Autores
Castro, R.A. (Universidade Estadual do Centro-Oeste) ; Geffer, E. (Universidade Estadual do Centro-Oeste) ; Wouk, T. (Universidade Estadual do Centro-Oeste)
Resumo
O SWAT, amplamente utilizado para predizer o impacto das alterações no uso e no manejo do solo, entre outros, sobre a perda de solo e a vazão de curso de água, é extremamente sensível à qualidade dos dados de entrada. Assim, antes da simulação é necessário que se realize uma análise de sensibilidade de tal forma que se possa dar ênfase maior à aquisição e refinamento de determinados dados, diminuir as incertezas e aumentar a confiança nos resultados gerados. Neste trabalho, a partir dos resultados simulados na bacia do Rio das Pedras – Guarapuava, foram realizadas a análise de sensibilidade e a calibração do modelo SWAT. Após a calibração do modelo os resultados do Índice de Nash & Sutcliffe alterado (COE), do percentual de tendência (PBIAS), e o coeficiente de determinação (R²) foram, respectivamente, 0,69, -0,5 e 0,7, indicando bom ajuste entre a vazão média mensal da bacia Rio das Pedras simulada pelo modelo SWAT em relação aos dados observados.
Palavras chaves
análise de sensibilidade; modelagem; SWAT
Introdução
A erosão do solo resulta da ação conjunta dos processos de desagregação por impacto, transporte e deposição de partículas sólidas, provocados pelas forças erosivas das gotas de chuva e do fluxo superficial. Quando acelerada, principalmente pelo desmatamento, a erosão causa impactos ambientais, econômicos e sociais (Bertol et al., 2007). Nesse sentido, diversos são os métodos para quantificação do volume escoado e a descarga de sedimentos até uma dada seção da bacia (Araújo & Knight, 2005). Relativamente ao escoamento, a medição da descarga de sedimento é mais complexa em grandes bacias (Singh & Woolhiser, 2002). Nessas, na maioria das vezes, apenas uma parcela da carga de sedimento em suspensão é possível ser medida, sendo, portantoinferior à erosão total por causa do desprendimento pela chuva e escoamento (Araújo & Knight, 2005). Considerando a dificuldade em se quantificar a produção de sedimentos em grandes bacias, bem como o efeito da escala da bacia sobre os processos hidrossedimentológicos, sua estimativa tem sido realizada por meio de modelos de simulação, sendo, em geral, relacionados com as características do solo (tamanho das partículas de sedimento, densidade etc.), com os fatores climáticos (chuva e evaporação) e os fisiográficos (área da bacia, relevo e cobertura vegetal). Ademais, a relação depende da distribuição espacial desses fatores, do uso e da cobertura do solo na área da bacia, bem como da tendência de ocorrência de chuvas intensas e sua variabilidade espacial (Lima et al., 2008). A modelagem consiste basicamente na parametrização de um modelo voltado para a simulação de processos. A simulação hidrossedimentológica distribuída e de base física (Figueiredo, 2008) estima, entre outras informações, o volume de água e a carga de sedimentos para dada seção de um rio e, ou, reservatório, em razão de uma ou diversas chuvas naturais (Birkinshaw & Bathurst, 2006). Quando os parâmetros têm aplicabilidade regional, também é possível a previsão de vazão em lugares onde não existem tais dados. Contudo, a disponibilidade de dados e a determinação adequada dos parâmetros de modelos distribuídos de base física têm sido as principais dificuldades na modelagem distribuída de processos naturais (Beven, 2001). Para essa pesquisa foi escolhida a bacia do Rio das Pedras que apresenta características geomorfológicas, hidrossedimentológicas e de ocupação do solo representativas na região, e por ser a bacia hidrográfica que abastece de água a cidade de Guarapuava-PR.
