterrâneas são uma importante fonte estratégica de reserva dos recursos hídricos principalmente em situações de escassez por mudanças climáticas que ocasionem longos períodos de seca. Em termos ecológicos, aquíferos desempenham um papel fundamental para a própria existência da flora e da fauna em ambientes continentais, uma vez que a manutenção de rios e lagos dependem da descarga dos aquíferos. A fim de gerar o conhecimento técnico necessário para a gestão desse importante recurso, o uso de modelos torna-se necessário para permitir a análise de dados de monitoramento que permita detectar alterações no ciclo hidrológico e, portanto, gerar cenários de tendências futuras. A análise de séries temporais aplicada ao estudo de dados de monitoramento do nível freático é uma maneira eficiente para tal modelagem e se o os tempos de resposta, relativos aos níveis médios simulados, forem submetidos às técnicas da estatística espacial, os mapas resultantes podem mostrar de modo claro o fenômeno distribuído por toda área de estudo. Por meio dessa abordagem quantitativa do sistema, é possível estabelecer uma relação dinâmica entre o comportamento do nível freático, seja em função de condições hidrogeológicas locais, seja condicionados por eventos climáticos de caráter mais abrangente. Esse é o tema deste livro escrito pelo Professor Rodrigo Lilla Manzione. Formado em Agronomia em 1999 e Mestrado em 2002, ambos pela Universidade Estadual Paulista/UNESP, campus de Botucatu, obteve seu Doutorado em 2007 em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais em São José dos Campos, e o título de Livre Docente em Hidrogeografia e Agrometeorologia em 2016 pela Universidade Estadual Paulista/UNESP, campus de Ourinhos. Foi bolsista PDEE-CAPES, realizando estágio de doutorado no Instituto ALTERRA, na Universidade de Wageningen, Holanda. Orientando alunos e ministrando cursos de graduação e de pós-graduação, tem larga experiência na área de agronomia e meio ambiente, com ênfase em modelagem estatística, atuando principalmente nos seguintes temas: pedologia, hidrogeologia, agricultura de precisão, geoestatística, séries temporais, geoprocessamento, sistema de informações geográficas e mapeamentos de riscos e incertezas. Atualmente é docente da Faculdade de Ciências e Engenharia da Universidade Estadual Paulista/UNESP, campus de Tupã. Além de produtivo pesquisador o Professor Manzione é também docente atento com a arte de ensinar, e isso faz com que este livro tenha uma forte componente didática, conferindo a todos os temas abordados uma clareza de exposição e uma grande atenção com os detalhes da fundamentação teórica e dos materiais e procedimentos metodológicos aplicados. Com isso consegue demonstrar, a partir das análises conduzidas no estudo, a VIII aplicabilidade de modelos de séries temporais com diferentes formulações conceituais à dados de monitoramento do nível freático sob os efeitos da sazonalidade e anomalias climáticas, sendo os resultados finais apresentados na forma de mapas, revelando padrões espaciais de distribuição. Digno de nota, porém, é ressaltar a sua preocupação, ao tecer considerações sobre os resultados obtidos a partir de dados modelados pelas series temporais associados à análise espacial desses resultados, em apontar a possibilidade de trabalhos futuros sobre o tema. Segundo o Autor, a análise de séries temporais associada à análise espacial de dados geográficos permite acessar as dimensões temporais e espaciais da variabilidade do fenômeno em estudo. Entretanto, a variabilidade é acessada de maneira a separar o tempo do espaço, sendo necessário incorporar essas duas dimensões, o que ainda não se conseguiu plenamente. A variação conjunta espaço-temporal necessita de novos métodos que integrem ambas as dimensões no mesmo modelo para que possa ser completamente explorada e, consequentemente, explicada. Reflexões muito oportunas a serem meditadas pelos leitores em suas futuras pesquisas. De parabéns o Instituto “Água Sustentável” pela edição desta importante contribuição ao estudo quantitativo do comportamento de águas subterrâneas. Paulo M. Barbosa Landim Professor Emérito da Universidade Estadual Paulista – UNESP IX RESUMO A análise de séries temporais aplicada ao estudo de dados de monitoramento do nível freático é uma maneira elegante de modelar dados irregulares e contínuos. Através de uma abordagem de identificação de sistema, é possível estabelecer a relação dinâmica entre perturbações nos níveis freáticos e eventos climáticos, vegetação, condições hidrogeológicas locais, manejo e abstração das águas subterrâneas. Entre 2013 e 2016, o Estado de São Paulo passou por dois períodos marcantes de anomalia climática, presenciando uma das piores secas já registradas e posteriormente os efeitos do fenômeno El Ninõ Oscilação Sul (ENOS), trazendo impactos diretos nos recursos hídricos. Na região Hidrográfica do Médio Paranapanema (UGRHI-17), as águas subterrâneas são fonte de abastecimento de diversas cidades, de inúmeras nascentes que alimentam seus rios principais e suportam sistemas agrícolas e florestais e remanescentes de vegetação natural de Cerrado. O objetivo desse trabalho foi investigar o comportamento dos níveis freáticos frente a essas anomalias climáticas em uma área representativa da UGRHI-17. Implantou- se na Estação Ecológica de Santa Barbara (EEcSB), município de Águas de Santa Barbara (SP) uma rede geoespacial de monitoramento freático composta de 32 poços próximos aos principais cursos d’água das bacias hidrográficas dos seus domínios. A partir de dados climatológicos e de níveis freáticos observados entre setembro de 2014 e agosto de 2016, aplicou-se dois modelos de séries temporais para capturar a resposta dos níveis em função do clima: um modelo autoregressivo (modelo HARTT) e um modelo de função de transferência de ruído em tempo contínuo (modelo PIRFICT). Foram calculados os tempos de resposta dos níveis em função de entradas no sistema, tendências de elevação dos níveis e características da flutuação dos níveis ao longo do tempo. Também foram simuladas séries mais longas de nível freático partir de dados históricos de precipitação disponíveis desde 1987. Ambos os modelos apresentaram bons ajustes e foram capazes de caracterizar a relação entre o saldo precipitação/evapotranspiração e os níveis freáticos em áreas de Pinus e Cerrado. O mapeamento dos tempos de resposta, tendências e níveis médios simulados foi realizado utilizando técnicas geoestatísticas. Esses mapas auxiliam na compreensão do fenômeno de forma espacial, distribuída por toda área de estudo. Os estímulos climáticos influenciaram o comportamento dos níveis. De maneira geral os níveis apresentam uma resposta rápida, com uma memória curta, com uma influência mais marcada da precipitação e tendências de elevação no período estudado. Essas informações são importantes para gestão dos recursos hídricos subterrâneos, planejamento de atividades que dependam da água, parcelamento do solo e estudos sobre a capacidade de suporte de áreas quanto aos seus recursos naturais. PALAVRAS-CHAVE: modelagem estocástica, águas subterrâneas, modelo HARTT, modelo PIRFICT, geoestatística, mapeamento X ABSTRACT Applying time series modelling to study water table depth monitoring data is an elegant way to model irregular and continuous data. In a system identification approach, it is possible to establish the dynamicrelationship between water table perturbations and climatological events, vegetation, hydrogeological local conditions, management and groundwater abstraction. Between 2013 and 2016, São Paulo State, Brazil, passed through two marked periods of climatic anomalies, facing one of the worst droughts ever recorded and, later, the effects of the El Ninõ South Oscilation (ENSO) phenomena, directly impacting water resources. In the Medio Paranapanema hydrographical region (UGRHI-17), groundwater is a source of supply to several cities and numerous springs that discharge to the major rivers of the region and supports agricultural and forest