Beruflich Dokumente
Kultur Dokumente
Aprovada por:
ii
A meus pais,
iii
AGRADECIMENTOS
GEO- RIO;
Ao meu melhor amigo, Afonso Augusto Magalhes, que esteve sempre ao meu
lado, nunca deixando-me desanimar;
iv
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos necessrios
para a obteno do grau de Mestre em Cincias (M.Sc.)
Fevereiro/2004
v
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M.Sc.)
February/2004
vi
INDICE
AGRADECIMENTOS .................................................................................................... iv
RESUMO ......................................................................................................................... v
ABSTRACT .................................................................................................................... vi
INDICE........................................................................................................................... vii
1- -INTRODUO .................................................................................................. 1
2.1 - Introduo................................................................................................. 4
3- -METODOLOGIA ............................................................................................. 29
vii
4- -RADAR METEOROLGICO E POSTOS PLUVIOMTRICOS DA CIDADE
DE SO PAULO ........................................................................................................... 40
viii
LISTA DE FIGURAS
Figura 4.9 - Localizao dos postos pluviomtricos e do radar (em pxeis) na rea de
estudo, definida a partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km ... 53
Figura 4.10 - Localizao dos postos pluviomtricos (em pxeis) na rea reduzida a
partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km, para aplicao do
modelo de krigagem bayesiana .............................................................................. 53
Figura 4.11 - Localizao dos postos pluviomtricos e do radar (em pxeis) na rea de
estudo, definida a partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km
53
Figura 4.12 - Localizao dos postos pluviomtricos (em pxeis) na rea reduzida a
partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km, para aplicao do
modelo de krigagem bayesiana 53
Figura 5.1- Variogramas adimensionais horrios para o evento frontal (01/01/95) e para
o evento convectivo (05/01/95). ............................................................................. 57
ix
Figura 5.2 - Variogramas adimensionais horrios para a direo oeste-leste (0).......... 59
Figura 5.4- Variogramas adimensionais horrios para a direo norte-sul (90) .......... 61
Figura 5.7 - Variogramas adimensionais baseados nos dados dos postos pluviomtricos
e nos dados de radar................................................................................................ 63
Figura 5.16- Distribuio espacial dos dados do radar e dos postos no evento frontal.. 77
Figura 5.17- Distribuio espacial dos dados do radar e dos postos no evento convectivo
................................................................................................................................ 78
x
Figura 5.19 - Distribuio espacial das estimativas de chuva e varincias estimadas no
evento convectivo ................................................................................................... 80
Figura 5.21- Variograma adimensional baseado nos dados de radar e dados dos postos
para o decil-0,2 ....................................................................................................... 86
Figura 5.22- Variograma adimensional baseado nos dados de radar e dados dos postos
para o decil-0,3 ....................................................................................................... 86
Figura 5.23- Variograma adimensional baseado nos dados de radar e dados dos postos
para o decil-0,4 ....................................................................................................... 86
Figura 5.24- Variograma adimensional baseado nos dados de radar e dados dos postos
para o decil-0,5 ....................................................................................................... 87
Figura 5.25- Variograma da chuva mdia baseado nos dados de radar e dados dos postos
para o decil-0,6 ....................................................................................................... 87
Figura 5.26 - Variograma da chuva mdia baseado nos dados de radar e dados dos
postos para o decil-0,7 ............................................................................................ 87
Figura 5.27 - Variograma da chuva mdia baseado nos dados de radar e dados dos
postos para o decil-0,8 ............................................................................................ 88
Figura 5.28 - Variograma da chuva mdia baseado nos dados de radar e dados dos
postos para o decil-0,9 ............................................................................................ 88
Figura 5.29 - Variograma da chuva mdia baseado nos dados de radar para o decil0,3 89
Figura 5.30 - Variograma da chuva mdia baseado nos dados de radar para o decil0,6 89
Figura 5.31 - Variograma da chuva mdia baseado nos dados de radar para o decil0,9 89
Figura 5.32 - Variograma da chuva mdia baseado nos dados de radar para o decil0,3 90
Figura 5.33 - Variograma da chuva mdia baseado nos dados de radar para o decil0,6 90
xi
Figura 5.34 - Variograma da chuva mdia baseado nos dados de radar para o decil0,7 90
Figura 5.35 -Estimativas da modelagem indicatriz e medies do radar com relao aos
postos (calibrao).................................................................................................. 93
Figura 5.36 - Estimativas da modelagem indicatriz e medies do radar com relao aos
postos (validao) ................................................................................................... 93
Figura 5.37 - Distribuio espacial das estimativas de chuva, em mm, para o evento
frontal, com a rea de estudo delimitada por um quadrado ................................... 94
Figura 5.38 - Estimativas da modelagem indicatriz e medies do radar com relao aos
postos (calibrao).................................................................................................. 95
Figura 5.39 - Estimativas da modelagem indicatriz e medies do radar com relao aos
postos (validao) ................................................................................................... 95
Figura 5.40 - Distribuio espacial das estimativas de chuva, em mm, para o evento
convectivo, com a rea de estudo delimitada por um quadrado............................. 96
xii
LISTA DE TABELAS
xiii
Tabela 5.11- Medidas estatsticas de comparao para a regresso e mtodos
geoestatsticos (Evento frontal- validao) .......................................................... 100
xiv
LISTA DE SMBOLOS
xv
1 - -INTRODUO
A gua ocupa uma posio mpar na histria do nosso planeta. Nenhuma outra
substncia natural pode ser comparada em termos de sua influncia no curso do mais
elementar processo geolgico. A maior parte das substncias da Terra, seja mineral,
rocha ou organismo vivo, contm gua. Todo desenvolvimento da Terra afetado pela
gua de alguma forma.
1
metropolitanas, por exemplo, acarreta inmeras alteraes ambientais que, em ltima
anlise, afetam milhares de habitantes. Dentre tais alteraes, destaca-se a modificao
do regime hdrico de microbacias e macrobacias com conseqente agravamento do
problema de enchentes.
2
Finalmente, no Captulo 6, as concluses e recomendaes desta dissertao so
apresentadas.
3
2 - -REVISO TERICA
2.1 - Introduo
Nesse contexto, o cdigo de guas de 1934 e, mais recentemente, a lei das guas
de 1997 procuram disciplinar e regular o uso da gua no Brasil. Em particular, a lei
9433 de 8 de janeiro de 1997, aqui chamada de lei das guas, criou a figura do comit
de bacia e da agncia de bacia. O comit de bacia seria a instncia de deciso poltica,
enquanto a agncia seria o rgo responsvel pelos estudos tcnicos necessrios para
subsidiar a tomada de deciso pelos membros do comit.
4
dos processos correspondentes, identificando os problemas existentes e efetuando as
correes necessrias.
Feita essa contextualizao, destaca-se que o entendimento das leis mais gerais
que governam a distribuio de gua no planeta essencial para o seu uso racional e
proteo. Mais especificamente, o estudo e modelagem dos processos fsicos que
compem o ciclo hidrolgico so parte fundamental da cincia hidrolgica.
Adicionalmente, pode-se compreender a bacia hidrogrfica como a unidade onde so
modelados os processos fsicos ou como a unidade de gesto dos recursos hdricos. Na
prxima seo, so abordados os princpios da modelagem hidrolgica.
5
Um tema fundamental nas pesquisas atuais de modelagem hidrolgica como
tratar o problema da heterogeneidade nos sistemas hidrolgicos. Por muitos anos,
hidrlogos tm adotado diferentes esquemas de representao dos processos fsicos em
seus modelos, com pouco entendimento de seus efeitos.
Nos ltimos anos, grande esforo tem sido dedicado na melhor compreenso da
fase terrestre do ciclo hidrolgico atravs de trabalhos experimentais e modelagem
matemtica. Segundo Doodge (1986), a maioria dos problemas que surgem na
modelagem hidrolgica de bacias hidrogrficas no se enquadra no contexto da
mecnica analtica ou da mecnica estatstica. Na verdade, o estudo hidrolgico de
bacias hidrogrficas situa-se na categoria de sistemas complexos com algum grau de
organizao.
6
parametrizao em excesso atravs de um referencial estatstico, definindo em que nvel
os dados de entrada limitam a complexidade de modelos hidrolgicos do tipo chuva-
vazo. Larsen et al. (1994) estudaram o problema da similaridade de processos de
escoamento superficial entre bacias, alm do uso de parametrizaes adimensionais para
quantific-los. Mais recentemente, Clarke (2002) apresentou um artigo de reviso sobre
mtodos estocsticos utilizados em hidrologia nos ltimos trinta anos, perodo no qual a
potncia e disponibilidade de computadores cresceram rapidamente, tornando possvel
utilizar mtodos de modelao e simulao de sries temporais em que aplicaes
anteriores eram muito limitadas.
Apesar de todo esse esforo, a definio das variveis associados com processos
fsicos, tal como infiltrao, utilizada em modelos hidrolgicos, permanece um
problema em aberto. Em funo da grande variabilidade espacial de muitas das
variveis envolvidas como chuva, topografia, propriedades fsicas do solo e vegetao,
os hidrlogos usualmente recorrem a modelos genricos do sistema hdrico sem
referncia estrutura mais detalhada dos componentes dos processos fsicos envolvidos.
A natureza da operao do sistema inferida a partir das observaes de entrada e de
sada, por meio de algum processo de ajuste do modelo.
7
Talvez a propriedade mais importante de um modelo matemtico seja o grau de
representao dado s variaes espaciais e temporais nas variveis de entrada e sada.
