Análise de Séries Temporais PDF

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
1ª Edição
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 Engenharia
de 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 dynamic relationship 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
setembro de 2014 e 02 de setembro de 2016 no poço B1. .................................................. 61
setembro de 2014 e 02 de setembro de 2016 no poço S2. .................................................. 62
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
para os poços B1, B4, B6 e B8 na Bacia do Bugre. ............................................................. 68
para os poços S2, S3, S4 e S7 na Bacia do Santana. ......................................................... 69
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
PIRFICT para os poços B1, B4, B6 e B8 na Bacia do Bugre. .............................................. 72
PIRFICT para os poços S2, S3, S4 e S7 na Bacia do Santana. ........................................... 72
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 influenciam a
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. Um
modelo 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 substituídas pela 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:
  E[Z t ] (1)
9
que pode ser estimada a partir de series temporais de observações por um estimador
simples como:
1 n
̂   zt
n t 1
(2)
A variância do processo estocástico {Zt} é definida como o valor esperado do quadrado dos
desvios da média:
S Z2  E[( Z t   ) 2 ] (3)
e estimado por:
1 n
Sˆ Z2   ( zt  z ) 2
n  1 t 1
(4)
A autocovariância para o passo k é definida por:
 k  E[( Z t   ) * ( Z t  k   )]
(5)
 0  S Z2
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:
k
k  (6)
0
A autocovariância amostral para o passo k pode ser calculada a partir de uma série temporal
por:
nk
1
ck 
nk
 (z
t 1
t  z )( z t  k  z ) (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
 kc
rk  1   k (8)
 n  c0
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 dependência tende 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:
Z t    1 ( Z t 1   )  at (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:
S 2 , k  0
E[at at k ]   a (10)
0, k  0
para todos os instantes t.
Usando o operador de deslocamento para trás B, a equação 9 pode ser reescrita como:
Z t    1 ( BZ t   )  at (11)
onde BkZt = Zt-k pode também ser reescrito como:
 ( B)( Z t   )  at (12)
com Ø(B) = 1 – Ø1B.
Um processo autoregressivo de ordem p, AR(p), pode ser formulado como:
Z t    1 ( Z t 1   )  2 ( Z t 2   )  ...   p ( Z t  p   )  at (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):
( Z t  k   )( Z t   )  1 ( Z t  k   )( Z t 1   )  2 ( Z t  k   )( Z t  2   )
(14)
 ...   p ( Z t  k   )( Z t  p   )  ( Z t  k   )at
e a partir das esperanças dos termos da equação 14, obtém-se:

12
 k  1 k 1  2 k  2  ...   p k  p (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:
k  1k 1  2 k  2  ...   p k  p (16)
sendo k > 0. Estendendo a equação 16 para k = 1, 2, ..., p resulta em um conjunto de

equações Yule-Walker:
1  1  2 1  ...   p  p 1
 2  11  2  ...   p  p  2
. . . ... . (17)
. . . ... .
. . . ... .
 p  1 p 1  2  p  2  ...   p
que em notação matricial é igual a:
1 𝜌1 𝜌2 … 𝜌𝑝−1 𝜙1 𝜌1
𝜌1 1 𝜌1 … 𝜌𝑝−2 𝜙2 𝜌2
. . . … . . .
. . . … . . = . (18)
. . . … . . .
[𝜌𝑝−1 𝜌𝑝−2 𝜌𝑝−3 … 1 ] [𝜙𝑝 ] [𝜌𝑝 ]
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 𝜌2 … 𝜌𝑘−1 𝜙𝑘1 𝜌1
𝜌1 1 𝜌 1 … 𝜌𝑘−2 𝜙𝑘2 𝜌2
. . . … . . .
. . … = . (19)
. . .
. . . … . . .
[𝜌𝑘−1 𝜌𝑘−2 𝜌𝑘−3 … 1 ] [𝜙𝑘𝑘 ] [𝜌𝑘 ]
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 𝜙̂𝑘𝑘 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:
Z t    at  1at 1 (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:
Z t     ( B) a t (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:
Z t    at  1 ( Z t 1   )  12 (Z t 2   )  13 ( Z t 3   )  ... . (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
Z t    at  1at 1   2 at 2  ...   q at q (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:
Z t    1 (Z t 1   )  at  1at 1 (24)
Um processo ARMA (p, q) é definido como:
 ( B)( Z t   )   ( B)at (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 processos
onde 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:
Z t  (Z t   )  (Z t 1   ) (26)
 2 Z t   Z t  Z t 1 (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:
 ( B)
( d Z t   )  at (28)
 ( B)
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:
 ( B ) ( B s )
( d  sD Z t   )  at (29)
 ( B )( B s )
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:
nk
1
Cˆ xz (k ) 
nk
 (x
t 1
t  x )( z t  k  z ) (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:
 k Cˆ xz (k )
ˆ xz (k )  1   (31)
 n  Cˆ (0)Cˆ (0)
x z
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
X 1,t , X 2,t , X 3,t ,... são variáveis de entrada, Z1*,t , Z 2*,t , Z 3*,t ,... são componentes de
transferência, e  t é um termo de erro estocástico com variância  2 finita e constante. N t é
o componente de ruído. Z t 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:
Z t  Z t*  N t (32)
onde
r s
Z t*    i Z t*1  0 X t b    j X t  j b
i 1 j 1
(33)
é o componente de transferência, e:
18
p q
N t     i (N t 1   )   t    j  t  j
i 1 j 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:
Z t*   0 X t   1 X t 1   2 X t 2  ...   ( B) X t (35)
Os pesos  0 , 1 , 2 ,... formam a função de impulso e resposta  (B) :
 ( B)  0  1 B   2 B 2  ...   s B s
 ( B)   (36)
 ( B) 1   1 ( B)   2 B 2  ...   r B r
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:
IDENTIFICAÇÃO
No estágio de identificação busca-se compreender qual o modelo estocástico que mais
representa os dados. Essa identificação é feita a partir da análise nos gráficos de séries
temporais em conjunto com as funções de autocorrelação e autocorrelação parcial (FAC e
FACP). Neste momento pode-se notar na série, componentes como sazonalidades e
tendências, podendo sua função final indicar o tipo de processo e sua ordem (KNOTTERS,
2004).
A identificação é feita a partir de dados brutos. Primeiro examina-se os gráficos das séries,
procurando indicativos de tendências e/ou sazonalidades. Feito isso, as transformações ou
19
diferenciações apropriadas são aplicadas às séries, se necessárias, para se obter séries