systems and remaining natural Cerrado vegetation. The aim of this study was to investigate the behaviour of water table depths from these climatological anomalies in a representative area of the UGRHI-17. A geospatial monitoring network of water table depths was implemented in the Ecological Station of Santa Barbara, in a municipality of Águas de Santa Barbara (SP), Brazil, with 32 piezometers close to the main water bodies of the region’s watersheds. From climate data and water table depths observed from September 2014 to August 2016, two time series models were tested to capture the response of groundwater levels due climatological inputs: an autoregressive model (HARTT model) and a transfer function noise model in continuous time (PIRFICT model). We calculate response times from system inputs, trends of elevation in water levels and fluctuation characteristics through time. Longer series were also simulated from historical precipitation data available since 1987. Both models presented good calibration results and were able to characterize the relationship between the precipitation and evapotranspiration budged and water table depths in the Pines and Cerrado areas. Response time, time trends and simulated mean water levels were mapped using geostatistical techniques. These maps help to understand the water table oscillation processes in a spatial perspective, distributed over the whole study area. Climatological inputs influenced the behaviour of water table levels. In general, the water levels present a fast response with a short memory, and with more marked influence of precipitation inputs and trend of elevation during the monitoring period. This information is important for groundwater management, water-dependent activities planning, land use parcelling and studies about the natural resource capacity of specific areas. KEY-WORDS: stochastic modelling, groundwater, HARTT model, PIRFICT model, geostatistics, mapping XI ÍNDICE DE FIGURAS Figura 1: Representação esquemática de um modelo de função de transferência com um ruído adicionado. ................................................................................................................. 17 Figura 2: Localização da UGRH-17 (MP) na bacia hidrográfica do rio Paranapanema. ....... 24 Figura 3: Localização da EEcSB e da Floresta Estadual nos limites do município de Águas de Santa Bárbara (SP). ........................................................................................................ 28 Figura 4: Formações Geológicas e sua ocorrência na região da EEcSB. ............................ 29 Figura 5: Mapa da altimetria das bacias hidrográficas da EEcSB. ....................................... 30 Figura 6: Mapa pedológico da região da EEcSB. ................................................................. 31 Figura 7: Corpos de água que compõem a rede de drenagem da EEcSB ........................... 33 Figura 8: Uso e cobertura da terra na EEcSB ...................................................................... 35 Figura 9: Modelo hidrogeológicos conceitual da EEcSB. ..................................................... 36 Figura 10: Detalhe da ponteira dos piezômetros instalados no projeto e as peças de PVC adaptadas para perfurações à diferentes profundidades. .................................................... 38 Figura 11: Poços perfurados nas Bacias do Guarantã (esquerda) e do Bugre (direita). ....... 39 Figura 12: Poços perfurados nas Bacias do Santana (esquerda) e Passarinho (direita). ..... 39 Figura 13: Distribuição dos poços de monitoramento instalados na EEcSB. ........................ 40 Figura 14: Estação Climatológica Automática instalada próxima à sede da EEcSB. ............ 41 Figura 15: Estação Climatológica Automática com cerca de proteção. ................................ 42 Figura 16: Exemplos do alcance das formas que a função de distribuição Pearson tipo III df pode tomar (n = [0.5, 1, 1.3, 1.7, 2.3], A = n×100, a = 0.01). ................................................ 46 Figura 17: Série de precipitação PREC_EEcSB monitorada mensalmente entre janeiro de 1987 e agosto de 2016 (valores em mm). ............................................................................ 53 Figura 18: Séries de precipitação PREC_MAND e evapotranspiração potencial ETP_MAND monitoradas mensalmente entre janeiro de 1992 e agosto de 2016 (valores em mm). ........ 54 Figura 19: Séries de precipitação PREC_ECA e evapotranspiração potencial ETP_ECA monitoradas diariamente entre setembro de 2014 e agosto de 2016 (valores em mm)........ 54 Figura 20: Correlação entre as séries PREC_EEcSB e PREC_MAND (valores em mm). .... 55 Figura 21: Correlação entre as séries PREC_EEcSB e PREC_ECA (valores em mm). ....... 55 Figura 22: Correlação entre as séries PREC_MAND e PREC_ECA (valores em mm). ........ 56 Figura 23: Correlação entre as séries ETP_MAND e ETP_ECA (valores em mm). .............. 56 Figura 24: Desvios médios mensais da precipitação acumulada observada na EEcSB entre janeiro de 1987 e agosto de 2016 calculados pelo modelo HARTT ..................................... 59 Figura 25: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro de 2014 e 02 de setembro de 2016 no poço G3. .................................................. 61 Figura 26: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro de 2014 e 02 de setembro de 2016 no poço B1. .................................................. 61 Figura 27: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro de 2014 e 02 de setembro de 2016 no poço S2. .................................................. 62 Figura 28: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro de 2014 e 02 de setembro de 2016 no poço P1. .................................................. 62 XII Figura 29: Ajuste do modelo PIRFICT para os poços G2, G3, G4 e G5 monitorados entre setembro de 2014 e agosto de 2016 na Bacia do Guarantã. ............................................... 65 Figura 30: Ajuste do modelo PIRFICT para os poços B1, B4, B6 e B8 monitorados entre setembro de 2014 e agosto de 2016 na Bacia do Bugre. ..................................................... 66 Figura 31: Ajuste do modelo PIRFICT para os poços S2, S3, S4 e S7 monitorados entre setembro de 2014 e agosto de 2016 na Bacia do Santana. ................................................. 66 Figura 32: Ajuste do modelo PIRFICT para os poços P1, P2 e P3 monitorados entre setembro de 2014 e agosto de 2016 na Bacia do Passarinho. ............................................ 67 Figura 33: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT para os poços G2, G3, G4 e G5 na Bacia do Guarantã. ...................................................... 68 Figura 34: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT para os poços B1, B4, B6 e B8 na Bacia do Bugre. .............................................................68 Figura 35: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT para os poços S2, S3, S4 e S7 na Bacia do Santana. ......................................................... 69 Figura 36: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT para os poços P1, P2 e P3 na Bacia do Passarinho. ........................................................... 70 Figura 37: Funções IR ajustadas para evapotranspiração a partir da calibração do modelo PIRFICT para os poços G2, G3, G4 e G5 na Bacia do Guarantã. ........................................ 71 Figura 38: Funções IR ajustadas para evapotranspiração a partir da calibração do modelo PIRFICT para os poços B1, B4, B6 e B8 na Bacia do Bugre. .............................................. 72 Figura 39: Funções IR ajustadas para evapotranspiração a partir da calibração do modelo PIRFICT para os poços S2, S3, S4 e S7 na Bacia do Santana. ........................................... 72 Figura 40: Funções IR ajustadas para evapotranspiração a partir da calibração do modelo PIRFICT para os poços P1, P2 e P3 na Bacia do Passarinho.............................................. 