Pode-se, ento, estabelecer as diferenas entre um modelo concentrado e um modelo
distribudo. Enquanto, nos modelos concentrados, assume-se que os parmetros e
variveis variam somente com o tempo, define-se modelos distribudos como aqueles
em que os parmetros e variveis variam tanto no espao quanto no tempo.
8
tendo como entrada campos de precipitao obtidos por meio da gerao de campos
aleatrios. O autor explora o efeito de diferentes densidades de redes de postos
pluviomtricos nas vazes geradas pelo modelo Topmodel.
registro de dados
calibrao do modelo
10
transformao da chuva em vazo. Muito freqentemente, esses sub-modelos so
caracterizados pela ausncia de informao espacial. Quando essa informao um
dado de entrada, a variabilidade espacial pode ser sumarizada na funo de
probabilidade, procurando representar o padro real (Moore e Clarke, 1981; Moore,
1985).
11
Variabilidade espacial e temporal da chuva.
12
chuva, estocsticos e fsicos. Esse trabalho conduz a uma abundncia de modelos
matemticos desde o tipo mais simples de chuva-vazo at os modelos distribudos,
fisicamente mais complexos, tal como o Sistema Hidrolgico Europeu (SHE) (Abbott et
al; 1986 a, b; Bathurst, 1986 a, b).
13
(1) modelos de chuva pontuais - caracterizam uma srie temporal de chuva (por
exemplo, de hora em hora, diariamente) em um nico ponto baseados, desse modo, nas
observaes de chuva nos pluvimetros que levam em conta o correspondente intervalo
de tempo ( Cowpertwait et al., 1996 a, b);
14
origem das clulas e decaimento, atenuao da intensidade da clula de chuva no tempo
e espao e movimento relativo das clulas. Eles mostraram que o comportamento da
funo covarincia espao-temporal dos seus modelos so consistentes com a hiptese
de Taylor.
15
No contexto de previso de inundao em tempo real, importante ainda
destacar que se trata de assunto de interesse a anlise de propagao de ondas de
inundao em bacias hidrogrficas, isto , a previso em tempo real de vazo e valores
de nvel de gua em sees dos rios correspondentes. Esse tema bastante discutido na
literatura de hidrulica de rios , incluindo esquemas de modelagem unidimensional ou
bidimensional (Mascarenhas e Miguez, 2002), que envolvem duas equaes diferenciais
parciais, usualmente chamadas de equaes de Saint Venant. No caso de parmetros
constantes, a soluo dessas equaes pode ser representada pela soma de ondas
senoidais, segundo Puppini (1947), Supino (1965) e Ponce e Simons (1977). Em casos
reais, a variabilidade dos parmetros no pode ser descuidada; para resolver as equaes
de Saint Venant, muitos mtodos numricos tm sido propostos e correntemente usados.
Para estudos de inundao em tempo real nas bacias hidrogrficas, esses modelos
completos so, muitas vezes, simplificados para emprego no procedimento de previso,
como apontado por Cunge et al. (1980) e mostrado por Kraijenhoff e Moll (1986).
16
que est afastado do objeto e a anlise dos dados para interpretar os atributos fsicos do
objeto.
17
O sensoriamento remoto em hidrologia avaliado como uma abordagem vivel
para o estudo da variabilidade espacial de propriedades fsicas da bacia hidrogrfica,
uma vez que os dados bsicos so espaciais por natureza. Essa nova base de dados um
dos elementos essenciais no desenvolvimento de novos modelos hidrolgicos
distribudos com base fsica.
18
Service(SCS). Em ambos os estudos, imagens Landsat foram utilizadas para estimar a
cobertura e uso do solo. Em ambos os casos, os resultados obtidos por meio do
sensoriamento remoto foram aceitveis com valores de curva nmero definidos com
base em cartografia convencional (SCS, 1972).
Estudos realizados por Abreu (2000) e Ribeiro et al. (2000) abordam o problema
do mapeamento da cobertura do solo e o problema da deteco de mudanas nessa
cobertura por meio do uso de imagens Landsat obtidas para a bacia hidrogrfica dos rios
Iguau e Sarapu, Rio de Janeiro, Brasil.
19
Na rea de deteco de umidade do solo, a faixa de microondas do espectro
eletromagntico tem sido explorada com vistas aplicao em modelos hidrolgicos
(Schmugge et al., 1980; Jackson et al., 1981, Engman, 1990; Pietroniro, 1993; Rotunno,
1995). H dois modos importantes de utilizar a umidade do solo em modelos
hidrolgicos. reconhecido que a umidade inicial tem um importante papel na
definio do hidrograma (vazo ao longo do tempo) para eventos chuvosos. A segunda
forma consiste em se utilizar a umidade do solo em diferentes tempos para controlar e
corrigir o desempenho do modelo (Kuczera (1983a, 1983b)).
Princpios do Radar
20
Por sua vez, a aplicao da tecnologia de radar meteorolgico tem sido motivo
de contnuo desenvolvimento desde que o radar se tornou disponvel h mais ou menos
40 anos. A maioria das aplicaes de radar so para detectar partculas de nuvens,
chuvas, flocos de neves e partculas de gelo.Existem, no entanto, outras
aplicaes,como, por exemplo, o uso do radar Doppler para medir turbulncia,
velocidade de ventos e velocidade de ondas do mar (Battan, 1973).
D g
= (2.1)
21
de perda de sinal (caso, por exemplo, dos radares de banda C), porm tende a
desaparecer para o caso de grandes comprimentos de onda.
2
5 K Dg 6
= (2.2)
4
Quando se considera toda a regio coberta pelo feixe do radar, a energia mdia
que retorna das partculas atingidas expressa por:
Pr =
C1
r 2 Dg 6
unid.devol.
(2.3)
Isto pode ser explicado pelo fato de que os fatores das partculas medidas por
um radar de pequeno so muito maiores do que os medidos por um radar de grande.
Portanto, uma percentagem significativa da energia do feixe pode ser absorvida e
22
dispersada pelas partculas. Assim, quando o feixe de um radar de pequeno atravessa
uma tempestade, sua energia total diminuda ou atenuada, de tal forma que a qualidade
das estimativas geralmente prejudicada.
4 unid .devol.
Zef = 2
(2.4)
5 K
Verifica-se, todavia, que para a grande maioria das precipitaes o dimetro das
gotas pequeno em relao ao comprimento de onda do radar. Assim, para
comprimento de onda de radiao igual ou superior a 5 cm, a lei de Rayleigh
aplicvel, pelo que basicamente utilizado em hidrometeorologia com radar, o fator de
refletividade Z, o qual comumente expresso em mm6.m-3 ou em dBZ, sendo:
[(
Z (dBZ ) = 10 log Z mm 6 m 3 )] (2.5)
calculado a partir de Pr. Uma tarefa que tem sido atribuda queles que trabalham com
R.
R= N (D)
vol
6 D 3W t ( D ) dD (2.6)
23
onde:
massa especfica.
Z = a.R b (2.7)
24
os pxeis utilizados so quadrados (por exemplo, 2 km de lado), os quais fazem parte de
um sistema de malha cartesiano.
25
d) fenmeno de propagao anmala -esse o efeito causado quando o
feixe intercepta uma camada de ar perto da superfcie do solo e esta possui um alto
ndice de refrao; como resultado, o feixe pode ser desviado e, at mesmo, interceptar
o solo;
e) presena de ventos laterais- esse fenmeno pode fazer com que uma
chuva observada do radar venha a acontecer em um local diferente do indicado pelo
aparelho; um fenmeno to mais significativo quanto mais baixa for a velocidade de
quedas das gotas em relao velocidade do vento.
26
introduziram uma srie de ferramentas que permitem a construo das funes de
covarincia para elementos discretos. Jupp et al. (1989) aplicaram os primeiros
resultados em modelos simples de imagens e em imagens digitais delas obtidas, para
mostrar como a estrutura espacial de uma imagem depende da estrutura espacial
previamente obtida de uma cena. Woodcock et al. (1988a , 1988b) discutiram o uso de
variogramas para modelos simples de imagens do solo consistindo de reas alocadas
aleatoriamente em uma rea contnua. Eles tambm analisaram o processo de
regularizao e seu efeito nos variogramas. Seus resultados indicaram relaes diretas
entre diversos parmetros da imagem e o comportamento dos variogramas. Webster et
al. (1989) discutiram diferentes estratgias de amostragem para minimizar a varincia
de krigagem. Os autores queriam reduzir o nmero de amostras coletadas usando
imagens previamente obtidas da rea a ser amostrada. Eles tambm discutiram o
mapeamento da radiometria do solo usando krigagem.
27
(mtodo matriz de co-ocorrncia de tons de cinza), que incorporam a correlao
espacial do fenmeno.
Muoz Muiz (1991), por sua vez, trata da simulao de campos aleatrios de
precipitao, empregando estruturas de correlao espacial. Barbosa (2000) avalia a
distribuio espao-temporal da chuva atravs de um referencial geoestatstico. Dados
de chuva acumulada em uma hora, medidos pelo radar meteorolgico de So Paulo e
pela rede telemtrica localizada na bacia do Alto Tiet, foram submetidos a uma anlise
geoestatstica. Foram determinados variogramas de alguns eventos para serem
investigadas as variaes espaciais dos sistemas precipitantes.
28
3 - -METODOLOGIA
Sejam dois valores z(x) e z(x+h), nos pontos x e x+h separados pela distncia h.
A variabilidade entre esses dois valores caracterizada pela funo variograma 2 (x,h),
que definida como a esperana da varivel aleatria [Z(x)-Z(x+h)]2, isto ,
29
O semivariograma definido como a metade do variograma. Ambas funes, em
geral dependem das posies x e x+h e correspondem ao caso no-estacionrio.
onde C(0) a covarincia para o vetor de distncia zero, ou seja, C(0) igual
varincia 2 da varivel aleatria em estudo.