com distribuição normal e estacionárias. Depois, procura-se verificar a estrutura de
correlação dos dados examinando as funções FAC e FACP, que indicarão o tipo de processo
estocástico que pode ser assumido a partir dos dados transformados, e sua ordem. Isso
determina a forma geral do modelo a ser estimado. A correlação de uma variável com ela
mesmo em diferentes tempos é conhecida como autocorrelação (COEPERTWAIT;
METCALFE, 2009).
A FAC mede a correlação entre as observações que estão k períodos afastados, entretanto
remove o efeito das correlações intermediárias. Isso representa a correlação simples entre
Yt e Yt-k em função da defasagem k. O coeficiente de autocorrelação (ρ) de uma série
temporal varia entre -1 e 1. Se ρ assume o valor 1, pode-se dizer que as duas variáveis
medidas possuem uma autocorrelação positiva absoluta, mas se ρ é igual a -1, a
autocorrelação é negativa absoluta. Quando ρ assume valor 0, não existe autocorrelação
entre as variáveis, ou seja, a autocorrelação é nula. O valor esperado de uma série temporal
é definido como um valor típico ou representativo dos dados. Portanto, através da média
aritmética pode-se apresentar o valor do ponto em torno do qual os dados se distribuem.
Sendo assim, a FAC mostra o quanto o processo é correlacionado com ele próprio em dois
instantes de tempo diferentes. É uma medida de dependência temporal entre os dados.
Para Hipel e McLoed (1994), as FAC’s, depois de calculadas podem ser plotadas contra
passos (lags) que variam de k a aproximadamente N/4, onde N é o tamanho da série em
estudo. A ACF pode ser usada como uma maneira de inferir sobre o tipo de processo que
gerou a série temporal, medindo a autocorrelação entre os t instantes de uma série.
Segundo Hipel e McLoed (1994), quando a FAC para um determinado conjunto de dados
não tem uma queda considerável com o passar do tempo, indica que a série deve ser
diferenciada para remover a não-estacionaridade.
Já a FACP ou função de autocorrelação parcial mede o quanto há de correlação aleatória

em função da autocorrelação entre os instantes t de uma série, confirmando ou refutando as
premissas assumidas na análise da FAC. A FACP mede a intensidade da relação entre duas
observações da série, controlando (mantendo constante) o efeito das demais. Essas
funções indicam o tipo de processo estocástico que pode ser assumido (autoregressivo
(AR), média móvel (MA), autoregressivo média móvel (ARMA)) e a ordem desse processo,
sendo complementares no diagnóstico. Se o coeficiente de autocorrelação diminuir
rapidamente para zero, pode-se dizer que a série é estacionária. A função de autocorrelação
para uma série estacionária declina à medida que k, o número de defasagens, se torna
maior. Ainda segundo os autores, em geral o mesmo não acontece com séries não
estacionárias. Uma das características das funções de autocorrelação é que elas iniciam
20
com valores altos (próximo a 1, na escala de 0 a 1) e diminuem gradualmente quando se

trata de uma série não estacionária. Contudo, quando a série a ser correlacionada for uma
série estacionária, a função de autocorrelação declina rapidamente. A Tabela 1 apresenta
um resumo sobre o comportamento de FAC’s e FACP’s quanto ao tipo de processo
identificado.
Tabela 1: Comportamento característico das funções ACP e PACF para diferentes processos
temporais.
Processo Autocorrelação Autocorrelação Parcial
AR (p) Minimizada e infinita em Picos no passo 1 de p e então
extensão exponencial e/ou ondas interrupções
MA (q) Picos no passo 1 de q e então Minimizada e infinita em extensão
interrupções exponencial e/ou ondas
Irregular nos primeiros passos q- Irregular nos primeiros passos p-
ARMA (p,q) p e depois minimizada e infinita q e depois minimizada e infinita
em extensão exponencial e/ou em extensão exponencial e/ou
ondas ondas
Fonte: KARAMOUZ et al. (2013)
Para o caso de um modelo de series temporais de função de transferência de ruído onde

mais de uma série é utilizada para descreve o processo, o gráfico da função de correlação
cruzada (FCC) entre séries temporais também é necessário para avaliação do tempo de
resposta. Box e Jenkins (1970) estabeleceram os seguintes passos para identificação da
ordem de um modelo de FTR:
Modelagem da série de entrada {xt} a partir de um modelo de séries temporais univariado

apropriado. A sequência de resíduos de ruído branco resultante é chamada de série de
entrada pré-branqueada (prewhitening) {αt}.
A série de saída {zt} é filtrada por um modelo de série temporal univariada calculado a partir
da série de entrada obtida anteriormente. Isso resulta em uma série {βt}.
A função de correlação cruzada (FCC) dos resíduos ραβ(k) é calculada para as séries {αt} e
{βt}:
 k Cˆ  (k )
ˆ  (k )  1   (37)
 n  Cˆ  (0)Cˆ  (0)
onde:
21
nk
1
Cˆ  (k ) 
nk
 