73 Figura 41: Relação entre NMAS calculados a partir das séries observadas e simuladas. .... 79 Figura 42: Variograma amostral e modelo teórico ajustado aos valores dos tempos de resposta (Parâmetro A) calculados pelo modelo PIRFICT. ................................................... 81 Figura 43: Variograma amostral e modelo teórico ajustado aos valores de tendências de elevação (Parâmetro de Tendência Linear) calculados pelo modelo PIRFICT. ..................... 81 Figura 44: Variograma amostral e modelo teórico ajustado aos valores de nível médio (NM) simulados pelo modelo PIRFICT. ......................................................................................... 81 Figura 45: Mapa do tempo de resposta do lençol freático em função de eventos de precipitação interpolado por krigagem ordinária. .................................................................. 82 Figura 46: Mapa de tendência de elevação dos níveis freáticos no período de setembro de 2014 a agosto de 2016 interpolado por krigagem ordinária. ................................................. 83 Figura 47: Mapa de níveis médios simulados de alturas do lençol freático interpolado por krigagem ordinária. .............................................................................................................. 84 Figura 48: Valores preditos por krigagem ordinária vs. valores calculados do tempo de resposta (esquerda) e gráfico de normalidade dos erros padronizados (direita). ................. 86 Figura 49: Valores preditos por krigagem ordinária vs. valores calculados de tendencoias de elevação (esquerda) e gráfico de normalidade dos erros padronizados (direita). ................. 87 Figura 50: Valores preditos po krigagem ordinária vs. valores calculados de nível freático médio (esquerda) e gráfico de normalidade dos erros padrronizados (direita). .................... 88 XIII ÍNDICE DE TABELAS Tabela 1: Comportamento característico das funções ACP e PACF para diferentes processos temporais. ........................................................................................................... 20 Tabela 2: Identificação dos poços de monitoramento com a respectiva localização e profundidade (m). ................................................................................................................ 38 Tabela 3: Estatísticas descritivas para o conjunto de dados de alturas de nível freático observadas nos poços de monitoramento entre 05/09/2014 e 02/09/2016. ......................... 52 Tabela 4: Estatísticas descritivas para o conjunto de dados climatológicos mensais disponíveis para a EEcSB.................................................................................................... 53 Tabela 5: Estatísticas das calibrações do modelo HARTT às séries de precipitação observadas nas EEcSB entre 1987 e 2016 e de alturas de nível freático observadas nos poços de monitoramento entre 05/09/2014 e 02/09/2016. ................................................... 60 Tabela 6: Estatísticas das calibrações do modelo PIRFICT às séries de precipitação e evapotranspiração observadas pela ECA entre setembro de 2014 e agosto de 2016 e de alturas de nível freático observadas nos poços de monitoramento entre 05/09/2014 e 02/09/2016. .......................................................................................................................... 64 Tabela 7: Desvios padrão dos parâmetros calibrados pelo modelo PIRFICT às séries de precipitação e evapotranspiração observadas pela ECA entre setembro de 2014 e agosto de 2016 e de alturas de nível freático observadas nos poços de monitoramento entre 05/09/2014 e 02/09/2016. .................................................................................................... 74 Tabela 8: Estatísticas das calibrações do modelo PIRFICT à série de precipitação observadas pela EEcSB entre janeiro de 1987 e agosto de 2016 e de alturas de nível freático observadas nos poços de monitoramento. .............................................................. 77 Tabela 9: Estatísticas das características das águas subterrâneas da EEcSB a partir da simulação do modelo PIRFICT entre janeiro de 1987 e agosto de 2016. ............................. 78 Tabela 10: Parâmetros dos variogramas ajustados para o tempo de resposta (A), tendência (PTL) e níveis médios (NM) calculados a partir do modelo PIRFICT. ................................... 80 Tabela 11: Validação cruzada para interpolação do tempo de resposta (A), tendência (PTL) e níveis médios (NM) calculados a partir do modelo PIRFICT. ................................................ 85 XIV LISTA DE ABREVIAÇÕES AIC – critério de informação de Akaike AR – autoregressivo ARIMA – autoregressivo integrando com média móvel ARMA – autoregressivo média móvel ASCE – American Society of Civil Engineers ASE – média do desvio padrão BIC – critério de informação de Bayes BLUE – Best Linear Unbiased Estimator CBH-MP – Comitê da bacia hidrográfica do Médio Paranapanema CDFM – função de distribuição da média acumulada CIIAGRO – Centro integrado de informações agrometeorologias COTEC – Comissão Técnico-Científica do Instituto Florestal CPRM – Serviço Geológico do Brasil CPTI – Cooperativa de Serviços, Pesquisas Tecnológicas e Industriais DAEE – Departamento de Águas e Energia Elétrica do Estado de São Paulo ECA – Estação Climatológica Automática da EEcSB EEcSB – Estação Ecológica de Santa Bárbara EMBRAPA – Empresa Brasileira de Pesquisa Agropecuária ENOS – El Ninõ Oscilação Sul ETP_ECA – série temporal de evapotranspiração da estação climatológica automática ETP_MAND – série temporal de evapotranspiração da estação meteorológica de Manduri EVP – variância explicada pelo modelo FA – função aleatória FAC – função de autocorrelação FACP – função de autocorrelação parcial FAPESP – Fundação de Amparo à Pesquisa do Estado de São Paulo FCC – função de correlação cruzada FEFLOW – finite-element flow model FIESP – Federação das Indústrias do Estado de São Paulo FTR – função de transferência de ruído GEF – Global Environment Facility HARTT – hydrograph analysis and rainfall time trend IBGE – Instituto Brasileiro de Geografia e Estatística IG – Instituto de Geociências do Estado de São Paulo IF – Instituto Florestal do Estado de São Paulo IPT – Instituto de Pesquisas Tecnológicas XV IR – Impulso resposta MA – média móvel MDT – Modelo Digital de Terreno MHC– Modelo Hidrogeológico Conceitual MODFLOW – modular finite-difference flow model MS – média padronizada NM – nível médio NMAS - níveis médios das águas subterrâneas NMMA – nível médio mais alto NMMB – nível médio mais baixo OAS – Organization of American States OUB – Ornstein-Uhlenbeck PIRFICT – predefined impulse response function in continuous time PAPM – resíduo acumulado da precipitação mensal PREC_ECA – série temporal de precipitação da estação climatológica automática PREC_EEcSB – série temporal de precipitação do pluviômetro da EEcSB PREC_MAND – série temporal de precipitação da estação meteorológica de Manduri PTL – parâmetro de tendência linear RAPA – resíduo acumulado da precipitação anual RMS – raiz da média quadrática RMSE – raiz do erro médio quadrático RMSI – raiz da inovação média quadrática RMSS – raiz da média quadrática padronizada SARIMA – sazonal autoregressivo integrando com média móvel ST – espaço-temporal TS – séries temporais UNESP – Universidade Estadual Paulista “Júlio de Mesquita Filho” UGRHI – Unidade de Gestão de Recursos Hídricos Integrado USGS – United States Geological Survey VER – volume elementar representativo XVI SUMÁRIO 1. INTRODUÇÃO E JUSTIFICATIVA .......................................................................... 1 2. HIPÓTESES E OBJETIVOS ................................................................................... 2 2. 1. Objetivos gerais ................................................................................................... 3 2. 2. Objetivos específicos........................................................................................... 