C ( h) ( h)
( h) = = 1 2 (3.3)
2
1 N ( h)
* ( h) =
2 N (h) i =1
[z(x i ) - z(x i + h)] 2 (3.4)
onde N(h) o nmero de pares experimentais [z(xi) e z(xi+h)] de dados separados pelo
vetor h.
30
No texto deste trabalho, ser adotado, por simplicidade, a nomenclatura de
variograma para designar a funo (h), embora, na literatura, essa funo seja
apresentada sob a denominao de semivariograma.
31
qualitativas. O Apndice A destaca a notao utilizada e deriva os termos apresentados
na exposio que feita, a seguir, do mtodo de krigagem bayesiana.
onde
Como a covarincia pode ser dependente dos dois pontos de suporte x+h e x ,
a funo variograma correspondente aos dados qualitativos definida como
M ( x + h, x) = 12 Var[ M ( x) M ( x + h)]
= 12 [C M ( x, x) + C M ( x + h, x + h)] C M ( x + h, x) (3.7)
onde
32
E [Z(x) | M(x)] valor esperado de Z(x), dado o valor de M(x)
Cov [Z(x+h),Z(x) | M(x)] covarincia entre Z(x+h) e Z(x), dado o valor de M(x)
a0 constante desconhecida.
Ento, M(x) pode ser interpretada como uma estimativa, associada com
incerteza, pela forma da funo esperada da varivel em estudo Z(x). A constante a0
introduzida para tornar a estimativa menos sensvel ao nvel real especificado. A
expresso para o variograma condicional de Z(x)
N
Z * ( x0 ) = i Z T ( xi ) + M ( x0 ) (3.15)
i =1
33
E [Z(x0) Z*(x0)] = 0 (3.17)
isto , o valor esperado da estimativa nos pontos de suporte x0 deve ser igual ao valor
real esperado em x0, e a condio de varincia mnima estimada como segue:
i 1
i =1 (3.19)
N N N
min 2 = 2 i [ Z |M ( x 0 xi ) + M ( x 0 , xi )] i j [ Z |M ( xi x j ) + M ( xi , x j ) (3.20)
i =1 i =1 j =1
[
i =1
i Z |M ( x i x j ) + M ( x i , x j )] + = Z | M ( x 0 x j ) + M ( x 0 , x j ) (3.21)
i 1
i =1 com j=1,2,...,N
N
2 ( x 0 ) = i [ Z |M ( x 0 x i ) + M ( x 0 , x i )] (3.22)
i =1
34
aplicadas em geoestatstica e M(.,.) poderia ser escolhida de uma famlia maior de
funes. Omre (1987) sugere que um estimador no tendencioso para Z|M(h) para
todas as distncias h seja:
1 Nh
*Z | M (h) =
2Nh i =1
[(Z(xi + h) Z (xi ))2 (M (xi + h) M (xi ))2 2 M (xi + h, xi )] (3.23)
onde 2M(x) a varincia dos dados subjetivos e [Cs = 1 - s(h)] uma funo positiva
definida. Da Equao (3.9), para uma funo aleatria estacionria de segunda ordem, a
seguinte expresso pode ser derivada:
onde Cs(h) pode ser interpretada como a funo de correlao inicialmente fornecida.
35
Os problemas associados com a capacidade de manipular somente formas
particulares de funes de covarincia tm sido discutidos por alguns autores
(Mantaglou e Wilson, 1982). Mtodos espectrais multidimensionais no esto restritos
a funes de covarincia especficas, mas so custosos em termos de tempo
computacional. Mantaglou e Wilson (1982) desenvolveram equaes relacionando a
densidade espectral de um processo 2-D com a densidade espectral de um processo 1-D
e, ento, aplicaram o mtodo de faixas rotativas para somar uma srie de simulaes 1-
D de forma a obter a simulao 2-D. Mantaglou (1987) estendeu essa abordagem
espectral para trs dimenses, permitindo manipular anisotropias, variveis mltiplas e
gerar mdias espaciais diretamente.
I (x,zc) = 1 se zc z(x)
37
F* (x;zc | z(x), (n))
= P*{Z( x ) z c / z( x ), (n )} (3.28)
n
=
=1
( x; z c )i( x a ; z c )
onde o asterisco na funo F indica um valor estimado, i (x; zc) a varivel aleatria
indicatriz transformada do valor amostral z(x) para o limiar zc, e (x;zc) o
correspondente peso da krigagem indicatriz. Os pesos so uma funo do limite de
corte zc e do local x, onde a funo de distribuio acumulada deve ser estimada. Os
pesos so obtidos a partir da soluo de um sistema de krigagem usando a funo de
covarincia indicatriz CI(h; zc), especfica para a funo aleatria binria I(x; zc):
=1
( x; z c )C1 ( x x z c ) + ( x; z c ) = C1 ( x x ; z c ) (3.29)
=1
( x; z c ) = 1
38
por krigagem, como na equao (3.28), a partir da transformao indicatriz dos dados
condicionantes ou de restrio.
39
4 - -RADAR METEOROLGICO E POSTOS PLUVIOMTRICOS DA
CIDADE DE SO PAULO
A maior parte da rea urbana da bacia do Alto Tiet est assentada sobre
terrenos sedimentares, compreendendo os depsitos tercirios da bacia de So Paulo e
as coberturas aluviais mais recentes, desenvolvidas ao longo dos principais rios que
drenam a regio.
41
(refletor), redoma, pedestal, transmissor, receptor, vdeo digitalizador e sistema
processador. As caractersticas tcnicas dos componentes do radar so descritas no
apndice B, segundo Pisani (1995).
42
quantificando-a por unidade de rea na superfcie. Esses dados so introduzidos em
modelos hidrolgicos que possibilitam prever as vazes nos rios (Pereira Filho, 1989).
O radar, instalado em Ponte Nova, envia seus dados via linha telefnica discada,
para um microcomputador tipo Pentium na central de operao, localizada no CTH-
Cidade Universitria em So Paulo. Este computador est interligado com as diversas
redes telemtricas do DAEE (Alto Tiet- Pinheiros). Os dados de radar e da rede so
distribudos, via linha privada, para a prefeitura de So Paulo, para a ELETROPAULO,
para o DAEE e para a imprensa. O sistema comporta a transmisso de dados para outros
rgos. Alm desses equipamentos, o escritrio central dispe de fax para o caso de
haver problemas de comunicao entre os computadores envolvidos no sistema.
43
Figura 4.2- Sistema de alerta a inundaes da cidade de So Paulo SAISP (fonte:CTH).
44
programa interpola as informaes contidas em cada uma das elevaes, conhecidas
como PPI (Plan Position Indicator), formando assim o campo em um plano de altitude
constante; a Figura 4.4 mostra um exemplo.
ECHO TOP mapa com as mesmas caractersticas do CAPPI, que indica o topo
das nuvens acima de um dado limite de altura que tem taxas de precipitao acima de
um valor pr-fixado pelo operador;
45
Figura 4.3- Construo de um CAPPI a partir de diferentes ngulos de elevao da antena do radar
(Fonte: CTH).
47
Figura 4.6- Funcionamento da rede telemtrica (fonte: CTH)
composta por uma estao base (EB) (microcomputador PC) responsvel pela
coleta de dados das estaes remotas (ER). Essa comunicao ocorre por meio de linhas
privadas e sistema de rdio VHF. A EB interroga as ERs com freqncia fixada pelo
operador, adotando-se uma varredura a cada 10 minutos. O conjunto de informaes
enviadas da EB do Alto Tiet consiste de dados de leitura de instrumentos de medida de
nvel de rios e reservatrios e ndices pluviomtricos, que so coletados pelas ERs.
48
O formato da mensagem consiste de 5 bytes para dados de data e hora da
varredura e um bloco com vrios registros com mesmo formato, que contm as leituras
dos sensores identificados pela ER e pelo instrumento. Cada registro composto de 1
byte para o nmero da ER, 1 byte para nmero do instrumento e por 4 bytes para o valor
da leitura do sensor. A EB do Alto Tiet zera automaticamente seus sensores de chuva
s 7 horas da manh. A Central de Dados Hidrolgicos, a cada 5 minutos, interroga
automaticamente a estao base, que, quando possui dados novos, os transfere para a
CDH. A estao base possui recursos para interrogar a CDH e obter qualquer produto
escolhido pelo operador da rede telemtrica. A Figura 4.7 mostra a distribuio dos
postos pluviomtricos da rede.
49
Figura 4.8- Rede telemtrica de Cubato. (fonte: CTH)
postos das redes do Alto-Tiet e Cubato utilizados esto relacionados, na Tabela 4.1.