t 1
t t k (38)
para passos positivos, e nk é o número de termos somados. Termos com valores ausentes
são excluídos. cα(0) e cβ(0) são as variâncias amostrais das séries α e β, respectivamente.
Baseada na FCC dos resíduos calculada pela equação 37, os parâmetros requeridos na
função de transferência ν(B) podem ser identificados. Box e Jenkins (1970) mostram que a
FCC teórica entre αt e βt é diretamente proporcional à ν(B).
A seguir, um modelo de ruído é identificado para as séries:
nˆt  ( zt  z ) ˆ( B)( xt  x ) (39)
usando a FAC e a FACP amostrais para n̂t .
Muito se tem discutido na literatura a respeito da identificação de modelos de series

temporais, justamente por ser uma parte importante e difícil da análise de séries temporais
(KNOTTERS, 2004). Segundo Knotters (2001), os métodos para identificação de modelos
podem ser divididos em três categorias principais.
A primeira categoria é formada por procedimentos interativos de identificação, calibração e

diagnóstico, como proposto por Box e Jenkins (1970) e apresentado acima. A desvantagem
geral dessa abordagem é o fato dos resultados da identificação de modelos serem
ambíguos (HIPEL; MCLEOD, 1994) e o processo por si só ser heurístico e requerer muito
conhecimento, experiência e trabalho.
Na segunda categoria, a ordem do modelo é identificada usando procedimentos automáticos

de seleção de modelos. Esses métodos baseiam-se em informações mensuradas a partir de
cada modelo selecionado, técnicas Bayesianas, predições de erros um passo adiante. Entre
os critérios mais utilizados podemos citar o erro de predição final de Akaike, critério de
informação de Akaike (AIC) e critério de informação de Bayes (BIC).
A terceira categoria de procedimentos para identificação de modelos é formada por métodos

que utilizam evidencias físicas do sistema, nãos e baseando somente nos dados como em
outros métodos. A modelagem mecanística baseada em dados combina análises físicas com
22
identificação de modelos estatísticos (YOUNG; BEVEN, 1994; PRICE et al., 2000). Os

modelos FTR são identificados diretamente a partir dos dados, mas só são aceitos como
representações razoáveis do sistema em análise se possuírem interpretações físicas
plausíveis. Knotters e Bierkens (2001) foram adiante ao utilizarem analises físicas para
limitar o número de modelos candidatos na formulação de modelos FTR a apenas um Nesse
estudo, um modelo autoregressivo com variável exógena ARX (1,0) foi escolhido como o
modelo linear de séries temporais mais apropriado para a descrição do com base no
balanço hídrico da zona freática.
ESTIMATIVA (CALIBRAÇÃO)
No estágio da estimação, os valores dos parâmetros são estimados pelo uso de uma
otimização algorítmica. Pode-se fazer a estimação a partir dos momentos estatísticos das
distribuições dos parâmetros do modelo. A estimação por mínimos quadrados consiste em
minimizar a soma dos quadrados das diferenças. Já na estimação por máxima
verossimilhança tem-se a vantagem que todos os dados são utilizados, ao invés de se
utilizar somente o primeiro momento como é o caso da estimação por mínimos quadrados.
Outra vantagem seria, sobre certas condições, que muitos resultados já são conhecidos, no
caso de grandes amostras, mas apresenta a desvantagem de que nos primeiros valores de
t, deve-se trabalhar especificamente com a função de probabilidade conjunta. A função de
probabilidade conjunta é uma função usada para representar uma distribuição de
probabilidade caso a variável aleatória seja contínua. Em conjunto com a estimativa dos
parâmetros dos modelos, estimativas do desvio padrão e a correlação dos parâmetros do
modelo com a variância e covariância dos resíduos são estabelecidas para análise.
DIAGNOSTICO E CHECAGEM (VERIFICAÇÃO)

Por fim, a checagem do diagnóstico (validação) refere-se à fase em que se analisa o ajuste
do modelo aos dados, se as hipóteses do modelo foram respondidas, baseando-se,
principalmente na análise dos resíduos. Isto a partir das funções de autocorrelação e
autocorrelação parcial (FAC e FACP) desses resíduos (KNOTTERS, 2004). Mas nãos e
limita a isso, podendo ser aplicados uma variedade de diagnósticos além dos resíduos
quanto a estabilidade, parcimônia, normalidade dos resíduos, homocedasticidade e
qualidade do ajuste. No caso de modelos FTR a função FCC da variável de entrada e dos
resíduos também é inspecionada. Além da inspeção visual, diversos testes estatísticos são
aplicados para verificar a presença de autocorrelação e correlação cruzada.
Os resíduos do modelo estimado t são estimativas do ruído branco, deste modo devem
apresentar esse comportamento se o modelo for especificado adequadamente, ou seja,
suas autocorrelações devem ser insignificantes. Já para avaliação da ordem do modelo
23
deve-se verificar se não há parâmetros em excesso, assim essa verificação é realizada com
base no erro padrão dos coeficientes. Se o valor do coeficiente estimado for pequeno em
relação a seu erro padrão, conclui-se que ele não deva ser significativo já que não há
evidências estatísticas para suportar a inclusão desse coeficiente no modelo. O desvio
padrão também é um indicador para verificação da ordem do modelo, para ver se é
adequada ou não, e quanto menor for o desvio padrão melhores previsões poderão ser
feitas.
Na etapa de checagem do diagnóstico será realizada a verificação para saber se. Caso o
modelo identificado e estimado seja adequado, ele poderá ser utilizado para fazer previsões.
Caso este não seja o modelo ideal, é necessário identificar outro modelo e repetir as etapas
de estimativa e verificação. A validação pode ser uma alternativa ao diagnóstico e checagem
do modelo. Na validação, os resultados da predição do modelo (ou mesmo simulações) são
comparados às variáveis independentes. Geralmente, a validação foca na geração de dados
pelo modelo seguindo seus propósitos, enquanto a verificação se restringe à formulação
teórica do modelo. Se os erros da validação forem menores que os valores predefinidos, o
modelo pode ser aceito para futuras aplicações. A validação permite ajustar o modelo a
aplicações práticas como simulação, predição, previsão ou estimativa de características.
Entretanto, um conjunto de dados para uma validação independente nem sempre está
disponível. Procedimentos como a validação cruzada podem ser uma solução quando dois
subconjuntos de uma série são diferenciados: o conjunto de calibração e o conjunto de
validação. A seguir, calibração e validação são repetidos até todos os dados terem sido
usados para ambos os propósitos, calibração e validação (DE GRUIJTER et al., 2006).
3. 3 Importância das águas subterrâneas do Aquífero Bauru no Médio Paranapanema