3 3. FUNDAMENTAÇÃO TEÓRICA ............................................................................... 4 3. 1 A necessidade de modelos para gestão dos recursos hídricos subterrâneos ...... 4 3. 2 Modelagem de séries temporais em águas subterrâneas .................................... 6 3. 2. 1 Bases teóricas da modelagem de séries temporais para processos hidrológicos ................................................................................................................. 6 3. 2. 2 Modelos de séries temporais .......................................................................... 10 3. 2. 3 Casualidade – modelos com múltiplas entradas e uma única saída .............. 16 3. 2. 4 Construção de modelos de séries temporais ................................................. 18 3. 3 Importância das águas subterrâneas do Aquífero Bauru no Médio Paranapanema .......................................................................................................... 23 3. 4 Monitoramento de águas subterrâneas .............................................................. 26 4. MATERIAIS E PROCEDIMENTOS METODOLÓGICOS....................................... 27 4. 1 Caracterização geológica da região de estudo .................................................. 27 4. 2 Estação Ecológica de Santa Bárbara (EEcSB) .................................................. 28 4. 2. 1 Características físicas da EEcSB ................................................................... 29 4. 3 Dados disponíveis .............................................................................................. 37 4. 3. 1 Séries temporais de monitoramento do nível freático ..................................... 37 4. 3. 2 Séries temporais de monitoramento climatológico ......................................... 41 4. 4 Modelagem de níveis freáticos utilizando o modelo HARTT .............................. 42 4. 5 Modelagem de níveis freáticos utilizando o modelo PIRFICT ............................ 44 5. RESULTADOS E DISCUSSÕES ........................................................................... 51 5. 1 Análise exploratória dos dados ........................................................................... 51 5. 1. 1 Estatísticas descritivas das séries de monitoramento do nível freático e séries climatológicas ............................................................................................................ 51 5. 1. 2 Correlação entre as séries climatológicas ...................................................... 53 5. 1. 3 Identificação dos processos geradores das séries temporais ........................ 57 5. 2 Modelagem de séries temporais ........................................................................ 58 5. 2. 1 Análise dos efeitos da precipitação nas séries temporais e efeitos do regime pluviométrico nos níveis freáticos .............................................................................. 58 5. 2. 2 Identificação do sistema de águas subterrâneas nas bacias monitoradas ..... 63 5. 2. 3 Simulação de características da dinâmica dos níveis freáticos ...................... 75 5. 3 Análise espacial dos dados geográficos ............................................................. 80 XVII 5. 3. 1 Variografia ...................................................................................................... 80 5. 3. 2 Interpolação dos dados .................................................................................. 82 5. 3. 3 Validação cruzada .......................................................................................... 85 6. CONCLUSÕES ..................................................................................................... 88 7. CONSIDERAÇÕES FINAIS E TRABALHOS FUTUROS ...................................... 89 REFERÊNCIAS BIBLIOGRÁFICAS .......................................................................... 92 ANEXOS ................................................................................................................. 104 A. 1 Histogramas das distribuições de frequência das variáveis analisadas ........... 104 A. 2 Dados brutos mensais das séries climatológicas ............................................. 108 A. 3 Funções de autocorrelação e autocorrelação parcial....................................... 111 A. 4 Ajustes do modelo HARTT ............................................................................... 124 A. 5 Ajustes do modelo PIRFICT às séries de nível freático ................................... 140 A. 6 Simulações do modelo PIRFICT a partir da séries PREC_EEcSB .................. 162 A. 7 Estatísticas das simulações do modelo PIRFICT............................................. 184 1 1. INTRODUÇÃO E JUSTIFICATIVA O verão de 20013/2014 foi um dos mais secos já registrados no Estado de São Paulo (COELHO et al., 2016). Isso trouxe efeitos diretos no ciclo hidrológico, diminuindo a recarga dos aquíferos e a produção de água de nascentes, contribuindo ainda mais para o quadro de escassez hídrica. Paralela à diminuição da oferta tem-se o aumento da demanda, seja pelo setor doméstico, industrial ou agrícola. Sabendo da importância que a água exerce para a sociedade, tanto para abastecimento doméstico, atividades industriais e agricultura, os recursos hídricos subterrâneos despertam grande interesse ambiental em relação a sua conservação. Muitas vezes, alterações no ciclo hidrológico e nos recursos hídricos disponíveis possuem influências em nível regional, municipal, estadual e até mesmo federal, e não apenas no nível da bacia hidrográfica (HOFFMANN; JACKSON, 2000). Assim, o volume explorável de um aquífero é uma variável de decisão a ser determinada como parte de um plano de gestão do sistema de águas de uma região. Só que para isso é necessário conhecer a dinâmica das águas subterrâneas e identificar os processos que influenciama oscilação dos seus níveis. O uso da água muitas vezes é feito de maneira contínua, não respeitando as variações sazonais e o modo como afetam a recarga dos aquíferos. Dados de monitoramento são particularmente interessantes ao se analisar características de processos, pois podem revelar não só padrões temporais, mas também distribuições espaciais e variações ao longo do tempo quando coletados em redes geoespaciais. O caráter e as causas da variabilidade podem ser explorados a partir de correlações espaciais e temporais. Prever a resposta de um aquífero (em termos de quantidade e qualidade) quanto às atividades de exploração propostas e em tempo hábil para gerar políticas racionais de exploração em determinada região é uma questão complicada, devido à complexidade dos processos envolvidos (MANOEL FILHO, 2008). Isso faz com que muitas vezes a gestão de águas subterrâneas muitas vezes não seja incluída no planejamento e gestão de recursos hídricos. O monitoramento da água disponível em um aquífero possibilita diagnosticar o atual estado do aquífero, em relação a estados passados, para tomar as devidas medidas em relação a modificações causadas por efeitos naturais e/ou antrópicos. Para equilibrar interesses econômicos e ambientais, é importante conhecer a dinâmica do lençol freático em relação ao uso e ocupação das terras (VON ASMUTH; KNOTTERS, 2004). Isso pode ser realizado por meio de medidas de níveis freáticos, que irão fornecer informações sobre a dinâmica do aquífero. A avaliação do comportamento do aquífero através do monitoramento, principalmente nas áreas de afloramento, fornece dados importantes para sua conservação e subsídios aos projetos de proteção ambiental e 2 desenvolvimento sustentável (OAS/GEF, 2001), assegurando a qualidade e a quantidade de seu manancial. Através do monitoramento e posteriormente pela análise dos dados em modelos hidrológicos, pode-se entender melhor o comportamento dos aquíferos. Uma linha comum em estudos ambientais é a necessidade metodológica de ferramentas capazes de descrever e prever estes processos complexos e, tipicamente, de alta- dimensionalidade. Cressie e Holan (2011) descrevem novas abordagens para a modelagem neste contexto. O estudo de séries temporais ambientais é fundamental para o objetivo maior de sustentabilidade e adaptação. Saber como e, em última análise, porque os processos ambientais mudam ao longo do tempo dá aos governos e protetores dos comuns um meio racional para tomada de decisão. Aplicações da análise de séries temporais podem ser utilizadas para preencher e completar séries irregulares de carga hidráulica a partir de dados de precipitação (YI; LEE, 2003), quantificar interações entre águas subterrâneas e águas superficiais (HATCH et al., 2006), ou mesmo estendidas à avaliação de múltiplos estresses (escoamento de base, bombeamentos, vegetação, clima, barragens) no comportamento dos níveis das águas subterrâneas (VON ASMUTH et al., 2008). Modelos mais complexos de séries temporais podem capturar comportamentos não lineares da drenagem do solo (PETERSON; WESTERN, 2014) ou mesmo seu tempo de resposta de recarga a partir da precipitação (HOCKING; KELLY, 2016). 