51
Tabela 4.1 - Localizao dos Postos Pluviomtricos e do Radar
Posto Long.(x) Lat.(y) Pxel (X) Pxel (Y)
PPNOVA 400.800 7.392.450 90 89
PESTAL 377.090 7.398.950 79 86
PMIGUE 354.750 7.403.350 67 84
PPENHA 342.520 7.399.950 61 85
PBELEN 337.300 7.396.860 59 87
PLIMAO 329.862 7.398.400 55 86
PMOVEL 321.300 7.397.285 51 87
PSERTA 366.700 7.379.080 73 96
PTAIAC 368.650 7.393.200 74 89
PJUNDI 377.150 7.386.150 79 92
PARICA 344.250 7.394.990 62 88
PRGRND 343.600 7.372.485 62 99
PIMIGR 338.998 7.375.449 60 98
PRUDGE 340.100 7.381.950 60 94
PMENIN 338.660 7.385.540 59 93
PORATO 346.250 7.386.800 64 92
PPROSP 340.900 7.387.950 61 91
PMARIA 333.070 7.390.765 57 90
PCOMGA 335.880 7.393.380 58 89
PBOMRT 332.425 7.397.990 56 86
P25CUB 354.750 7.357.980 67 106
P05ULT 360.245 7.363.180 70 104
P20COT 348.870 7.357.100 65 107
P15APE 351.133 7.363.243 66 104
P10PAR 366.820 7.369.900 74 100
P05PER 355.620 7.361.080 68 105
P05COS 360.100 7.359.520 70 106
RADAR 400.800 7.389.700 90 90
anlise estrutural de dois eventos chuvosos (01/01/95 e 05/01/95). A Figura 4.10, por
outro lado, apresenta a rea a que foi reduzido o CAPPI na aplicao do modelo de
4.12 apresentam as mesmas reas configuradas nas Figuras 4.9 e 4.10, respectivamente,
52
50 60 70 80 90 100 110 120 130
50
60
70
80
90
100
110
120
130
Figura 4.9 - Localizao dos postos pluviomtricos e do radar (em pxeis) na rea de estudo,
definida a partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km
50 60 70 80
80
90
100
110
Figura 4.10 - Localizao dos postos pluviomtricos (em pxeis) na rea reduzida a partir do CAPPI
(180 x 180 pxeis), com pxeis de 2 x 2 km, para aplicao do modelo de krigagem bayesiana
53
320.800 340.800 360.800 380800 400.800 420.800 440.800 460.800 480.800
7.309.700
7.329.700
7,349.700
7.369.700
7.389.700
7.409.700
7.429.700
7.449.700
7.469.700
Figura 4.11 - Localizao dos postos pluviomtricos e do radar (em UTM) na rea de estudo,
definida a partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km
7.369.700
7.389.700
7.409.700
7.429.700
Figura 4.12- Localizao dos postos pluviomtricos (em UTM) na rea reduzida a partir do CAPPI
(180 x 180 pxeis), com pxeis de 2 x 2 km, para aplicao do modelo de krigagem bayesiana
54
5 - -ABORDAGEM GEOESTATSITCA
55
direo que define o conjunto de pares ou pontos a partir dos quais determinada a
semivarincia estatstica mdia. Esse conjunto de pares discriminado em grupos
definidos em funo da distncia. Alm disso, estabelecida uma tolerncia angular
para a direo analisada. Assim, todos os pares de pontos que se encontrem nessa faixa
so utilizados no clculo do variograma.
Pode-se perceber que os variogramas horrios (Figura 5.1), tanto para o evento
frontal como para o evento convectivo, apresentam o patamar em torno de 1, j que
foram adimensionalizados pela varincia dos dados. O efeito pepita, embora o suporte
seja da ordem de 2 x 2 km, no significativo, ou seja, as variabilidades que ocorrem
em uma escala inferior do pxel no so relevantes. Com relao ao alcance, verifica-
se que, no evento frontal, os valores variam na faixa aproximada de 20 a 40 pxeis,
enquanto no evento convectivo, os valores esto situados em torno de 12 pxeis. A
forma do variograma e os valores de alcance significativos encontrados mostram a
existncia de correlao espacial.
56
Figura 5.1- Variogramas adimensionais horrios para o evento frontal (01/01/95) e para o evento
convectivo (05/01/95).
57
Em seguida, para caracterizar a estrutura de correlao espacial em diferentes
direes, permitindo assim verificar se h zonas de influncias preferenciais, como por
exemplo, no sentido oeste-leste (=0), norte-sul (=90) ou sudoeste- nordeste
(=45), tambm foram calculados os variogramas horrios, conforme mostram as
Figuras 5.2, 5.3 e 5.4 respectivamente. Todos variogramas foram adimensionalizados
pela varincia dos valores de chuva, para que pudessem ser comparados entre si.
Essa diferena nos alcances do evento frontal e do evento convectivo merece ser
melhor analisada, uma vez que constitui parmetro importante nos modelos de
estimativa de chuva que considere uma abordagem geoestatstica.
1 hora 2 hora 3 hora 4 hora 5 hora 6 hora 7 hora 8 hora 9 hora Mdia
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
59
Variogramas Horrios do Evento Frente Fria - Direo SW-NE (45)
1 hora 2 hora 3 hora 4 hora 5 hora 6 hora 7 hora 8 hora 9 hora Mdia
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
60
Variogramas Horrios do Evento Frente Fria - Direo N-S (90)
1 hora 2 hora 3 hora 4 hora 5 hora 6 hora 7 hora 8 hora 9 hora Mdia
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
61
Figura 5.5 - Variogramas adimensionais direcionados da chuva mdia do evento frontal (01/01/95) e
do evento convectivo (05/01/95)
62
Variogramas dos Eventos de Chuva do Radar
Sistema Convectivo Frente Fria
2,00
1,00
0,00
0 10 20 30 40 50 60 70 80
Distncia (pxel)
2,0
1,0
0,0
0 2 4 6 8 10 12 14
Distncia (pixel)
Figura 5.7 - Variogramas adimensionais baseados nos dados dos postos pluviomtricos e nos dados
de radar
63
espacial detectada a partir dos dados do radar, a presena de correlao espacial nos
dados de campo dos postos pluviomtricos. Os pontos do variograma experimental
calculados com base nos dados dos postos acompanham a forma do variograma definido
pelo radar. Adicionalmente, a correlao cruzada entre dados dos postos e radar
procurou ser caracterizada pela determinao de um covariograma entre as duas
variveis. A Figura 5.8 exibe a relao entre os dados do radar e dos postos para o
evento frontal.
0,5
-0,5
-1
0 1 2 3 4 5 6 7 8 9
Distncia (pixel)
64
5.2 - Resultados de Krigagem Bayesiana
65
Histograma dos dados de radar - evento frontal
140
120
100
Freqncia (pxeis)
80
60
40
20
0
3,3 3,7 4,0 4,3 4,7 5,0 5,3 5,7 6,0 6,3 6,7 7,0 7,3 7,7 > 7,7
classes (mm)
6
Frequncia (pxeis)
0
0,6 1 1,4 1,8 > 1,8
classes (mm)
66
Histograma dos dados do radar - evento convectivo
180
160
140
Frequncia (pxeis)
120
100
80
60
40
20
0
1,7 3,3 5,0 6,7 8,3 10,0 11,7 13,3 15,0 16,7 18,3 20,0 21,7 23,3 >23,3
classes (mm)
5
Frequncia (pxeis)
0
6 8 10 12 > 12
classes (mm)
67
Variogramas da chuva mdia do evento frontal
Radar
Postos
1
0
0 5 10 15 20 25 30 35 40
Distncia (pixel)
0,8
0,6
covariograma
0,4
0,2
0
0 2 4 6 8 10 12 14 16 18
-0,2
-0,4
-0,6
-0,8
-1
distncia (pixel)
68
Variograma da chuva mdia do evento convectivo
0
0 5 10 15 20 25 30 35 40
distncia (pxel)
20
15
10
Covariograma
0
0 2 4 6 8 10 12 14
-5
-10
-15
-20
distncia (pixel)
69
Assim, para detalhar a aplicao do modelo, alm dos dados observados pelos
postos e os estimados pelo radar (relao ZR), com as respectivas coordenadas,
necessrio que se informe as caractersticas dos variogramas desses dados. Mais
especificamente, o mtodo de krigagem bayesiana requer que o variograma
experimental adimensionalizado da imagem seja modelado. Adicionalmente,
necessrio um variograma para os postos. Com relao aos variogramas dos postos, h,
pelo menos, trs alternativas. Na primeira, adotada nesta dissertao, o variograma
derivado a partir dos dados dos postos pluviomtricos. Na segunda, poderia-se adotar o
variograma experimental adimensional da imagem como representativo do variograma
dos postos e, nesse sentido, bastaria que se obtivesse o variograma experimental com
base na varincia dos dados dos postos. A terceira alternativa consistiria em se adotar
um variograma construdo para uma outra rea, com caractersticas similares area de
estudo. O variograma experimental dos dados dos postos devem tambm ser modelados.
Repare-se que, nesta pesquisa, optou-se pela primeira alternativa, uma vez que havia
disponibilidade de uma rede de postos suficientemente densa na rea de estudo para a
construo do variograma experimental. Em outros estudos, pode-se ter maior
dificuldade na obteno dos variogramas dos postos em funo da pequena quantidade
de estaes. Assim, a segunda alternativa constituiria uma soluo interessante.
71
Variograma da chuva mdia do radar - evento frontal
0
0 5 10 15 20 25 30 35 40
Distncia (pixel)
0,4
0,2
0,0
0 5 10 15 20 25
Distncia (pxel)
72
Variograma da chuva mdia do radar
0
0 5 10 15 20 25 30 35 40
distncia (pxel)
14
0
0 5 10 15 20 25
distncia (pxel)
Figura 5.14 - Variograma adimensional do radar e variograma experimental dos dados dos postos
para o evento convectivo
73
Feita a anlise geoestatstica preliminar dos dados correspondentes aos eventos
frontal e convectivo discute-se, a seguir, os resultados do modelo de krigagem
bayesiana.