Material e métodos
Descrição da área de estudo A bacia do rio das Pedras localiza-se no município de Guarapuava, região Centro-Sul do Estado do Paraná, a bacia situa-se entre as coordenadas geográficas 25° 12’ S e 25° 26’ S de latitude, 51° 13’ W e 51° 28’ W de longitude, com área de 332,01 Km². A bacia desenvolve-se no reverso da escarpa basáltica, localmente denominada Serra da Esperança, sendo que para oeste chega-se a limitar com o perímetro urbano de Guarapuava, iniciando a 1280 m de altitude na Serra da Esperança e terminando na sua foz a 950 m de altitude. Análise de sensibilidade Segundo Arnold et al. (2000), o modelo SWAT é sensível a diversas variáveis relacionadas às variáveis físicas e climáticas. Arnold et al. (2000), relata que o modelo SWAT é sensível a mais de 100 variáveis relacionadas à vegetação, manejo do solo, pedologia, clima, aquíferos, canal e reservatório. Os parâmetros que comumente apresentam maior sensibilidade são os descritos no manual do modelo SWAT (NEITSCH et al., 2005). As principais variáveis que apresentam maior sensibilidade quanto à vegetação, manejo do solo, pedologia (solos), clima, aquíferos, canal e reservatório, utilizados na modelagem deste trabalho estão descritas a seguir. Alpha_Bf: Constante de recessão do escoamento de base (dias) Biomix: Eficiência do revolvimento biológico Blai: Índice do potencial máximo de área foliar Canmx: Armazenamento máximo do dossel (mm H2O). Ch_K: Condutividade hidráulica efetiva do canal (mm/h) Ch_N: Coeficiente de rugosidade de Manning CN2: Curva-Número para a condição de umidade II Epco: Fator de compensação de água pelas plantas Esco: Fator de compensação de evaporação do solo Gw_Delay: Tempo de retardo da água subterrânea (dias) Gw_revap: Coeficiente "revap" de água subterrânea Gwqmn: Limite entre a profundidade de água em aquífero raso e a superfície Revapmn: Profundidade de água limite em aquífero raso para que ocorra "revap" (mm H2O) Slsubbsn: Comprimento da declividade média (m) Sol_Alb : Albedo do solo úmido Sol_Awc: Teor de umidade disponível nas camadas do solo (mm) Sol_K: Condutividade hidráulica do solo saturado (mm/h) Sol_Z: Profundidade do solo (mm) Surlag: Coeficiente de retardo do escoamento superficial A calibração e validação foi realizada automaticamente pelo uso da ferramenta SWAT CUP 2012 versão 5.1.6, software desenvolvido por Abbaspour (2008). Calibração e Validação A calibração e a validação do modelo, seguiu com a divisão da série temporal de vazão em duas partes. Desse modo, foi selecionado o período entre 2004 e 2008 para o aquecimento e calibrar o modelo, e o período entre 2009 e 2013 para validar o modelo Foi conduzida a validação do modelo com um conjunto de dados independentes daquele usado no processo de calibração. Foram utilizados os mesmos critérios de avaliação da qualidade da simulação adotados no período de calibração (COE e PBIAS) O índice de eficiência de Nash-Sutcliffe (NSE) é uma estatística normalizada que determina a magnitude relativa da variância residual quando comparado com a variação dos dados de medição. O índice varia entre -8 a 1, sendo que valores menores do que zero indicam que a média dos dados observados prevê melhor do que a simulação pelo modelo, enquanto valores próximos a um indicam um ajuste ótimo. O PBIAS diz respeito ao percentual de viés das vazões simuladas pelo modelo em relação às observadas, ou seja, é uma medida da tendência média das vazões simuladas serem maiores ou menores que as observadas (Liew et al., 2007). Quanto mais próximo de zero for o valor deste coeficiente melhor o modelo representará a realidade, além disso serve como indicativo se o modelo é pobre em representatividade (Moriasi et al., 2007). Para complementar as análises foi avaliado também o coeficiente de determinação. O R² varia entre 0 e 1, e representa a proporção da variância total observada que é explicada pelo modelo, com maiores valores representando uma melhor performance do modelo.