O Estado de São Paulo é privilegiado em relação a seus recursos hídricos subterrâneos.
Seus variados tipos de aquíferos estão relacionados às unidades geológicas que ocorrem
no Estado, tendo sido formados em diferentes períodos e com diferentes características
climáticas. Isso reflete na produtividade e na fragilidade no que se refere a poluição de cada
aquífero (IRITANI; EZAKI, 2008). Segundo a FIESP (2005) o estado detém 70% de sua área
as Formações Aquíferas da Bacia do Paraná, dentre elas os aquíferos Guarani, Serra Geral,
Bauru e Itararé, além de duas outras bacias sedimentares importantes, a de São Paulo e
Taubaté e o domínio das rochas do Embasamento Cristalino, cujo contexto apesar de
inferior aos anteriores não deixa de ser valorizado. Segundo a CETESB (1997) cerca de
90% das águas subterrâneas utilizadas no abastecimento público do Estado são de
excelente padrão de qualidade e somente 10% delas necessitam de pequenas adequações.
A unidade de gerenciamento de recursos hídricos do Médio Paranapanema (UGRH-17)

24
(Figura 2) retrata uma das 22 unidades de gerenciamento definidas pela Lei Estadual
7.663/1991, com área total de 16.793 km². Localizado no centro-oeste paulista e reúne os
tributários da margem direita do curso médio do Rio Paranapanema. Hoje fazem parte da
UGRH-17 46 municípios (CBH-MP, 2007).
Figura 2: Localização da UGRH-17 (MP) na bacia hidrográfica do rio Paranapanema.

Fonte: CBH-MP (2007)
Na região do Médio Paranapanema, 75% das águas do SAB são utilizadas para
abastecimento público (FIESP, 2005). Além disso destaca-se alguns usos não consuntivos,
como por exemplo a geração de energia elétrica e o lazer relacionado aos reservatórios.
Caracterizada por aflorar em 60% na área que compreende o Comitê de Bacia Hidrográfica
do Médio Paranapanema (UGRHI-17), tem extensão regional e constitui-se excelente fonte
de recursos hídricos por possuírem poços rasos que facilitam a extração de água. Segundo
o CBH-MP (2011) a disponibilidade potencial de águas subterrâneas ou as reservas totais
explotáveis na UGRHI-17 são da ordem de 20,7 m³/s, são números que necessitam ser
considerados com precaução e visam somente estabelecer comparações entre a
disponibilidade natural e as extrações, a fim de dar suporte no planejamento racional do
aproveitamento dos recursos hídricos.
Segundo Plano da Bacia da Unidade de Gerenciamento Hídrico do Médio Paranapanema

(CBH-MP, 2007) a população dos municípios pertencentes à UGRH- 17 aumentou 50% em
relação aos anos de 1980 a 2005, mas, entretanto, sua população diminuiu em relação a
população do Estado de São Paulo, de 1,78% em 1980, para 1,71% em 1991 e 1,66% em
25
2005 e 2006. Sendo que 40% das cidades dessa unidade apresentam população com no
máximo 5.000 habitantes, e os municípios mais populosos são Ourinhos, Assis e Avaré,
estes concentram 42% da população.
A Bacia do Médio Paranapanema apresenta rochas sedimentares e ígneas da bacia do

Paraná, também depósitos sedimentares recentes (idade cenozoica). Sendo que 60% de
sua área envolvem os arenitos do Grupo Bauru e 40% rochas ígneas e basálticas do Grupo
Serra Geral, estas formam o Aquífero Bauru e o Aquífero Serra Geral, já o Aquífero Guarani
está em condição confinada na UGRH-17.
Em relação ao uso e ocupação do solo se destacam a pastagem e culturas temporárias,

como milho, soja e cana-de-açúcar, as indústrias encontradas são a de sucroalcooleira, de
curtumes, frigoríficas e demais alimentícias.
O principal uso consuntivo de suas águas é o abastecimento público: nas captações