Tabela 5.2 - Valores de chuva observados (postos ) e estimados (radar e krigagem bayesiana) para o
evento frontal de 04/02/95
74
Tabela 5.3 - Valores de chuva observados (postos )e estimados (radar e krigagem bayesiana) para o
evento convectivo de 30/03/95
As relaes dos valores observados pelos postos com os valores medidos pelo
radar (relao ZR) e com os valores estimados pelo modelo so demonstradas em
grficos de disperso correspondentes aos eventos frontal e convectivo (Figura 5.15).
75
Estimativas da krigagem bayesiana e do radar x
observaes dos postos - Evento Frontal
10
7
Estimativas (mm/h)
Radar (relao ZR)
6
Krigagem Bayesiana
5
0
0 1 2 3 4 5 6 7 8 9 10
Postos (mm/h)
20
18
16
14
Estimativas (mm/h)
0
0 2 4 6 8 10 12 14 16 18 20
Postos (mm/h)
76
(7.379.700) -85
(7.389.700) -90
(7.399.700) -95
(7.409.700) -100
(7.419.700) -105
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
(7.379.700) -85
1.6
1.5
(7.389.700) -90
1.4
1.3
1.2
(7.399.700) -95
1.1
1.0
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
Figura 5.16- Distribuio espacial dos dados do radar e dos postos no evento frontal
77
(7.379.700) -85
(7.389.700) -90
(7.399.700) -95
8.0
(7.409.700) -100
6.0
4.0
2.0
(7.419.700) -105 0.0
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
(7.379.700) -85
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
Figura 5.17- Distribuio espacial dos dados do radar e dos postos no evento convectivo
78
(7.379.700) -85
2.4
(7.389.700) -90
2.2
1.8
(7.399.700) -95
1.4
0.6
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
(7.379.700) -85
0.70
0.65
(7.389.700) -90
0.60
0.55
0.50
(7.399.700) -95
0.45
0.40
0.35
(7.409.700) -100
0.30
0.25
0.20
(7.419.700) -105 0.15
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
Figura 5.18 - Distribuio espacial das estimativas de chuva e varincias estimadas no evento
frontal
79
(7.379.700) -85
(7.389.700) -90
(7.399.700)
-95
(7.409.700)
(7.419.700)
(7.429.700)
LEGENDA:
POSTO PLUVIOMTRICO
(7.379.700) -85
(7.389.700) -90
(7.399.700)
-95
(7.409.700)
(7.419.700)
(7.429.700)
LEGENDA:
POSTO PLUVIOMTRICO
Figura 5.19 - Distribuio espacial das estimativas de chuva e varincias estimadas no evento
convectivo
80
Comparando-se as estimativas do modelo com as medies do radar (Figura
5.15), nota-se que o modelo consegue obter valores bem prximos dos medidos pelos
postos, tanto para o evento frontal como para o evento convectivo. No entanto, h
diferenas com relao grandeza de valores verificada para os dados dos postos e os
dados do radar. No caso do evento frontal, a relao ZR utilizada no reproduz
adequadamente a chuva ocorrida na superfcie, enquanto, no evento convectivo, h uma
melhor aproximao entre os dados das estaes e os dados do radar. Essas diferenas
reforam o argumento de que a relao ZR no nica e seu comportamento depende,
por exemplo, do tipo de precipitao.
Alm disso, nas Figuras 5.16 (evento frontal) e 5.17 (evento convectivo),
percebe-se que a distribuio espacial da chuva pelo radar (grfico superior) difere
acentuadamente da distribuio espacial obtida a partir dos postos pluviomtricos
(grfico inferior). Quando se comparam as Figuras 5.18 e 5.19 (grfico superior) com
as Figuras 5.16 e 5.17 (grfico superior), respectivamente, verifica-se que o modelo
capta a variabilidade espacial identificada pelos dados do radar. Adicionalmente, os
mapas de varincias refletem menores incertezas associadas s estimativas nos locais
onde existem postos pluviomtricos (Figuras 5.18 e 5.19 - grfico inferior).
Por essa razo, de forma a se fazer uma validao mais apropriada dos
resultados do modelo e verificar a sua robustez, foi realizada uma nova estimativa de
chuva para a regio em estudo. Foram eliminados alguns dados observados de cada
evento para posterior comparao com os novos resultados. Para o evento frontal, foram
fornecidos os dados de 6 postos a partir de uma total de 16 postos, enquanto, no evento
convectivo, foram consideradas 4 estaes com base em um total de 11 estaes.
81
As Tabelas 5.4 e 5.5 mostram os valores observados e estimados para os postos
pluviomtricos que foram suprimidos da base de dados fornecida ao modelo. Em
seguida, um grfico de disperso ilustra a relao dos valores observados pelos postos
com os dados do radar (relao ZR) e com os valores estimados pelo modelo (Figura
5.20).
82
Tabela 5.4 - Valores de chuva observados (postos) e estimados (radar e krigagem bayesiana) para o
evento frontal de 04/02/95 - validao do modelo
Localizao Evento Frontal (mm/h)
X Y Postos Radar Estimativas
58 86 1,3 5,9 1,1
58 88 1,5 6,1 1,7
60 91 1,4 6,4 1,9
60 94 1,8 7,0 2,6
61 99 1,1 6,2 1,4
63 91 1,9 7,4 2,6
64 106 0,7 5,8 0,6
67 83 1,2 5,9 0,8
70 103 0,7 5,8 0,6
73 100 1,3 5,1 0,2
Tabela 5.5- Valores de chuva observados (postos) e estimados (radar e krigagem bayesiana) para o
evento convectivo de 30/03/95 - validao do modelo
83
Estimativas da krigagem bayesiana e do radar x
observaes dos postos - Evento Frontal
10
Estimativas (mm/h)
6
Radar (relao ZR)
5
Krigagem Bayesiana
4
0
0 1 2 3 4 5 6 7 8 9 10
Postos (mm/h)
18
16
14
Estimativas (mm/h)
12
Radar (relao ZR)
10
Krigagem Bayesiana
0
0 2 4 6 8 10 12 14 16 18 20
Postos (mm/h)
84
5.3 - Resultados da Krigagem Indicatriz
85
V a r io g r a m a m d io a d im e n s io n a liz a d o d o r a d a r
d -0 ,2 - E v e n to F r o n ta l
2 ,0
1 ,5
varincia
Radar
1 ,0 P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.21- Variograma adimensional baseado nos dados de radar e dados dos postos para o decil-
0,2
V a r io g r a m a m d io a d im e n s io n a liz a d o d o r a d a r
d -0 ,3 - E v e n to F r o n ta l
2 ,0
1 ,5
Radar
varincia
P o s to s
1 ,0
0 ,5
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.22- Variograma adimensional baseado nos dados de radar e dados dos postos para o decil-
0,3
V a r io g r a m a m d io a d im e n s io n a liz a d o d o r a d a r
d -0 ,4 - E v e n to F r o n ta l
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.23- Variograma adimensional baseado nos dados de radar e dados dos postos para o decil-
0,4
86
V a r io g r a m a m d io a d im e n s io n a liz a d o d o r a d a r
d -0 ,5 - E v e n to F r o n ta l
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.24- Variograma adimensional baseado nos dados de radar e dados dos postos para o decil-
0,5
V a r io g r a m a m d io a d im e n s io n a liz a d o d o r a d a r
d -0 ,6 - E v e n to F r o n ta l
2 ,0
1 ,5
varincia
Radar
1 ,0 P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.25- Variograma da chuva mdia baseado nos dados de radar e dados dos postos para o
decil-0,6
V a r io g r a m a m d io a d im e n s io n a liz a d o d o r a d a r
d -0 ,7 - E v e n to F r o n ta l
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.26 - Variograma da chuva mdia baseado nos dados de radar e dados dos postos para o
decil-0,7
87
V a r io g r a m a m d io a d im e n s io n a liz a d o d o r a d a r
d -0 ,8 - E v e n to F r o n ta l
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.27 - Variograma da chuva mdia baseado nos dados de radar e dados dos postos para o
decil-0,8
V a r io g r a m a m d io a d im e n s io n a liz a d o d o r a d a r
d -0 ,9 - E v e n to F r o n ta l
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.28 - Variograma da chuva mdia baseado nos dados de radar e dados dos postos para o
decil-0,9
88
Variogram a da chuva m dia - Evento Frontal
0,4
0,3
varincia
em prico
0,2
m odelado
0,1
0,0
0 10 20 30 40 50
distncia (pxel)
Figura 5.29 - Variograma da chuva mdia baseado nos dados de radar para o decil-0,3
V a r io g r a m a d a c h u v a m d ia - E v e n to F r o n ta l
0 ,4
0 ,3
varincia
e m p r ic o
0 ,2
m o d e la d o
0 ,1
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.30 - Variograma da chuva mdia baseado nos dados de radar para o decil-0,6
V a r io g r a m a d a c h u v a m d ia - E v e n to F r o n ta l
0 ,4
0 ,3
e m p r ic o
varincia
m o d e la d o
0 ,2
0 ,1
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.31 - Variograma da chuva mdia baseado nos dados de radar para o decil-0,9
89
V a r io g r a m a d a c h u v a m d ia - E v e n to C o n v e c tiv o
0 ,4
0 ,3
varincia
e m p r ic o
0 ,2
m o d e la d o
0 ,1
0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.32 - Variograma da chuva mdia baseado nos dados de radar para o decil-0,3
V a r io g r a m a d a c h u v a m d ia - E v e n to C o n v e c tiv o
0 ,4
0 ,3
varincia
e m p r ic o
0 ,2
m o d e la d o
0 ,1
0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.33 - Variograma da chuva mdia baseado nos dados de radar para o decil-0,6
V a r io g r a m a d a c h u v a m d ia - E v e n to C o n v e c tiv o
0 ,4
0 ,3
varincia
e m p r ic o
0 ,2
m o d e la d o
0 ,1
0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.34 - Variograma da chuva mdia baseado nos dados de radar para o decil-0,7
90
O modelo esfrico de variograma foi adotado na anlise do evento frontal. Os
parmetros foram os seguintes: d-0,3 (alcance = 26,473 pxeis; patamar = 0,227
(mm/h)2; efeito pepita = 0,05(mm/h)2), d-0,6 (alcance = 17,404 pxeis; patamar =
0,20(mm/h)2; efeito pepita = 0,06(mm/h)2) e d-0,9 (alcance = 14,481 pxeis; patamar =
0,05(mm/h)2; efeito pepita = 0,035(mm/h)2) .