2. HIPÓTESES E OBJETIVOS Partindo do pressuposto que após o verão seco de 2013-214 os níveis das águas subterrâneas estariam suficientemente mais baixos do que o normal no final do inverno de 2014, imaginou-se que a partir a implantação de uma rede de monitoramento de níveis freáticos em área de estudo piloto seria capaz de caracterizar o comportamento das águas subterrâneas após essa anomalia climática. Em conversas com as Dras Elaine A. Honda e Giselda Durigan do Instituto Florestal do Estado de São Paulo, identificou-se na Estação Ecológica de Santa Barbara (EEcSB) localizada no município de Águas de Santa Barbara (SP) uma área potencial para o desenvolvimento desses estudos (MELO; DURIGAN, 2011) dentro da região hidrográfica do Médio Paranapanema (UGRHI-17). Submetido e aprovado pela Comissão Técnico-Científica do Instituto Florestal (COTEC nº. 328/2014 D042/2014 PGH) e implementado com recursos do projeto de auxílio regular a pesquisa # 2014/04524- 7 financiado pela FAPESP (Fundação de Amparo à Pesquisa do Estado de São Paulo), o projeto “Monitoramento de Níveis Freáticos no Sistema Aquífero Bauru em Área de Conservação em Águas de Santa Bárbara/SP” perfurou entre julho e agosto de 2014 32 poços de monitoramento freático e uma estação climatológica automática (ECA) na EEcSB. 3 Dessa forma, o presente estudo pretende colaborar no entendimento das seguintes questões: - É possível modelar a relação dinâmica entre o saldo hídrico (precipitação/evapotranspiração) e a variação dos níveis freáticos a partir de modelos baseados em séries temporais? - As variações sazonais dos níveis de precipitação (e evapotranspiração) interferem na dinâmica dos níveis freáticos na EEcSB? - Qual o tempo no qual os níveis apresentam alguma alteração após um evento de precipitação? - Quais os principais elementos que interferem na oscilação dos níveis freáticos na área de estudo? - Quais as características das oscilações dos níveis freáticos em diferentes bacias dentro do domínio da EEcSB? - Como mapas de características de interesse do sistema de águas subterrâneas podem auxiliar no entendimento do processo de oscilação dos níveis freáticos? 2. 1. Objetivos gerais O objetivo geral dessa tese foi aplicar modelos de séries temporais com diferentes formulações aos dados de monitoramento agrohidrometeorologico coletados a partir da infraestrutura básica de pesquisa instalada na EEcSB a fim de verificar os efeitos do clima e da sazonalidade no processo de oscilação dos níveis freáticos na região da UGRHI-17. 2. 2. Objetivos específicos Calibração de modelos autoregressivos de séries temporais para compreensão da natureza do fenômeno e explicando sua dinâmica. Calibração de modelos de função de transferência de ruído para compreensão da natureza do fenômeno e explicando sua dinâmica. Entender os mecanismos de oscilação dos níveis freáticos em aquíferos livres, afetados principalmente pela sazonalidade do regime pluviométrico. 4 Inferir sobre a dinâmica dos níveis freáticos do Aquífero Bauru, um dos principais mananciais subterrâneos disponíveis na região hidrográfica do Médio Paranapanema (UGRHI-17). 3. FUNDAMENTAÇÃO TEÓRICA 3. 1 A necessidade de modelos para gestão dos recursos hídricos subterrâneos Na era da informação, métodos e técnicas adequados são cada vez mais necessários para se extrair o máximo dos dados. A quantidade de informações disponíveis aos usuários fez com que naturalmente o interesse sobre essa temática fosse crescendo entre a comunidade científica e usuários de tecnologia da informação, de modo que diversos ramos da análise estatística e da modelagem matemática de dados fossem popularizados. A gestão de recursos hídricos superficiais e subterrâneos requer o uso de técnicas de modelagem que reconheçam a variabilidade e a incerteza associada aos elementos hidrológicos. Modelos numéricos têm sido aplicados à descrição de fenômenos hidrológicos por se tratarem de abstrações da realidade encontrada. Trata-se de uma forma de representação de uma ou todas as propriedades de um fenômeno, sistema ou objeto. A modelagem tem como propósito compreender melhor a resposta de processos a partir de observações realizadas, ou mesmo deduzir efeitos (TUCCI, 2005). A construção de um modelo é uma tentativa de ganho em conhecimento sobre determinado fenômeno. Ummodelo nada mais é que uma abstração da realidade. À medida que o conhecimento sobre um processo se expande, a complexidade dos modelos tende a aumentar. O uso de um modelo é justificado quando se pretende representar um sistema e a forma com que ocorrem as modificações no mesmo (TUCCI, 2005). A utilização de modelos é útil para realização de prognósticos e projeções futuras de determinadas situações, através do uso de simulações por exemplo. De maneira genérica, os modelos podem ser divididos em duas classes: modelos determinísticos e modelos estocásticos. Os fenômenos hidrológicos são mecanismos que permitem analisar dinâmica do ciclo da água. Associados a uma escala temporal, esses fenômenos correspondem a processos que podem ser representados como séries temporais. A principal característica de uma série temporal é a dependência entre as observações. A análise de séries temporais consiste de técnicas para analisar esta dependência (BOX; JENKINS, 1976). Os modelos determinísticos seguem equações e leis da física que envolve o processo em 5 estudo para assim descrevê-lo. Esses modelos são baseados no formalismo matemático e seus resultados são soluções exatas. Já os modelos estocásticos são aqueles regidos pelas leis da probabilidade, seguindo uma abordagem estatística. Seus resultados se baseiam na esperança de que certo valor seja alcançado, considerando a aleatoriedade do processo em análise e as chances de que certo evento aconteça. Nos modelos determinísticos todos os parâmetros de entrada do modelo, estruturas e condições de contorno são conhecidos e controlados pelo modelador, que se baseia no conhecimento físico do processo para assim determiná-los. A aplicação desse tipo de modelos em hidrogeologia tem sido amplamente explorada através de técnicas e modelos computacionais complexos baseados em métodos de diferenças finitas, elementos analíticos, elementos finitos, buscando modelar principalmente fluxo e transporte de substâncias em meios porosos e fraturados. O código mais popular é o MODFLOW, desenvolvido pelo Serviço Geológico Americano (USGS), que é baseado em diferenças finitas (MCDONALD; HARBAUGH, 2003). Um software comercial bastante popular é o FEFLOW, baseado em elementos finitos. Batista et al. (2012) apresenta uma revisão profunda sobre o método das diferenças analíticas. Essa revisão não aborda esse tipo de modelos, uma vez que existem literaturas específicas que abrangem profundamente esse tipo de abordagem. Serão abordados modelos estocásticos baseados em séries temporais, com foco em alturas de lençol freático, cuja literatura específica é muito mais limitada em recursos hídricos subterrâneos. Teorias e abordagens hidrológicas estocásticas desenvolveram-se consideravelmente nos