superficiais, representa 58,5% e nas captações subterrâneas, 75,5%. De acordo com o
Plano da Bacia da Unidade de Gerenciamento Hídrico do Médio Paranapanema (CBH-MP,
2007) a UGRH-17 apresenta quatro poços tubulares monitorados pela CETESB, sendo três
no Aquífero Bauru (em Gália, Rancharia e Quatá) e um no Aquífero Guarani (em Avaré), não
havendo monitoramento no Aquífero Serra Geral, “uma caracterização aproximada da ideia
de risco de poluição das águas subterrâneas consiste na associação e intervenção da
vulnerabilidade natural do aquífero com a carga poluidora aplicada no solo ou em
subsuperfície” (CBH-MP, 2007). Ainda de acordo com Plano da Bacia da Unidade de
Gerenciamento Hídrico do Médio Paranapanema, esta unidade apresenta um índice de 94%
de coleta de esgoto e 59% para tratamento de esgoto doméstico.
O Aquífero Bauru apresenta três características fundamentais no Médio Paranapanema,

tendo na base arenitos finos e médios localizados a Oeste e envolve os municípios de
Rancharia, João Ramalho e Quatá; na sua parte intermediária encontra-se arenitos
argilosos localiza-se nesta porção toda região do Vale do Rio Pardo e a parte sul do Vale do
Rio Turvo; na sua extremidade é composta por arenitos carbonáticos que envolve os Imbés
nas nascentes dos Rios Novo, Turvo e Pari.
Mesmo com tantos rios na região, a grande maioria dos Municípios da

Unidade de Gerenciamento se utiliza de recursos hídricos subterrâneos,
sendo abastecidos principalmente pelos Aquíferos Bauru e Serra Geral [...].
Os poços não servem apenas para abastecimento público, muitos são
perfurados em fábricas, fazendas e até para captação de águas minerais.
(CBH-MP, 2010)
No Médio Paranapanema, o Aquífero Bauru cobre 60% da área e é excelente fonte de água
26
devido à facilidade da perfuração de poços, que são rasos (CPTI, 1999). Representa uma
fonte de abastecimento importante para o Médio Paranapanema, e importante meio de
abastecimento público para diversos municípios, sendo a chuva a fonte de recarga do
aquífero e o aquífero é a fonte de recarga dos rios da região.
3. 4 Monitoramento de águas subterrâneas

O monitoramento das águas subterrâneas é instrumento fundamental para a avaliação das
condições que este meio natural se encontra, e posteriormente poder tomar medidas
preventivas e/ou proativas para o predomínio da qualidade e quantidade, buscando
desenvolver o uso sustentável junto a uma ação integrada de gerenciamento.
O monitoramento dos aquíferos é instrumento da Política Nacional dos Recursos Hídricos

definido pela lei, a Lei nº 9.433 de 1997, para apoiar os planos de recursos hídricos, a
outorga para os diferentes usos da água e o seu enquadramento em classes. O
monitoramento das águas subterrâneas deve incluir a coleta, o armazenamento, a análise e
interpretação dos dados. De acordo com Mestrinho (2008) geralmente se inclui:
- observações sistemáticas dos processos dinâmicos mais

significativos do sistema aquífero como vazões bombeadas, níveis e
qualidade da água;
- análise e interpretação dos dados obtidos, para avaliar as mudanças
verificadas no aquífero em relação a um estágio anterior de conhecimento,
permitindo diagnosticar em um dado momento a extensão dos efeitos da
exploração e da ocorrência de eventuais danos; e
- formalização de subsídios aos gestores, com base nos diagnósticos
acima, visando a tomada de decisões.
A coleta de informações é a primeira etapa a ser desenvolvida, pois é a partir dela que será
definida a malha, a locação dos pontos, a frequência das coletas, as metodologias que
serão usadas e o processamento dos dados. As dificuldades da implementação de uma
rede de monitoramento estão associadas a heterogeneidade hidráulica do meio
subterrâneo, a adequada posição dos poços de observação, os modos como serão
coletados os dados e os custos (FETTER, 2001).
Os pontos de monitoramento na rede devem incluir nascentes, poços de produção e poços

de monitoramento, assim como cacimbas e poços desativados não tamponados que podem
ser utilizados para observação do nível da água, dependendo da escala de monitoramento e
dos usos da água (MESTRINHO, 2008). A medida sistemática do uso da água (no mínimo
mensal) numa rede de poços de monitoramento e em locais de descarga natural (exutórios),
por exemplo, se faz importante para acompanhar a evolução/recuperação dos
rebaixamentos dos níveis de água, estabelecer vazões máximas de explotação e auxiliar a
modelagem conceitual e numérica do aquífero.
27
Um bom programa de monitoramento irá incluir o planejamento, execução, interpretação,

avaliação dos resultados e reavaliação da eficiência do programa. Os pontos de
monitoramento devem ser locados em locais com características hidrogeológicas
conhecidas, e devem ser pontos fixos para que possa ter uma série histórica de dados para
melhor compreensão da dinâmica que ali opera. A coleção de dados de monitoramento
requer tratamento com métodos estatísticos, cartográficos, gráficos e modelagem. Portanto
após um período de monitoramento os dados são analisados estatisticamente e as
incertezas são consideradas, e com isso pode-se analisar do ponto de vista técnico-
ambiental e socioeconômico para a tomada das devidas decisões e revisão dos objetivos da
rede (MOORE, 2012).
4. MATERIAIS E PROCEDIMENTOS METODOLÓGICOS
4. 1 Caracterização geológica da região de estudo