No caso do evento frontal, as relaes dos valores observados pelos postos com os
valores estimados pelo radar (relao ZR) e com os valores estimados pelo modelo so
demonstradas na Figura 5.35. Nota-se que o modelo consegue obter valores bem
prximos dos medidos pelos postos. No entanto, h diferenas com relao grandeza
de valores verificada para os dados dos postos e os dados do radar. No caso desse
evento, a relao ZR utilizada no reproduz adequadamente a chuva ocorrida na
superfcie. Essas diferenas reforam o argumento de que necessrio investigar a
adequabilidade da relao ZR para diferentes tipos de precipitao.
91
De forma a se fazer a validao dos resultados do modelo e verificar a sua
robustez, foi avaliada a estimativa de chuva para a regio em estudo no local dos 6
postos pluviomtricos no utilizados no processo de calibrao. Um grfico de
disperso ilustra a relao dos valores observados pelos postos com os dados do radar
(relao ZR) e com os valores estimados pelo modelo para cada evento (Figura 5.36).
Os resultados para os postos no conhecidos pelo modelo foram considerados
aceitveis.
A Figura 5.37 mostra a distribuio espacial dos valores estimados pelo modelo
de simulao para o evento frontal. Quando se compara a Figuras 5.37 com a Figura
5.16, referentes ao radar, verifica-se que o modelo reproduz satisfatoriamente a
variabilidade espacial identificada pelos dados do radar.
92
Estimativas de indicadores seqenciais e do radar x
observaes dos postos - Evento Frontal
10
9
8
Estimativas (mm/h)
7
6
Radar (relao Z-R)
5 Indicadores seqenciais
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
Postos (mm/h)
Figura 5.35 -Estimativas da modelagem indicatriz e medies do radar com relao aos postos
(calibrao)
7
6 Relao Z-R
5 Indicadores seqenciais
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
Postos (mm/h)
Figura 5.36 - Estimativas da modelagem indicatriz e medies do radar com relao aos postos
(validao)
93
Figura 5.37 - Distribuio espacial das estimativas de chuva, em mm, para o evento frontal, com a
rea de estudo delimitada por um quadrado
94
Estimativas de indicadores seqenciais e do radar x
observaes dos postos - Evento Convectivo
20
18
16
14
Estimativas (mm/h)
12
0
0 2 4 6 8 10 12 14 16 18 20
Postos (mm/h)
Figura 5.38 - Estimativas da modelagem indicatriz e medies do radar com relao aos postos
(calibrao)
20
18
16
14
Estimativas (mm/h)
12
0
0 2 4 6 8 10 12 14 16 18 20
Postos (mm/h)
Figura 5.39 - Estimativas da modelagem indicatriz e medies do radar com relao aos postos
(validao)
95
Figura 5.40 - Distribuio espacial das estimativas de chuva, em mm, para o evento convectivo, com
a rea de estudo delimitada por um quadrado
96
Tabela 5.6- Valores de chuva observados (postos ) e estimados (radar, krigagem bayesiana-Kb e
krigagem indicatriz- Ki ) para o evento frontal de 04/02/95 (calibrao)
Tabela 5.7 Valores de chuva observados (postos) e estimados (radar, krigagem bayesiana- Kb e
krigagem indicatriz- Ki ) para o evento frontal de 04/02/95 (validao)
97
Tabela 5.8- Valores de chuva observados (postos) e estimados (radar, krigagem bayesiana-Kb e
krigagem indicatriz- Ki ) para o evento convectivo de 30/03/95 (calibrao)
Tabela 5.9- Valores de chuva observados (postos) e estimados (radar, krigagem bayesiana - Kb e
krigagem indicatriz- Ki ) para o evento convectivo de 30/03/95 (validao)
98
Adicionalmente, de forma a se caracterizar o desempenho dos mtodos
supracitados, optou-se por calcular algumas estatsticas. As medidas estatsticas usadas
foram: (a) coeficiente de correlao(R), (b) erro mdio (EM), erro reduzido mdio
quadrado (ERM), e erro mdio quadrtico (EMQ). A seguir, esto suas definies.
1 N
( x i mx )( x *i m * )
N 1 i =1 x
R= (5.2)
x *
x
onde
xi um valor observado;
N o nmero de medidas.
EM =
1
N i =1
( x i x *i )
(5.3)
99
(c) Erro reduzido mdio quadrado (ERM)
2
1 N x i x *i
ERM = (5.4)
N i =1 x
1
1
EMQ =
N
( )22
x i x *i (5.5)
N i 1
As Tabelas 5.10 e 5.11 refletem a anlise comparativa, com base nas estatticas
de resumo mencionadas, para o evento frontal, envolvendo as fases de calibrao e
validao, respectivamente. As Tabelas 5.12 e 5.13 sintetizam os resultados para o
evento convectivo.
Tabela 5.10- Medidas estatsticas de comparao para a regresso e mtodos geoestatsticos (Evento
frontal- calibrao)
100
Tabela 5.12- Medidas estatsticas de comparao para a regresso e mtodos geoestatsticos (Evento
convectivo- calibrao)
Tabela 5.13- Medidas estatsticas de comparao para a regresso e mtodos geoestatsticos (Evento
convectivo- validao)
Finalmente, com base nas Tabelas 5.6 a 5.13, pode-se observar que a abordagem
geoestattica forneceu, em geral, resultados melhores do que o uso estrito da relao ZR.
Esse fato fica melhor evidenciado quando se analisa o evento frontal. Pode-se perceber
ainda que o mtodo de krigagem bayesiana apresentou desempenho superior em relao
ao mtodo de simulao condicional por indicadores seqenciais.
101
6 - - CONCLUSES E RECOMENDAES
Dentro dessa perspectiva, foi conduzida uma anlise estrutural realizada com
dados de dois eventos chuvosos com origem em diferentes sistemas meteorolgicos:
uma frente fria que atingiu a regio do radar no dia 01/01/95 e um sistema convectivo
ocorrido no dia 05/01/95.
102
complementao relao ZR, comumente utilizada nos radares meteorolgicos. A
capacidade de captar a estrutura de correlao espacial presente nos dados de radar
meteorolgico aliada informaes quantitativas de postos pluviomtricos torna a
modelagem geoestatstica uma ferramenta bastante promissora em estudos
hidrometeorolgicos.
103
Finalmente, espera-se que a pesquisa desenvolvida contribua para o
entendimento e a modelagem da distribuio espacial da chuva, proporcionando novas
idias e concepes para o tratamento deste tema.
104
7 - -REFERNCIAS BIBLIOGRFICAS
ALABERT, G. F., 1987, Stochastic imaging of spatial distributions using hard and soft
informations, Master Thesis, Stanford University, U.S.A.
AMOROCHO, J., MORGAN, D., 1974, "Convective storm field simulation for
distributed models", Proc. Warsaw Symp on Mathematical Models in hydrology,
Int. Assoc. of Hydrol. Sci., Wallingfoud, pp. 598-607.
AMOROCHO, J., NU, B., 1977, "Mathematical models for simulations of cyclonic
storm sequences and precipitations fields", Journal of Hydrology, v.32, pp.329-
345.
105
AMOROCHO, J., SLACK, J. R., 1970,"Simulations of cyclonic storm fields for
hydrologic modeling", Proc. Am. Geophys, Union Annual Meeting, Washington,
DC, December. AGU, Washington, DC.
ATKINSON, P. M., CURRAN, P. J., 1995, "Defining an optimal size of support for
remote sensing investigations", IEEE Trans. on Geosci. and Remote Sensing,
v.33, pp. 768-776.
ATKINSON, P. M., WEBSTER, R., CURRAN, P. J., 1992, "Cokriging with ground-
based radiometry", Remote Sensing of Environment, v.41, pp. 45-60.
AUSTIN, P.M., R.A. HOUZE, 1972, Analysis of the structure of precipitation patterns
in New England, J. Appe. Meteor, v. 11, pp. 926-935.
106
BATTAN, L.J., 1973, Radar observations of the atmosphere, University of Chicago
Press, Chicago and London.
BEVEN, K., BINLEY, , 1992, "The future of distributed models: model calibration and
uncertainty prediction", Hydrological Processes, v.6, pp.279- 298.
BEVEN, K., J., P.E. O'CONNEL, 1982, "On the role of phisically-based distributed
modelling in hidrology", n.18, Institute of Hydrology, UK, pp.1-36.
BEVEN, K., 1989, "Changing ideas in hydrology - the case of physically- based
models", Journal of Hydrology, v.105, pp.157- 172.
BEVEN, K., LAMB, R., QUINN, P., ROMANOWICZ, R., FREER, J., 1995,
TOPMODEL. In: Singh, V. P. (ed.). Computer Models of Watershed Hydrology.
Water Resource Publications, Colorado, p. 627-668.