últimos 30 anos, entretanto suas aplicações em problemas reais têm sido limitadas e não tornaram-se ferramentas rotineiras em modelagem hidrológica (DAGAN 2002; ZHANG; ZHANG 2004; RUBIN 2004; RENARD 2007). Os modelos estocásticos são empíricos, baseados somente nos dados de entrada do modelo e cujas variáveis seguem as leis estatísticas ali descritas. Os parâmetros não são determinados pelo modelador e sim pela sua formulação. Diversos avanços têm sido feitos no sentido de se entender a natureza estocástica de variáveis hidrológicas como precipitação e descargas fluviais, procedimentos de modelagem estocástica em hidrologia, desenvolvimento de novos métodos estatísticos, melhora nas técnicas de estimativa de parâmetros, proposições de novas maneiras de avaliação de modelos e testes de ajuste, além da quantificação de incertezas e acurácia nas predições. A utilização de modelos estocásticos apresenta soluções importantes (HEUVELINK; PEBESMA, 1999), uma vez que esses modelos são capazes de inferir a distribuição espaço-temporal das variáveis de interesse e refletir nas estimativas dos processos hídricos em estudo os níveis de incerteza ou de desconhecimento. Associadas as medidas de incerteza, a avaliação do risco associada das ações de gerenciamento tais como as outorgas de irrigação e o dimensionamento do volume de água desses sistemas podem ser incluídos no planejamento dos recursos hídricos, ou mesmo vazões de poços 6 para abastecimento urbano ou até dimensionamento de complexos industriais. Rubin (2003) apresenta uma série de soluções utilizando modelos estocásticos para problemas em águas subterrâneas ligados a caracterização de processos, modelagem de fluxo e transporte de solutos em meios heterogêneos e quantificação de incertezas. Os cenários futuros sobre incertezas climáticas também impulsionaram a popularização e principalmente a interpretação de resultados de experimentos estocásticos. A resistência de vários setores da academia em aceitar diferentes resultados equiprováveis justifica-se em áreas do conhecimento onde a precisão é preponderante. Mas em análises ambientais, os erros da modelagem de dados podem começar na própria sua coleta, seja pelo sensor ou pela pessoa que faz a leitura, estendendo-se a escolha do modelo adotado, a aplicação desse modelo, até a interpretação do resultado final. Enquanto modelos determinísticos baseiam-se em leis físicas e conceitos matemáticos rígidos, modelos estocásticos baseiam- se nas leis da probabilidade e da análise estatística dos dados. Essa diferença faz com que no primeiro caso, os modelos exijam dados de entrada em maior número e com maior confiabilidade para que as hipóteses possam ser testadas, enquanto que no segundo caso as incertezas podem ser incorporadas no componente de erro (ou ruído) do modelo e esse pode ser mensurado para que se conheçam as limitações do método. 3. 2 Modelagem de séries temporais em águas subterrâneas 3. 2. 1 Bases teóricas da modelagem de séries temporais para processos hidrológicos O uso de modelos de séries temporais é uma maneira sistemática e empírica de estimar e predizer o comportamento temporal de um processo hidrológico dinâmico. Modelos de séries temporais provem um método de simular e prever o comportamento de sistemas hidrológicos e de quantificar a precisão esperada nessas previsões (TANKERSLEY; GRAHAM, 1993; SALAS; PIELKE, 2003). Valores futuros podem ser preditos a partir de observações passadas e parâmetros específicos estimados. Isso pode incluir valores de altura do lençol freático em determinadas épocas, como por exemplo, o início da estação seca, ou mesmo probabilidades de que níveis críticos sejam excedidos em certas ocasiões ou em determinados períodos. Parâmetros específicos podem ser estimados com o propósito de obter caraterísticas do desenvolvimento de certo domínio no tempo. O objetivo inicial da análise de séries temporais é a realização de inferências sobre as propriedades ou características básicas do mecanismo gerador do processo estocástico das observações da série (MANZIONE, 2007). Após a formulação, o modelo matemático é utilizado para testar alguma hipótese ou teoria a respeito do mecanismo gerador do processo e realizar a previsão de valores futuros da série temporal. A representação adequada da resposta hidrológica determina um ponto relevante do estudo a ser 7 considerado no planejamento desses recursos. Diversos métodos estocásticos e esquemas de modelagem têm sido desenvolvidos para processos hidrológicos. O conceito de variáveis aleatórias tem sido utilizado ao longo do último século no campo da hidrologia e análises em recursos hídricos e modelagem (KARAMOUZ et al., 2013). Em processos estocásticos temporais, o futuro é determinado apenas parcialmente a partir de valores passados. Predições exatas são impossíveis de se obter e devem ser substituídaspela ideia de que valores futuros podem ocorrer dentro de um determinado intervalo de probabilidades que é condicionado ao conhecimento dos valores passados. O estado futuro de um processo estocástico é predito a partir de um conjunto de realizações, que podem ser descritas como o resultado de um experimento probabilístico. Prever o estado futuro de recursos hídricos se faz necessário para a aplicação de políticas de recursos hídricos e sistemas de tomada de decisão em tempo real. A falta de conhecimento sobre os processos físicos do ciclo hidrológico fez com que a aplicação de métodos estatísticos aumentasse no campo das predições e geração de dados sintéticos na incorporação e incertezas e análise de eventos extremos (KARAMOUZ et al., 2013). A característica especial da análise de séries temporais recai no fato de que observações sucessivas não são geralmente independentes e a análise leva em conta a ordem temporal das observações. Uma série temporal é um conjunto de observações arranjadas cronologicamente (HIPEL; MCLEOD, 1994). Séries temporais podem também ser chamadas de séries históricas, sendo uma sequência de dados obtidos em intervalos de tempo em determinados períodos. EM séries temporais a ordem de ocorrência das observações é crucial na identificação de padrões e comportamentos de sistemas hidrológicos e climatológicos. As séries temporais podem ser contínuas, quando coletadas em um intervalo regular, ou discretas quando as observações são registradas em instantes isolados. Em muitas situações os dados observados são registrados em intervalos temporais discretos igualmente espaçados, como observações horárias, diárias, quinzenais, mensais, anuais, por exemplo. Um modelo de series temporais pode ser descrito como um processo estacionário ou não estacionário. Um processo é considerado estacionário quando suas propriedades estatísticas não se alteram ou longo do tempo, como a média e a variância. Essa premissa não é encontrada na natureza, apenas assume-se estacionariedade sobre determinado período de tempo ou intervalo temporal. Séries temporais possuem componentes específicas que podem ser reconhecidas a partir de sua análise. Dentre esses componentes das séries temporais temos: 8 Tendência: é uma mudança unidirecional gradual, podendo aumentar ou diminuir ao longo ao tempo em relação ao valor médio da série. As tendências geralmente são resultados de mudanças antropogênicas na natureza. No geral podem ser modeladas de forma determinística por funções lineares, polinomiais ou potência. Pulo: é uma mudança súbita na série de dados, com direção positiva ou negativa, causada geralmente por atividades humanas ou perturbações naturais. Periodicidade: é a variação cíclica da série temporal hidrológica, repetida em intervalos fixos. Ergocidade: significa que as estruturas de autocovariância e autocorrelação não dependem fortemente de valores passados. Aleatoriedade: é resultado da incerteza natural do processo estocástico, podendo ser modelado como um componente autoregressivo ou puramente aleatório. Na prática, a maioria das séries temporais é não estacionária. Em processos onde estacionariedade não pode ser assumida, transformações podem