Resultado e discussão
A análise de sensibilidade foi realizada com diversos parâmetros que o SWAT
utiliza para os cálculos de estimativa de vazão, permitindo identificar
quais parâmetros influenciam significativamente na dinâmica hidrológica. A
escolha dos parâmetros foi feita com a ajuda do programa SWAT CUP, a qual
determina quais parâmetros que mais influenciaram na simulação inicial e que
podem ser utilizados como ponto de partida para a calibração do modelo.
Quanto mais próximo de zero for o valor mais sensível é o parâmetro, o
ranking de influência destas variáveis está ilustrado na Figura 1.
Foi calibrado os dez parâmetros mais sensíveis, os demais valores dos
parâmetros utilizou os fornecidos pelo próprio modelo (default). Quanto mais
sensíveis forem os parâmetros, mais relevante se torna a necessidade de
inseri-los no modelo quando possível ou atentar para o ajuste de seus
valores na fase da calibração. Os parâmetros Curva número com condição II de
umidade (CN2), Fator de compensação de evaporação no solo (ESCO),
Armazenamento máximo de água no dossel (CANMX), Condutividade hidráulica
(SOL_K), Profundidade do solo (SOL_Z), Capacidade de água disponível no solo
(SOL_AWC), Profundidade do aquífero raso responsável pelo fluxo de retorno
(GWQMN), Índice máximo de área foliar (BLAI), Constante de recessão do
escoamento de base (ALPHA_BF) e Limite de água no aquífero raso para ocorrer
percolação (REVAPMN) foram considerados os dez mais sensíveis para a bacia.
O ajuste da condutividade hidráulica (SOL_K) teve relação direta com a
resposta da vazão, uma vez que traduz a facilidade do solo de transmitir
água, de forma que aumentando os valores para Sol_K, a vazão respondeu com o
mesmo comportamento. Assim como observado por Kannan et al. (2007), o fluxo
de base aumentou na bacia do Rio das Pedras quando a condutividade
hidráulica foi aumentada em 20%, tendo como resposta diminuição do
escoamento superficial e aumento das vazões mínimas.
Esse mesmo comportamento foi encontrado por Kannan et al. (2007), Cibin et
al. (2010) e Caram (2011), que além de ajustarem os valores de SOL_K,
acrescentaram o parâmetro SOL_AWC como função do aumento dos fluxos de base,
já que este parâmetro representa a quantidade de umidade disponível para as
plantas nas camadas do solo.
Na bacia do Rio das Pedras, os ajustes para SOL_AWC foram de 35%. O aumento
acima de 30% do valor inicial para capacidade de água disponível no solo
teve comportamento inversamente proporcional ao fluxo de base observado na
simulação da vazão nas sub-bacias calibradas. À medida que o parâmetro é
ajustado com valores próximos a seus valores máximos, o modelo SWAT
atribui características de saturação do solo, drenando a água para o perfil.
O grupo de parâmetros relacionados aos fluxos da zona saturada, GWQMN,
REVAPMN e ALPHA_BF são de difícil determinação, sendo necessário estudos
hidrogeológicos mais complexos para sua avaliação, os quais são inexistentes
na área. No entanto, os valores ajustados não diferem, em ordem de grandeza,
dos aplicados na literatura e em pesquisas que utilizaram o modelo SWAT na
simulação de processos hidrológicos recentes no país.
A Figura 2 mostra a vazão média mensal observada na estação (Guarapuava -
ETA,) e a vazão média mensal simulada no exutório da bacia pelo modelo SWAT,
no período entre 01∕01∕2009 e 31∕12∕2013.
Observa-se que o modelo SWAT simulou a vazão da bacia hidrográfica de
maneira satisfatória. Os picos da vazão calculados pelo modelo mostram-se
superiores aos observados.
Pode-se ressaltar que houve a subestimação da vazão simulada durante a
maioria dos eventos de baixa magnitude, e a superestimação dos eventos com
maior volume precipitado. Esses resultados podem ser justificados pelos
elevados valores de condutividade hidráulica do solos que são inseridos no
modelo. Pois, valores altos de condutividade hidráulica conduzem a altas
taxas de infiltração, e consequentemente, reduzem o volume de água da
superfície que chega ao canal.