BRANDES, E. A., 1975, "Optimizing Rainfall Estimates with the Aid of Radar". In:
Journal of Applied Meteorology, v. 14 (Oct), pp. 1339-1345.
CANEDO, P. M., 1979, The reliability of conceptual catchment model calibration, Tese
de Doutorado, University of Lancaster, United Kingdom.
CHOW, V.T., 1964, Handbook of applied hydrology, Mc Graw Hill, New York, N. Y..
107
CLARK, J. D., 1983, The GOES users guide, NESDIS, NOAA, Department of
Commerce, Washington, D.C.
COLLINGE, V. K., KIRKBY C., 1987, Weather radar and flood forecasting, John
Wiley & Sons.
COLWELL, R.N (ED.), 1983, "Manual of remote sensing. vols I an II", American
Society of Photogrammetry, Falls Church, V.A.
CRAWFORD, K. C., 1979, "Considerations for the design of a hydrologic data network
using multivariate sensors", Water Resources Research., v.18,pp. 413-431.
108
CRAWFORD, N.H., LINSLEY, R.K., 1966, " Digital simulation in hydrology",
Stanford watershed Model IV, Stanford Univ. Dep. Civ. Eng. Tech. Rep, v.39.
CRESSIE, N. (1993)," Statistics for Spatial Data", Revised edition, John Wiley & Sons
Inc.
CREUTIN, J. D., C. OBLED, 1982, Objective analyses and mapping techniques for
rainfall fields: An objective comparison, Water Resour Res., v.18, n.2, pp. 413-
431.
CUNGE, J.A, HOLLY, F.M., VERVEY, A., 1980, Practical aspects of computacional
river hydraulics, Pitman, London.
DALE MELLOR, 1996, The modified turning bands (MTB) model for space-time
rainfall. I. Model definition and properties , Journal of Hydrology , Departament
of Civil Engineering, University of New Castle upon Tyne, Newcastle upon Tyne
NE17RU, UK, v.175, pp.113-127.
109
DELHOMME, J.P., 1978,Kriging in the hidrosciences, Adv. Water Resour.,v.1(5),
pp.251-266.
DOOGE, J.C.I., 1986, "Looking for hydrologic laws", Water Resources Research, v.22,
pp.46S- 58S.
DOVIAK, R. J., ZRNIC, D. S., 1984, Doppler radar and Weather Observations, New
York, Academic Press Inc.
DUAN, Q., SOROOSHIAN, S., GUPTA, V.K., 1992, "Effective and efficient global
optimization for conceptual rainfall- runoff models", Water Resources Research,
v.28, pp.1015- 1031.
EBERT, E.E., M.J. MANTON, P. ARKIN, R.J. ALLAM, G.E. HOLPIN, A. GUMBER,
1996, Results from the GPCP algorithm intercomparison program, Bull. Amer.
Meteor. Soc., v.77, pp. 2875-2887.
110
retangular pulse model: parameter estimation and validation", Water Resources
Research, v.25, n.2, pp.295-302.
ENVI, 1997, version 2.6, Envi users guide, The Environment for Visualizing Images,
Colorado, U.S.A.
GANDIN, L.S., 1970, "The planning of meteorological station network", WMO Tech.
Note, v.111.
GARLAND, G., 1986, Resolution considerations in using radar rainfall data for
hydrologic modelling, M. Sc. Thesis, Dept of Civil Engineering, University of
Waterloo, Waterloo, Ontrio, Canad.
111
GMEZ-HERNANDEZ, J. J., R.M. SRIVASTAVA, 1990, ISIM3D:An ANSI-C three-
dimensional multiplr indicator conditional simulation program, Computer in
Geosci., v.16, n.4, pp.395-414.
GRODY, N.C, 1991, Classification of snow cover and precipitation using the Special
Sensor Microwave/Imager, J. Geophys. Res., v.96, pp. 7423-7435
GUPTA, R.P., 1991, Remote sensing geology, Springer- Verlag Berlin Heidelberg, New
York.
GUPTA, S. K., SOLOMON, S.I., 1977a, "Distributed numerical model for estimating
runoff and sediment discharge of ungaged rivers 1. The informatiom system",
Water Resources Research, v.13, n.3, pp.613- 618.
GUPTA, S. K., SOLOMON, S.I., 1977b, "Distributed numerical model for estimating
runoff and sediment discharge of ungaged rivers 3. Comparison with other simple
techniques", Water Resources Research, v.13, n.3, pp.631- 636.
GUPTA, V. K., WAYMIRE, E. C., 1979, "A stochastic kinematic study of subsynoptic
space-time rainfall", Water Resources Research, v.15, n.3, pp. 637-644.
HARTIGAN, J. A.,, 1969, "Linear Bayesian Methods", J. Royal Stat. Soc. Ser. B, v.31,
pp. 446-454.
112
HEVESI, J. A., J.D. ISTOK, A.L. Flint, 1992a, Precipitation estimation in
mountainous terrain using multivariate geoestatistics. Part I: Structural analysis,
J. Appl. Meteor, v.31, pp. 661-676.
HOUZE, R. A., HOBBS P. V., BISWAS, K.R., DAVIS, W.M., 1976, "Mesoescale
rainbands in extratropical cyclones", Mon. Weather Rev., v.104, n.7, pp. 868-878.
HOUZE, R.A., JR, 1993, Cloud Dynamics, Academic Press, 573 pp.
113
JOHNSON, G.L., C.L HANSON, 1995, Topographic and atmospheric influences on
precipitation variability over a mountainous watershed, J. Appl. Meteor, v.34,
pp. 68-87.
JONES, D. M. A., 1956, Rainfall drop-size distribution and radar reflectivity , In:
Urban Meteorol. Laboratory n6, State Water Survey, Illinois.
KAVVAS, M. L., PURI, P.S., 1983, "A stochastic model of the extratropical cyclonic
precipitations field formed around a low pressure center", EOS Trans. Am.
Geophys. Union, v.16, n.18, p. 221.
KAVVAS, M.L., SAQUIB, M.N., PURI, P.S., 1987, "On a stochastic descripton of the
time-space behaviour of extratropical cyclonic precipitations fields", J. Stochastic
Hydrol. Hydraulic, v.1, pp. 37-52.
114
KIDD, C., 1998, On rainfall retrieval using polarization corrected temperatures, Jnt.
J. Remote Sens., v.19, pp. 981-996.
KIM, J., N.L. MILLER, A.K. GUETTER, K. P. GEORGAKAKOS, 1998, River flow
response to precipitation and snow bridget in California during the 1994/95
winter, J. Climate, v. 11, pp. 2376-2386.
KRAIJENHOFF, D.A, MOLL, J.R. (Editors), 1986, River flow modelling and
forecasting, D.Reidel, Dordrecht.
115
LARSEN, J. E., SIVAPALAN, M., COLES, N. et al., 1994, "Similarity analysis of
runoff generation processes in real- world catchments", Water Resources
Research, v.30, n.6, pp.1641- 1652.
LEARY, C.A., RA. HOUZE JR., 1979, The structure and evolution of convection in a
tropical cloud cluster, J. Atmos Sci, v.36, pp. 437-457.
LINK, L. E., 1983, Compatibility of present hydrologic models with remotely sensed
data, Seventeenth International Symposium on Remote Sensing of Environment,
Ann Arbor, Michigan.
LOVEJOY, S., B.B. MANDELBROT, 1985, Fractal properties of rain, and a fractal
model, Tellus, 37A, pp. 209-232.
116
MANTAGLOU, A.,1987, Digital simulation of two and three- dimensional stochastic
processes with a spectral turning bands method, Mathematical Geology, v.19, n.2,
pp.129-150.
MANTAGLOU, A., J. L. WILSON, 1982, " The turning bands method for simulation
of random fields using line generation by a spectral method", Water Resources
Research, v.18, n.5, pp.1379-1394.
A, *
MARCO FRANCHINI , JACQUES WENDLINGB, 1, CHARLES OBLEDC, EZIO
TODINIA,1996, "Physical interpretation and sensitivity analysis of the TOP
MODEL", Journal of Hydrology, Universit di Bologna, Instituto di Costrizioni
Idrauliche, Facolt di Ingegneria, Viale Risorgimento 2,40136, Bologna, Italy,
v.175, pp.293-338.
MATHERON, G., 1970,"La thorie des variables regionaliss et ses aplications", Cah.
Cent. Morphol.Math, v.5.
MATHERON, G., 1973, " The intrinsic random functions and their applications",
Advan. Appl. Prob., n.5, pp.439-468.
MELLOR, D, METCALFE, A. V., 1996," The modified turning bands (MTB) model
for space-time rainfall. III. Estimation of the storm rainband profile and a
discussion of future model prospects", Journal of Hydrology, v.175, pp.161 180.
117
MELLOR, D., OCONNELL, P.E., 1996,"The Modifiel turning bands (MTB) model for
space-time rainfall. II. Estimation of raincell parameters, Journal of Hydrology,
v.175, pp. 129-159.
MESSAOUD, M., POINTIN, Y. B., 1990, "Small time and space measurement of the
mean rainfall rate made by a gauge network and by a dual-polarization radar". In:
J. Appl. Meteor, 29, 830-841
MILLER, N. L., J. KIM, 1996, Numerical prediction of precipitation and river flow
over the Russian River watershed during the january 1995 California storms,
Bull. Amer. Meteor. Soc., v. 77, pp. 101-105.
MILLER, N.L., R.K. HARTMAN, J.D. FARRARA, 1999, Dowscaled climate and
streamflow study of the south western United States, J. Amer. Water Resources.
Assoc., v. 35, pp. 1525-1538.