ser feitas para que sejam removidas fontes de não estacionariedade. Isso pode ser alcançado por diferentes processos de remoção de tendências de uma série temporal. Mas, em muitas situações, o fenômeno natural encontra-se sob o efeito da sazonalidade. Como resultado de periodocidades diárias, semanais, mensais, anuais, entre outras, muitas séries temporais exibem comportamentos periódicos que podem ser descritos por modelos sazonais. A sazonalidade é um tipo de não estacionariedade. Variação média sazonal aparte, a variância em si deve variar sazonalmente. Se a variância não é constante ao longo do tempo, por exemplo quando há heterocedasticidade, a variância deve ser determinada constante a partir de um processo apropriado de dessazonalização ou por uma transformação Box–Cox na série temporal (HIPEL; MCLEOD, 1994). Em um processo estacionário, a hipótese estatística assumida é a estacionariedade de segunda ordem, que significa que o processo estocástico pode ser descrito pela média, a variância é constante e a função de autocorrelação existe. A média é definida como o valor esperado de Zt: ][ tZE (1) 9 que pode ser estimada a partir de series temporais de observações por um estimador simples como: n t tz n 1 1 ˆ (2) A variância do processo estocástico {Zt} é definida como o valor esperado do quadrado dos desvios da média: ])[( 22 tZ ZES (3) e estimado por: n t tZ zz n S 1 22 )( 1 1ˆ (4) A autocovariância para o passo k é definida por: 2 0 )](*)[( Z kttk S ZZE (5) Para o passo 0 a auto covariância é igual a variância. A função de autocorrelação (FAC) para o passo k é uma forma escalar da autocovariância: 0 kk (6) A autocovariância amostral para o passo k pode ser calculada a partir de uma série temporal por: )()( 1 1 zzzz n c kt kn t t k k (7) onde nk é o número de termos somados, com um máximo de n−k; termos para o qual um valor de zt ou zt+k faltando é excluído. A FAC amostral é estimada por: 10 0 1 c c n k r kk (8) 3. 2. 2 Modelos de séries temporais Uma classe geral de modelos de séries temporais baseados em métodos de regressão é descrita em Box e Jenkins (1970) enquanto Hipel e McLeod (1994) apresentam diversas aplicações desses modelos em hidrologia, assim como extensões desenvolvidas entre as duas publicações. Apesar do desenvolvimento recente de modelos físico-mecanísticos espacialmente distribuídos, modelos simples de séries temporais continuam sendo utilizados em uma variedade enorme de aplicações, mas não deixam de evoluir contando com colaborações de disciplinas como identificação de sistemas, controle de engenharia, processamento de sinais e filtragem em seus desenvolvimentos (VON ASMUTH, 2012). As vantagens de modelos de séries temporais sobre modelos mais complexos são sua acurácia, facilidade de construção e solidez das bases estatísticas que regem os modelos. Isso se deve principalmente por modelos de séries temporais considerarem o sistema como um todo, enquanto outros modelos baseiam-se no volume elementar representativo (VER). Ao considerar o VER, o modelador automaticamente impute a noção de escala espacial à modelagem, o que requer muitos dados para se resolver o modelo. Muitas vezes esses dados estão disponíveis apenas em poucos locais, de onde surgem as séries temporais, tornando os outros pontos da grade resultados de interpolações e extrapolações, o que associa diversos graus de incerteza na análise (MANZIONE; WENDLAND, 2012). Como exemplos de modelos de series temporais estacionários podemos utilizaras famílias de modelos a seguir. PROCESSOS AUTOREGRESSIVOS (AR) Em muitos processos ambientais são encontrados estados onde um determinado instante no tempo é correlacionado com o estado em um determinado tempo passado. Esse tipo de processo é chamado autoregressivo (AR). O AR (p) ocorre quando as observações da série são dependentes entre si, e esta dependênciatende a se perder com o afastamento da primeira observação até o ponto que os dados se tornam ruídos brancos (aleatórios). Quando a ordem do processo é um (1), este é chamado de Processo de Markov, podendo se formulado como: ttt aZZ )( 11 (9) onde µ é o valor médio, Ø1 é o parâmetro autoregressivo, e at é o termo de erro com média 11 zero e variância Sa2. Assumindo que at seja idêntico e independentemente distribuído, então: 0,0 0, ][ 2 k kS aaE aktt (10) para todos os instantes t. Usando o operador de deslocamento para trás B, a equação 9 pode ser reescrita como: ttt aBZZ )(1 (11) onde BkZt = Zt-k pode também ser reescrito como: tt aZB ))(( (12) com Ø(B) = 1 – Ø1B. Um processo autoregressivo de ordem p, AR(p), pode ser formulado como: tptpttt aZZZZ )(...)()( 2211 (13) ou usando o operador de deslocamento para trás com Ø(B) = 1 – Ø1B – Ø2B2 – ... – ØpBp sendo o operador de ordem p. Para se obedecer a hipótese de estacionariedade, os valores dos parâmetros AR são restritos. Por exemplo, em um processo AR(1), a restrição seria que │Ø1│≥ 1. Uma ferramenta importante na identificação de um processo AR(p) a partir de uma série temporal observada são as funções de autocorrelação (FAC) autocorrelação parcial (FACP). As funções ACF e PACF teóricas para um processo AR(p) pode ser derivado primeiro, multiplicando os termos da equação 13 por (Zt-k – μ): tktptktp tkttkttkt aZZZ ZZZZZZ )())((... ))(())(())(( 2211 (14) e a partir das esperanças dos termos da equação 14, obtém-se: 12 pkpkkk ...2211 (15) sendo k > 0. A esperança E[(Zt-k – μ) at] é igual a zero quando k > 0 pois Zt-k depende apensas do processo aleatório de erro acima de e incluindo t – k e não é correlacionado com at. A função FAC teórica é obtida dividindo a equação 15 por γ0: pkpkkk ...2211 (16) sendo k > 0. Estendendo a equação 16 para k = 1, 2, ..., p resulta em um conjunto de equações Yule-Walker: pppp pp pp ... ... ... ... ... ... 2211 22112 11211 .... .... .... (17) que em notação matricial é igual a: [ 1 𝜌1 . . . 𝜌𝑝−1 𝜌1 1 . . . 𝜌𝑝−2 𝜌2 𝜌1 . . . 𝜌𝑝−3 … … … … … … 𝜌𝑝−1 𝜌𝑝−2 . . . 1 ] [ 𝜙1 𝜙2 . . . 𝜙𝑝] = [ 𝜌1 𝜌2 . . . 𝜌𝑝] (18) Se Økj for o j-ésimo coeficiente de um modelo AR de ordem k (j = 1 ...k), então a equação 18 pode ser reescrita como: 13 [ 1 𝜌1 . . . 𝜌𝑘−1 𝜌1 1 . . . 𝜌𝑘−2 𝜌2 𝜌1 . . . 𝜌𝑘−3 … … … … … … 𝜌𝑘−1 𝜌𝑘−2 . . . 1 ] [ 𝜙𝑘1 𝜙𝑘2 . . . 𝜙𝑘𝑘] = [ 𝜌1 𝜌2 . . . 𝜌𝑘] (19) O coeficiente Økk na equação 19 é a função no passo k, que é chamado de FACP teórica. A FACP amostral é utilizada na identificação do modelo, com �̂�𝑘𝑘 sendo estimado e plotado contra k para todo k = 1, 2, .... . Mais detalhes sobre o uso de funções FAC e FACP na identificação de modelos serão vistos a seguir. PROCESSOS MÉDIA MÓVEL (MA) Em processos de média móvel o estado de um processo em determinado instante no tempo depende de um intervalo aleatório naquele instante e o mesmo intervalo em um ou mais instantes passados. O processo de MA (q) refere-se aquele em que há forte presença do ruído branco. Deste modo, a correlação entre os dados sofre uma queda brusca devido a este efeito aleatório. A partir disso o modelo de MA busca compreender o quanto este ruído está relacionado com as observações anteriores (HIPEL; MCLOED, 1994). Um modelo de média móvel de ordem 1 – MA (1) pode ser escrito como: 11 ttt aaZ (20) onde at e at-1 são perturbações aleatórias que formam parte do processo de ruído banco com média zero e variância constante e finita. Usando o operador de deslocamento para trás, a equação 20 pode ser escrita como: tt aBZ )( (21) onde θ(B) = 1 – θ1B é o operador de média móvel de ordem 1. Ao considerar a hipótese de estacionariedade, assume-se que │θ1│≥ 1. Isso pode ser verificado reescrevendo a equação 20 como: ...)