Govender e Everson (2005), ao simularem vazão em uma pequena bacia
hidrográfica (0,68 km²), localizada na África do Sul, verificaram, ao fim
dos seus estudos, que o modelo SWAT apresentou melhores resultados em anos
secos do que em anos úmidos, semelhante ao que ocorreu nas simulações da
bacia do Rio da Pedras. Esse comportamento diferente do modelo para anos
úmidos e secos pode estar vinculado à dificuldade do modelo simular a água
disponível no solo durante os períodos úmidos.
Na análise das simulações de vazão líquida, também deve ser considerada a
umidade do solo, pois a vazão é a resposta final do comportamento
hidrológico da bacia. Assim, quanto maior a umidade do solo, maior é o
escoamento superficial e, consequentemente, mais rápida é a transferência de
água precipitada para dentro do canal. Caso contrário, se a taxa de
infiltração for alta, essa transferência passa a ser subterrânea e ocorre
mais lentamente. Dessa forma, se o modelo não simular adequadamente a
umidade do solo, os valores resultantes de vazão líquida simulada não se
aproximarão dos valores observados, pois pode ocorrer tanto superestimação
como subestimação dos resultados.
Segundo Moro (2005), o SWAT não dispõe de um completo balanceamento de massa
dos componentes que simulam a água subterrânea, sendo este um problema comum
em modelos para bacias hidrográficas. A representação do tempo de resposta
da água subterrânea é maior que o passo de tempo para a simulação dos
processos que ocorrem na superfície.
A Tabela 1 apresenta o resultado da estatística de verificação da qualidade
da simulação da vazão média mensal da vazão média mensal da bacia do Rio das
Pedras. Os resultados da estatística de verificação foram satisfatórios.
O PBIAS indica a tendência média das vazões simuladas serem maiores ou
menores do que a vazão que foi observada, de modo que valores positivos
indicam que o viés do modelo tende a subestimar os resultados, enquanto
valores negativos indicam que o viés tende a superestimar os resultados
(GUPTA et al., 1999). Desse modo, observa-se através do PBIAS (valor
encontrado -05) que o modelo tende a superestimar a vazão simulada da bacia
do Rio das Pedras.
Ao observar os resultados apresentados na Figura 3, verifica-se que a
comparação dos valores de vazão mensal simulado com os observados foi
satisfatória.
Analisando o diagrama de dispersão, verifica-se que a série de vazão
simulada comparada a série de vazão observada na estação fluviométrica
apresentaram erros nas vazões máximas e mínimas, com tendência a subestimar
as mínimas e superestimas os picos.
Comparando os dados por métodos estatísticos, e demostram uma boa correlação
linear entre os dados modelados e observados, com R² de 0,70.
A mesma interpretação é observado no diagrama de dispersão (Figura 20)
constata-se o bom desempenho do modelo ao simular as vazões mensais durante
os 5 anos de observação, pois o SWAT apresentou boa correlação entre a
precipitação e a vazão simulada, evidenciando a adequada transferência de
água. Com COE superior a 0,69 é possível avaliar como boa a simulação da
vazão pelo modelo SWAT.
Considerações Finais
1. os parâmetros mais sensíveis do modelo foram aqueles relacionados às propriedades físicas do solo e ao manejo, como a capacidade de água disponível, a condutividade hidráulica e o número da curva. 2. A calibração gerou resultados compatíveis com os dados de campo, índice de Nash & Sutcliffe alterado (COE), do percentual de tendência (PBIAS), e o coeficiente de determinação (R²) foram, respectivamente, 0,69, -0,5 e 0,7, indicando bom ajuste entre a vazão média mensal da bacia Rio das Pedras simulada pelo modelo SWAT em relação aos dados observados.
Agradecimentos
Referências
ABBASPOUR, K.C. SWAT-CUP2: SWAT Calibration and Uncertainty Programs – a user manual. Department of Systems Analysis, Integrated Assessment and Modelling (SIAM), Eawag, Swiss Federal Institute of Aquatic Science and Technology, Duebendorf, Switzerland, 95 p. 2008.