MOORE, R.J, 1985, "The probability distributed principle and runoff production at
point and basin scales", Hydrolo Sci. J., v.30 (2), p.6.
MOORE, R.J., CLARKE, R.T., 1981, "A distribution function approach to rainfall
runoff modelling ", Water Resour. Res., v.17 (5), pp.1367 1382.
NEUMANN, P., SCHULTZ, G.A., 1989, Hidrological effects of catchment and land
use changes detemined by satellite imagery and GIS, Remote Sensing and Large-
Scale Global Processes, In: Proceedings of the IAHS Third international
assembly, Baltimore, IAHS Publications, 186, 1989.
118
NOBRE, M. M., 1992, An investigation of the impact of uncertainties in geological
formations on groundwater flow, Tese de Doutorado, Dept. of Civil Engineering,
University of Waterloo, Waterloo, Ontario, Canada.
OMRE, H., 1987, Bayesian kriging - merging observations and qualified guesses in
kriging. In: Mathematical, Geology, v.19, n.1, pp. 25-39.
PAOLO LAMBERTI*, STEFANO PILATI, 1996, Flood propagation models for real-
time focecasting, Journal of Hydrology, Universit di Bologna, Facolt di
Ingegneria, Instituto de Construzioni Idrauliche, Viale Risorgimento 2, 40136
Bologna, Italy, v.175, pp.239-265.
PEREIRA FILHO, AUGUSTO. J., 1989, Uso do Radar Meteorolgico para Previso
de Chuva a Curto Prazo Aplicado Previso Hidrolgica em Bacias
Urbanizadas, Tese de Mestrado, Departamento de Meteorologia - IAG/USP, So
Paulo.
119
PEREIRA FILHO, AUGUSTO J., CRAWFORD, KENNETH C., 1999, Mesoscale
precipitation fields. Part I: Statistical and hydrologic response, Journal of
Applied Meteorology, v. 38 (Jan), pp.82- 101.
PIETRONIRO, A., 1993, The feasibility of using remotely sensed soil moisture
estimates as input into a distributed hydrologic model, Ph. D. thesis, Dept. of
Civil Engineering, University of Waterloo, Waterloo, Ontrio, Canad.
PISANI, A., 1995, Avaliao dos Dados do Radar Meteorolgico de So Paulo para
Aplicao em Hidrologia, Tese de Doutorado, Dep. de Engenharia Hidrulica /
Escola Politcnica da Universidade de So Paulo.
PONCE, V.M., SIMONS, D.B., 1977, Shalow wave propagation in open channel
flow, J.Hydraul.Div., ASCE, v.12, pp.1461-1476.
RANGO, A., 1993, II. Snow hydrology processes and remote sensing, Hydrological
Processes, Vol. 7, pp. 121-138.
120
Applied Meteorology, Departament of Physics and Astronomy, University of
Kansas, Lowrence, KS 66045, v. 40, n.3, pp. 345-364.
ROTUNNO FILHO, O. C., 1995, Soil moisture mapping using remote sensing and
geostatistics applied to rainfall- runoff models, Tese de Doutorado, University of
Waterloo, Ontario.
SALAS, J.D, 1993, Analysis and modeling of hydrologic time series, Handbook of
Hydrology, D.R. Maidment, Ed., Mc Grawhill, pp. 19.1 19.71.
121
escala localizada nas cabeceiras do rio Corumbata, So Paulo", Revista Brasileira
de Recursos Hdricos, v.2, pp.5-25.
SCMUGGE, T.J, JACKSON, T.J., Mckim, H.L, 1980, "Survey of methods for soil
moisture determination", Water Resources Research, v.16, pp. 961-79.
SELIGA, T.A., V.N. BRINGI, 1978, Differential reflectivity and differential phase
shift: Applications in radar meteorology, Radio Sci., v.13, pp. 271-275.
SHAH, S.M.S., O CONNELL P.E., HOSKING, J.R.M., 1996 a, "Modelling the effects
of spatial variability in rainfall on catchment response. 1: Formulation and
calibration of a stochastic rainfall field model". Journal of Hydrology, v.175,
pp.67-88.
SHAH, S.M.S., O CONNELL P.E., HOSKING, J.R.M., 1996b, "Modelling the effects
of spatial variability in rainfall on catchment response. 2: Experiments with
distributed and lumped models", Journal of Hydrology, v.175, pp.89-111.
SHARMA, A., LUK, K. C., CORDERY, I., LALL, U. (2000). Seasonal to interannual
rainfall probabilistic forecasts for improved water supply management: Part 2
Predictor identification of quaterly rainfall using ocean- atmosphere information,
Journal of Hydrology, pp.240-248.
122
SLAMA, C.C.(ED), 1980, "Manual of photogrammetry", American Society of
Photogrammetry, Falls Church, VA.
SMITH, E. A., COAUTHORS, 1998, Results of the WetNet PIP-2 project, J. Atmos.
Sci, v.55, pp. 1483-1536.
SMITH, JR., J.T. (ED), 1968, "Manual of color aerial photography", American Society
of Photogrammetry, Falls Church, VA.
SOLOMON, S.I., GUPTA, S.K., 1977, "Distributed numerical model for estimating
runoff and sediment discharge of ungaged rivers 2. Model development", Water
Resources Research, v.13, n.3, pp.619- 629.
TAO, T. e N. KOUWEN 1989, Remote sensing and fully distributed modelling for
flood forecasting, J. of Water Resources Planning and Management, ASCE, 115,
pp. 809-823.
TODD, M.C., J.O. BAILEY, 1995, Estimates of rainfall over the United Kingdom and
surrounding seas from the SSM/I using the polarization-corrected temperature
algorithm, J. Appl. Meteor, v.34, pp. 1254-1265
TODINI, E., 1996, "The ARNO rainfall-runoff model", J. Hydrology, v.175, pp.339-
382.
123
ULABY, F. T., MOORE,R. K. AND A. K. FUNG (1986), Microwave remote sensing-
passive and active, v.3, Addison- Wesley, Mass.
WAYMIRE, E., GUPTA, V.K., RODRIGUEZ ITURBE, 7., 1984, "A spectral theory
of rainfall intensity at the meso- scale", Water Resources Research, v.20, n.10,
pp.1453-1465.
WEBB, R. P., R. LEMARK, e FELDMAN, 1980, " Determination of land use from
satellite imagery for input into hydrologic models", Fourteenth International
Symposium on Remote Sensing of the Environment, Anne Arbour.
124
WOODCOOK, C .E., A. H. STRAHLER, AND D. L. B. JUPP (1988a), The use of
variograms in remote sensing: I. Scene images and simulated images, Remote
sensing of Environment, 25, pp. 323-348.
ZHAO, R.J., 1977, "Flood forecasting method for humid regions of China", East China
College of Hydraulic Engineering, Nanking.
125
APNDICE A
tem-se que:
= Cov [M(x+h),M(x)]
= CM(x+h,x) (A.5)
126
As expresses para a covarincia de Z (3.15) e para o variograma de Z (3.16)
E [Z(x0) Z*(x0)] =0
E [Z(x0)] = E [Z*(x0)]
N
E [Z(x0)] =
i =1
i E [ZT(xi)] + M(x0) (A.8)
E [Z(x0) Z*(x0)] =0
127
N
a0 = a0
i =1
i (A.9)
i 1
i =1 (A.10)
N
Var [Z(x0) Z*(x0)] = Var [Z(x0)] 2
i =1
i Cov [Z(x0) , ZT(xi)]
+
i j
i j Cov [ZT (xi) , ZT(xj)]
N
= Var [Z(x0)] 2
i =1
i Cov [Z(x0) , Z(xi)]
+
i j
i j Cov [Z (xi) , Z(xj)] (A.11)
N
Var [Z(x0) Z*(x0)] = 2i [ Z | M ( x0 xi ) + M ( x0 , xi )]
i =1
N N
i j [ Z | M ( xi x j ) + M ( xi , x j ) (A.12)
i =1 j =1
128
APNDICE B
Radoma
Fabricada pela Eletronic Space Systems Corp. Concord; Mass.- USA, uma
estrutura geodsica executada com placas triangulares de fibra de vidro unidas com
Refletor
dimetro................. 3,66 m;
polarizao.............. vertical.
129
Pedestal
pelo pedestal. Propicia uma rotao azimutal contnua e precisas mudanas no ngulo
de elevao.
Transmissor e receptor
respectivamente, pela gerao dos pulsos eletromagnticos e pela recepo dos sinais de
Caractersticas do transmissor:
freqncia de repetio
130
potncia de entrada............. 208 V, 3 fases, 60 Hz e 35
Caractersticas do receptor:
freqncia.......................... 30 MHz;
Vdeo digitalizador
intensidade com a resoluo de 6 bytes para cada um dos 240 intervalos azimutais do
configurao: Processador RISC MIPS R4600 PC, 133 MHz, cache interno de 16/16
Kb, 32 Mb dynamic RAM, 1 Gb de disco rgido, floppy disk 3 1/2, Cmara de vdeo
digital IndyCam, 2 portas seriais RS-422 com modem control, , 1 canal fast SCSII (10
Mb/s), 1 conector integrado stereovision, 1 porta Ethernet com TCP/IP (AUI, !0- base-T
microfone e speaker, teclado de 101 botes e mouse mecnico, Monitor colorido de 17",
resoluo 1280x1024 com placa de 8 planos de cores, Sistema Operacional Irix 5.3,
131
Unix System V.4 com implementaes SGI, Indigo Magic, system manager, IRIS
Showcase, IRIS explorer, Media Mosaic, Movie Maker, Movie Play, Sound Editor,
132