()()( 3 3 12 2 111 ttttt ZZZaZ . (22) A seguir, analisa-se o efeito do valor θ1 na relação entre Zt e Zt-k. Um processo MA de ordem q pode ser dado por: 14 qtqtttt aaaaZ ...2211 (23) ou usando o operador da equação 21 para ordem q. PROCESSOS AUTOREGRESSIVOS MÉDIA MÓVEL (ARMA) Uma série temporal pode conter propriedades de um processo autoregressivo como de um processo de média móvel. Há casos em que ambos os processos, AR e MA estão presentes simultaneamente na série. Desse modo, há uma correlação entre as primeiras observações que tendem a diminuir lentamente, posteriormente, um processo MA caracteriza a série por, a partir de certo momento, levar a uma queda brusca do coeficiente de correlação. Um modelo ARMA (1,1) pode ser descrito por: 1111 )( tttt aaZZ (24) Um processo ARMA (p, q) é definido como: tt aBZB )())(( (25) onde φ(B) e θ(B) são os operadores AR (p) e MA (q), respectivamente. Segundo Copertwait e Metcalfe (2009) o AR (p) é um caso especial de ARMA (p, 0) enquanto que o MA (q) é um caso especial de ARMA (0, p). As formas mais simples de modelos de series temporais são os modelos lineares univariados autoregressivos de média móvel (ARMA) para processos estacionários ou autoregressivos integrando média móvel (ARIMA) para processos não estacionários. Para casos sobre o efeito da sazonalidade podem ser utilizados modelos sazonais autoregressivos integrando média móvel (SARIMA). Nem sempre as series coletadas são estacionárias. Na prática, a maioria das series temporais são não-estacionárias. Normalmente possuem tendência, e até mesmo uma sazonalidade, fazendo com que a média e a variância, por exemplo, sejam fortemente variáveis. Em muitas situações naturais o fenômeno encontra-se sob influência da sazonalidade, sendo o processo melhor descrito por um modelo sazonal. Copertwait e Metcalfe (2009) afirmam que muitas séries são não- estacionárias porque apresentam efeitos sazonais ou tendências. Esse fato dificulta a aplicação de modelos. Sazonalidade é uma forma de não-estacionariedade. Em processosonde a estacionariedade não pode ser assumida, transformações podem ser aplicadas e as fontes de não-estacionariedade removidas. Como solução, procura-se remover esses efeitos de não-estacionaridade a partir da diferenciação. Segundo Hipel e McLeod (1994), 15 quando uma série de tamanho N é diferenciada os valores da série temporal adjacentes são subtraídos de cada outro para se obter uma sequência de tamanho N-d. No geral, uma série temporal deve ser diferenciada d vezes para produzir uma série estacionária de tamanho n= N – d. O cálculo de diferenças permite que uma tendência seja retirada da série temporal da seguinte forma: )()( 1 ttt ZZZ (26) 1 2 ttt ZZZ (27) Esses processos não-estacionários que sofrem diferenciação podem ser os ARIMA’s e os SARIMA’s. Em ambos os casos as séries são diferenciadas para o cálculo dos parâmetros da parte de AR e MA do conjunto de dados, e depois reintegrada (ou seja, são recolocados os dados retirados na diferenciação) para ajustar-se o modelo. Seguindo esse pressuposto, um modelo estacionário pode ser ajustado apara a série temporal resultante. Um modelo ARIMA pode ser usado nesses casos, por exemplo, já que é um modelo ARMA para diferenças estacionárias (KNOTTERS, 2004). PROCESSOS AUTOREGRESSIVOS INTEGRANDO MÉDIA MÓVEL (ARIMA) Basicamente, um modelo ARIMA é um modelo ARMA para diferenças estacionárias: tt d a B B Z )( )( )( (28) PROCESSOS SAZONAIS AUTOREGRESSIVOS INTEGRANDO MÉDIA MÓVEL (SARIMA) A sazonalidade é um tipo de não-estacionariedade comumente presente em dados ambientais. Além da variação sazonal da média, a variância também deve variar sazonalmente. A notação geral de um modelo SARIMA (p, d, q) X (P, D, Q) é escrita como: ts s t D s d a BB BB Z )()( )()( )( (29) No caso de processos sazonais autoregressivos integrando média móvel, as diferenças são calculadas a partir das chamadas distâncias sazonais, com o objetivo de remover a tendência sazonal que é visível na forma de ciclos. A distância sazonal para valores mensais 16 seria doze, por exemplo. 3. 2. 3 Casualidade – modelos com múltiplas entradas e uma única saída Quando um fenômeno em investigação é influenciado por múltiplos fenômenos, uma abordagem mais complexa é necessária. Em duas séries temporais observadas em n intervalos temporais equidistantes: xt, t = 1, . . . , n e zt, t = 1,... , n, procura-se verificar se existe uma relação linear entre {xt} e {zt}. Isso pode ser feito utilizando análise de regressão, onde xt é analisado versus zt, t = 1, . . . , n ou vice versa. Entretanto, isso apenas revela padrões iniciais sobre a relação entre x e y no tempo t, enquanto xt está relacionado a zt+k, k ≠ 0. A função de covariância cruzada e a função de correlação cruzada fornecem a relação linear entre xt e zt+k. A função de covariância cruzada pode ser estimada por: )()( 1 )(ˆ 1 zzxx n kC kt kn t t k xz (30) para intervalos positivos. Aqui, nk é o número de termos somados; produtos contendo valores faltando são excluídos. A função de correlação cruzada (FCC) é uma forma escalas da função de covariância cruzada, e é estimada como: )0(ˆ)0(ˆ )(ˆ 1)(ˆ zx xz xz CC kC n k k (31) PROCESSOS DE FUNÇÕES DE TRANSFERÊNCIA DE RUÍDO (FTR) Modelos de função de transferência relacionam o comportamento das series sob investigação à valores presentes e passados de uma ou mais séries. Se outra variável está afetando o valor de Zt, o efeito dessa variável pode ser verificado usando um modelo de função de transferência. Um ou mais componentes de transferência determinísticas e um componente de ruído são distinguidos, sendo partes aditivas do modelo. O componente de transferência descreve a parte do nível das águas subterrâneas que pode ser explicada por uma entrada composta por uma transformação linear de uma série temporal dessa variável de entrada. O modelo de ruído descreve a estrutura autoregressiva dessas diferenças entre valores observados do nível do aquífero a e soma dos componentes de transferência. A entrada do modelo de ruído é uma série de perturbações independentes e identicamente distribuídas com média zero e variância finita e constante, que é um ruído branco. A classe de modelos de séries temporais que descreve a relação linear dinâmica entre uma ou mais séries de entrada e uma série de saída é a dos modelos de função de transferência 17 de ruído com ruído aditivo conforme descrito por Box e Jenkins (1970). A forma geral de um modelo de função de transferência de ruído pode ser visto na Figura 1, onde ,...,, ,3,2,1 ttt XXX são variáveis de entrada, ,...,, *,3 * ,2 * ,1 ttt ZZZ são componentes de transferência, e t é um termo de erro estocástico com variância 2 finita e constante. tN é o componente de ruído. tZ é a variável de saída. Figura 1: Representação esquemática de um modelo de função de transferência com um ruído adicionado. Fonte: MANZIONE (2007). A ideia básica por de trás dessa modelagem de funções de transferência de ruído é dividir as séries observadas (saída) em um número de componentes relacionados com causas (entradas) que influenciam o fenômeno, e um componente de ruído desconhecido. Modelos FTR são geralmente aplicados para distinguir componentes naturais e antrópicos de séries de água subterrânea (VAN GEER; ZUUR, 1997). Se uma série de entrada {Xt} é considerada, o modelo FTR é definido como: ttt NZZ * (32) onde s j bjtj r i bttit XXZZ 11 0 * 1 * (33) é o componente de transferência, e: 18 q j jtj p i ttit NN 11 1 )( (34) é o componente de ruído. O b subscrito é um atraso puro, que corresponde ao número de passos temporais após uma ação de entrada cause uma reação na saída do sistema. A extensão disso para múltiplas séries de entrada é direta. O componente de transferência da equação 33 pode ser reescrito como: ttttt XBXXXZ )(...22110 * (35) Os pesos ,...,, 210 formam a função de impulso e resposta )(B : r r s s BBB BBB B B B ...)(1 ... )( )( )( 2 21 2 210 (36) A função teórica de impulso e resposta reflete as mesmas características autoregressivos e média móvel de uma função FAC teórica (HIPEL; MCLEOD, 1994). Em modelos que empiricamente explicam a influência do regime hidrogeológico em um fenômeno a ele relacionado, o número de variáveis explicativas (entradas) deve ser mantido o mais baixo possível, no sentido de se evitar comportamentos superestimados ou correlações coincidentes (VON ASMUTH; KNOTTERS, 2004). 3. 2. 4 Construção de modelos de séries temporais Box e Jenkins (1970) distinguiram três passos básicos na construção de um modelo de séries temporais:
Compartilhar