O derrame vulcânico continental da Bacia do Paraná é composto, em mais de 90% em
volume, por basaltos toleíticos e andesito basáltico, apresentando vesículas e amídalas no
topo e na base do derrame. Intercalados aos sucessivos derrames, localmente, há depósitos
de arenitos eólicos, formando um sistema intertrapeano (MEAULO, 2004). Cessados os
derrames de lava da Formação Serra Geral que marcaram o final dos eventos deposicionais
e vulcânicos generalizados na área da bacia do Paraná, observou-se uma tendência geral
para o soerguimento epirogênico em toda a Plataforma Sul-Americana, em território
brasileiro (CPTI, 1999). A porção norte da bacia, entretanto, comportou-se como área
negativa, relativamente aos soerguimentos marginais à zona central da bacia, marcando o
início de uma fase de embaciamentos localizados em relação à área da bacia como um
todo. Nessa área deprimida acumulou-se o Grupo Bauru, no Cretáceo superior, aparecendo
em grande parte do oeste do Estado de São Paulo (CPTI, 1999).
Segundo Suguio (1980), o Grupo Bauru abrange as seguintes unidades estratigráficas:

Formação Caiuá, Formação Santo Anastácio, Formação Araçatuba, Formação São José do
Rio Preto, Formação Uberaba e Formação Marília. Segundo IPT (1981), o Grupo Bauru é
subdividido em quatro formações: Caiuá, Santo Anastácio, Adamantina e Marília. Na região
em estudo, as unidades litoestratigráficas presentes são constituídas por rochas ígneas
(pertencentes à Formação Serra Geral) e rochas sedimentares (da Formação Adamantina e
Marília), ambas de idade predominantemente mesozoica. A Formação Adamantina aflora em
vasta extensão do oeste paulista, recobrindo as unidades pretéritas do Grupo Bauru
(Formações Caiuá e Santo Anastácio) e Formação Serra Geral. Em algumas regiões esta
28
formação é recoberta em parte pela Formação Marília e em parte por depósitos cenozoicos.
Esta unidade estratigráfica contempla 41,45% de área aflorante no Médio Paranapanema
(BONGIOVANNI, 2008). O contato entre a Formação Adamantina e os basaltos da
Formação Serra Geral é marcado por discordância erosiva, apresentando algumas vezes
delgados níveis de brecha basal.
4. 2 Estação Ecológica de Santa Bárbara (EEcSB)

A EEcSB está localizada à Rodovia SP 261 – km 58, coordenadas 22º48’59” Sul e 49º14’12”
Oeste, no município de Águas de Santa Bárbara/SP (Figura 3). Foi regulamentada pelo
Decreto 22.337 de 07 de junho de 1984 que instituiu sua formação com uma área de 4.371
hectares dentro dos limites da Floresta Estadual de Santa Bárbara, dos quais apresentam
uma área 2.712 hectares de vegetação nativa (Cerrado, brejos e mata de galeria) dividindo
o espaço com o reflorestamento com pinus e eucalipto.
Figura 3: Localização da EEcSB e da Floresta Estadual nos limites do município de Águas

de Santa Bárbara (SP).
Fonte: SANTAROSA (2016)
Segundo Rosa (2006), a criação da Floresta Estadual foi incentivada pela combinação de
acontecimentos a partir da década de 1960, como o Código Florestal de 1965, incentivos
29
fiscais para práticas de reflorestamento em 1966, a Constituição Federal de 1967 e a

criação do Instituto Brasileiro de Desenvolvimento Florestal (IBDF). No mesmo período, o
governo do Estado de São Paulo realizou desapropriação de terras para criação da Floresta
Estadual de Santa Bárbara pelo decreto nº 44.305 de 30 de dezembro de 1964.
4. 2. 1 Características físicas da EEcSB

GEOLOGIA
As formações geológicas na região (Figura 4) são os arenitos da Formação Adamantina e
da Formação Marilia, pertencentes ao Grupo Bauru, com predomínio da formação
Adamantina na EEcSB (MELO; DURIGAN, 2011; CPRM, 2006).
Figura 4: Formações Geológicas e sua ocorrência na região da EEcSB.

Organização: SANTAROSA (2016)
Segundo o Mapa Geológico do Estado de São Paulo (IPT, 1981) a formação Adamantina é
caracterizada como depósitos fluviais com predominância de arenitos finos, podendo
apresentar cimentação e nódulos carbonáticos, com lentes de siltito arenosos e argilosos,
acorrendo em bancos maciços. Estratificação plano paralela e cruzada de pequeno e médio
porte. A Formação Marília apresenta arenitos de granulação fina a grossa, compreendendo
bancos maciços com tênues estratificações cruzadas de médio porte, incluindo lentes e
30
intercalações subordinadas à siltitos, argilitos e arenitos muitos finos com estratificação

plano paralela e frequentes níveis rudáceos e presença comum de nódulos carbonáticos.
Existe ainda a ocorrência da formação Serra Geral de origem ígnea, extrusiva, formada por
derrames de lavas basálticas, originando rochas de granulação muito fina, coloração cinza a
preta.
GEOMORFOLOGIA
Segundo informações que constam no Mapa Geomorfológico do Estado de São Paulo
elaborado por Ross e Moroz (1996), a EEcSB encontra-se localizado na Bacia Sedimentar
do Paraná (morfoestrutura) e no Planalto Ocidental Paulista (morfoescultura), com formas
de relevo predominantemente de colinas amplas e baixas, com altimetria em torno de 300 a
600 metros, e declividade variando entre 10 a 20%. Sua topografia consiste de um relevo de
colinas amplas, com altitudes entre 600 e 680 m. O modelo digital de terreno (MDT)
elaborado a partir das Cartas Topográficas do Instituto Brasileiro de Geografia e Estatística
(IBGE) com escala de 1:50.000 pode ser visto na Figura 5.
Figura 5: Mapa da altimetria das bacias hidrográficas da EEcSB.