ARAÚJO, J.C. & KNIGHT, D.W. A review of the measurement of sediment yield in different scales. R. Esc. Minas, 53:257-265, 2005.
ARNOLD, J. G.; SRINIVASAN, R.; MUTTIAH, R S. e WILLIAMS, J. R. Large area hydrologic modeling and assessment part I: model development. Journal of the American Water Resources Association, v.34, p.73-89, 2000.
BERTOL, I.; ENGEL, F.L.; MAFRA, A.L.; BERTOL, O.B. & RITTER, S.R. Phosphorus, potassium and organic carbon concentrations in runoff water and sediments under different soil tillage systems during soybean growth. Soil Tillage Res., 94:142-150, 2007.
BEVEN, K. Rainfall-Runoff Modelling - The primer. West Sussex, John Wiley & Sons, 2001. 360p.
FIGUEIREDO, E.E. Sediment yield modelling at micro-basin and basin scales in semi-arid regions of Brazil. In: SCHMIDT, J.; COCHRANE, T.; PHILLIPS, C.; ELLIOTT,S.; DAVIES, T. & BASHER, L., eds. Sediment dynamics in changing environments. Wallingford, 2008. p.157-166. (IAHS Publ., 325)
GOVENDER, M.; EVERSON, C. S. Modelling streamflow from two small South African experimental catchments using the SWAT model. Hydrological Processes, Chichester, v. 19, n. 3, p. 683-692, 2005.
GUPTA, H. V., SOROOSHIAN, S., YAPO, P.O. Status of automatic calibration for hydrologic models: Comparison with multilevel expert calibration. Journal of Hydrologic Eng, v. 4, n. 2, p. 135-143, 1999.
KANNAN, N., et al. Sensitivity analysis and identification of the best evapotranspiration and runoff options for hydrological modeling in SWAT-2000. Journal of Hydrology, v. 332, n. 3- 4, p. 456-466, 2007.
LIEW, M. W.; VEITH, T. L.; BOSCH, D. D.; ARNOLD, J. G. Suitability of SWAT for the Conservation effects assessment project: A comparison on USDA‐ARS watersheds. Journal of Hydrological Research, v.12, p.173‐189, 2007.
LIMA, J.E.F.W.; LOPES, W.T.A.; CARVALO, N.O. & VIEIRA, M.R. Fluxo de sedimentos em suspensão no exutório de grandes bacias hidrográficas em território brasileiro. In: ENCONTRO NACIONAL DE ENGENHARIA DE SEDIMENTOS, 8., Campo Grande, 2008. Anais... Campo Grande, ABRH, 2008. CD-ROM
MORIASI, D.N.; ARNOLD, J.G.; LIEW, M.W.V.; BINGNER, R.L.; HARMEL, R.D.; VEITH, T.L. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Watershed Simulations, v. 50, n.3, p. 885-900. 2007.
MORO, M. A utilização da interface SWAT- SIG no estudo da produção de sedimentos e do volume de escoamento superficial com simulação de cenários alternativos. 2005. 100 p. Dissertação (Mestrado em Irrigação e Drenagem) - Escola Superior de Agricultura “Luiz de Queiroz”, Piracicaba, 2005.
NEITSCH, S. L.; ARNOLD, J. G.; KINIRY, J.R.; WILLIAMS, J.R. Soil and water assessment tool - Theoretical documentation version 2005. Temple, Blackland Research Center, Texas Agricultural Experiment Station, p. 541, 2005.
Singh, V. P., D.A. Woolhiser. 2002. Mathematical modeling of watershed hydrology. Journal of Hydrologic Engineering 7:270-292.
VAN GRIENSVEN, A., MEIXNER, T., GRUNWALD, S., BISHOP, T., DILUZIO, M., AND SRINIVASAN, R. (2006). A global sensitivity analysis tool for the parameters of multi-variable catchment models. Journal of Hydrology, 324(1-4), 10-23.