Fonte: SANTAROSA (2016)
31
SOLOS
As formas de relevo combinada a formações rochosas predominantes, possibilita a
ocorrência de Latossolos Vermelhos (LV56) e Argissolos Vermelhos-Amarelo e Vermelho
(PVA10) eutróficos e distroférricos com textura arenosa/média e Nitossolos (NV1)
eutroférricos com textura argilosa (OLIVEIRA et al., 1999) na região da EEcSB (Figura 6).
Figura 6: Mapa pedológico da região da EEcSB.

Organização: SANTAROSA (2016)
O solo predominante nos domínios da EEcSB é o Latossolo Vermelho (LV56). Os

Latossolos, segundo EMBRAPA (2006), são solos formados por material mineral
apresentando o horizonte diagnóstico B latossólico em estágio de evolução muito avançada
o que resulta em intensa intemperização de minerais primário e secundários. São, em geral,
solos com boas propriedades físicas, situados, na maioria dos casos, em relevo favorável ao
uso de máquinas agrícolas. São solos de excepcional porosidade total e,
consequentemente, de boa drenagem interna, na EEcSB apresenta textura média a arenosa
devido ao embasamento rochoso.
Santarosa (2016) realizou um levantamento na área da EEcSB analisando textura e

granulométrica de 113 amostras de solo compostas coletadas de 20 a 100 cm de
32
profundidade (EMBRAPA, 1997). Os valores da granulometria, representados pelo

percentual de areia e argila contida nas amostras, mostrou que a textura do solo é
predominantemente arenosa, com porcentagem de areia de 73% a 94%. O fracionamento
da areia revelou a predominância de areia de granulometria média e fina. Santarosa (2016)
deduziu segundo esses resultados uma aproximação das características granulométricas
identificadas como solo da classe dos Neossolos Quartzarênicos, caracterizados pela
textura predominante de areia ou areia franca e ausência de minerais primário (EMBRAPA,
2006). O autor salienta que esta constatação necessita de uma análise mais profunda para
confirmar esta caracterização, sugerindo um mapeamento detalhado da área de estudo.
CLIMA
O clima característico da região, segundo a classificação de Koeppen, é Cwa ou tropical
sub-úmido (clima quente com inverno seco), apresentando temperaturas de 16°C no mês
mais frio e 23°C no mês mais quente (CEPAGRI, 2016). As precipitações anuais estão em
torno de 1000- 2086 mm, podendo chegar a 30 mm mensais no inverno. A temperatura
média anual está em torno de 18°C, com máximas em janeiro entre 22°C e 30°C e mínimas
no mês mais frio 18°C (MELO; DURIGAN, 2011).
HIDROLOGIA
A EEcSB é margeada a leste pelo Rio Capão Rico e, a oeste, pelo Rio Capivari (Figura 7).
Ambos os rios nascem fora da Unidade de Conservação e o margeiam, sendo os maiores
corpos de água em contato com a EEcSB (HONDA; NIZOLI, 2005). Inúmeros corpos de
água nascem no interior dessa unidade de conservação, muitos dos quais secam durante o
período de estiagem. Toda a área faz parte da unidade hidrográfica do Rio Pardo, integrante
da bacia hidrográfica do Rio Paranapanema (UGRHI-17).
Três rios correm integralmente dentro dos limites da Unidade e deságuam no rio Capivari.
São eles o Rio Santana, o Rio Guarantã e o Rio do Boi.
A bacia hidrográfica do Santana engloba a área de uso intensivo, plantios de Pinus e parte
de um cercado, antigamente utilizado como área de pasto para gado. A bacia hidrográfica do
Guarantã possui vários afluentes, engloba parte do cercado para criação de animais
silvestres em sua área e possui plantios de eucalipto e Pinus próximos à nascente. O Rio do
Boi tem duas áreas de nascentes que deságuam em um açude, e, após ser recortado pela
Rodovia Castelo Branco deságua no Rio Capivari, pouco após receber águas de um
tributário que nasce sob a rodovia SP 261 e drena uma área com loteamento. O Rio da
Divisa é um pequeno corpo d´água, tributário do Capivari. A sua parte superior é temporária.
As depressões de terreno onde correm as águas drenadas entre o Guarantã e o Rio da
33
Divisa possuem vegetação diferenciada do terreno do entorno, porém não há água corrente
em seus leitos, tanto no período seco quanto no úmido. O Rio Passarinho nasce a jusante
da Estação Ecológica, em área pertencente à Floresta Estadual de Águas de Santa Bárbara.
Após ser recortada por estrada não pavimentada (Rodovia Osni Mateus), passa a delimitar a
Estação Ecológica, até desaguar no Rio Capão Rico. O Rio do Bugre tem várias
ramificações, duas das quais nascem em área vizinha à Estação Ecológica, na Floresta
Estadual. Após serem recortadas pela Rodovia Osni Mateus, não pavimentada, os braços
adentram pela Estação Ecológica e se unem a mais dois afluentes. Após junção com o
braço do Urubu, passa a delimitar a EEcSB com área de produção agrícola (cana-de-
açúcar), desaguando no Rio Pardo. A parte superior do braço do Urubu é temporária, sendo
que a nascente se localiza dentro da área de descarte de uma granja de aves.
Figura 7: Corpos de água que compõem a rede de drenagem da EEcSB

Fonte: HONDA; NIZOLI (2005).
Uma vez que o relevo da região é suave, com divisores de água de topos aplainados. Essa
configuração do terreno dificulta a identificação dos limites das bacias hidrográficas e cria
áreas alagadas próximas aos corpos de água, o que dificulta a quantificação do fluxo de
água. A pequena profundidade dos corpos de água também dificulta a quantificação do fluxo
e a coleta de amostras de água em vários pontos (HONDA; NIZOLI, 2005).
34
HIDROGEOLOGIA
A EEcSB localiza-se sobre o Sistema Aquífero Bauru (SAB), um sistema aquífero
sedimentar de extensão regional que ocupa a maior parte da região oeste do território do
Estado de São Paulo, com uma área aproximada de 96 mil km² (IRITANI; EZAKI, 2008). O
SAB representa uma das reservas hídricas mais importantes do Estado, servindo como
fonte de abastecimento público para muitos municípios. Na região do Médio Paranapanema
(UGRHI-17) o SAB é utilizado para suprir 75% da sua demanda socioeconômica (FIESP,
2005).
De acordo com Silva et al. (2005), o SAB é formado pelos aquíferos Marília, Adamantina,
Birigui, Santo Anastácio e Caiuá, e os aquitardos Araçatuba e Pirapozinho. Na EEcSB, o
aquífero Adamantina é predominante, considerado livre a semiconfinado e continuo
apresentando um comportamento hidráulico bastante heterogêneo e anisotrópico, mesmo
em localidades relativamente próximas, devido a variações das concentrações de argila nos
arenitos (SILVA, 2003). As características gerais do SAB apresentam porosidade efetiva de
5% a 15%; transmissividade de 10 a 300 m²/dia; permeabilidade de 0,1 a 3,0 m/dia;
capacidade especifica entre 0,02 m³/h/m a 4,9 m³/h/m; condutividade hidráulica de 0,02 a
3,66 m/dia e; vasão média explorável em torno de 80m³/h (DAEE/IG/IPT/CPRM, 2005).
FAUNA E FLORA LOCAIS

O ecossistema principal é o Cerrado, citando como exemplos da fauna presente Avifauna,
Ofídeos, Jaguatirica, além de espécies em extinção como Lobo-guará, Veado-campeiro,
Ema e tamanduá. Na área ocorre a ação de caçadores, cães e redução de ambientes. Já
quanto a flora, o Cerrado apresenta diferentes fisionomias (de campo sujo a cerradão)
constituindo sua cobertura vegetal. A unidade apresenta vegetação como Cajueiro do campo
(Anacarsium humile), Jerivá (Syagrus romanzoffiana), Pindaíba-preta (Guatteria nigrescens),
Baripari (Tontelea microntha) e Espinheira-santa (Maytenus aquifolium) (espécie em
extinção), e sofre com a invasão de braquiárias. Já houveram plantios de Pinus para
produção de resina e madeira, hoje erradicados da área, mas ainda com a presença de
áreas com invasão dessa espécie (MELO; DURIGAN, 2009).
USO E COBERTURA DA TERRA

O uso da terra se destina a conservação dos remanescentes de Floresta Estacional
Semidecidual e Cerrado. Em relação à flora, a região da EEcSB era originalmente coberta
por Cerrado e Floresta Estacional Semidecidual nas regiões mais férteis e nos solos mais
argilosos. A silvicultura provocou perturbações nas áreas de vegetação nativa, devido à
invasão de indivíduos Pinus spp, que “disseminam sementes que tem provocado graves
danos à vegetação nativa pela invasão biológica” (MELO; DURIGAN, 2011). Essas áreas
35
exigem intervenções intensas para a erradicação da espécie invasora.
A região da EEcSB é ocupada pela vegetação nativa, campos antrópicos, vegetação em

estágio de regeneração, mata ciliar e áreas de reflorestamento, o manejo na vegetação é
constante, tanto para fins de produção florestal para pesquisa como para reverter à invasão
pelo Pinus sobre a vegetação nativa (Figura 8).
Figura 8: Uso e cobertura da terra na EEcSB

Fonte: MELO; DURIGAN (2011)
A vegetação natural predominante é o Cerrado, que ocupava no Estado de São Paulo cerca
de 14% do território no início do século, e atualmente ocupa cerca de 1% (MELO;
DURIGAN, 2011). As áreas remanescentes de Cerrado no estado de São Paulo, atualmente
são protegidas pelo governo estadual, uma vez que não há unidades de conservação do
governo federal que protejam remanescentes do Cerrado, e a característica do solo que tem
baixa capacidade de retenção de umidade, resulta em restrição hídrica para as plantas na
estação seca.
Segundo Melo e Durigan (2011), a Estação Ecológica de Santa Barbara (EEcSB) protege
amostra importante das fisionomias abertas do Cerrado e pequena porção representativa da
Floresta Estacional Semidecidual e está inserida em uma região definida como de nível de
36
prioridade cinco (considerando oito como nível Máximo) para estabelecimento de ações de
restauração interligando fragmentos de vegetação nativa e com prioridade máxima para
inventários biológicos.
MODELO HIDROGEOLÓGICO CONCEITUAL (MHC)

Os dados reunidos por Santarosa (2016) permitiram a proposição de um MHC sobre a
dinâmica das águas subterrâneas nos domínios da EEcSB. Foram utilizados no pacote
Groundwater do ArcGIS os dados da carga hidráulica, que para aquíferos livres é igual ao
nível potenciométrico, estimada pela diferença entre a altitude e o nível freático; da
espessura saturada, estimada pela definição da espessura média da camada de arenito
(valores em torno de 40 m ao sul da área e 50 metros ao norte); da transmissividade, obtida
pela multiplicação dos valores de condutividade hidráulica pela espessura da camada
saturada; e da porosidade especifica do aquífero, considerada como 10%
(DAEE/IG/IPT/CPRM, 2005). A Figura 9 mostra os perfis longitudinais gerados no MHC
simulando as camadas e os fluxos subterrâneos baseado na interpretação dos dados
coletados. Para isso foram selecionados três perfis que pudessem explicar a dinâmica da
água subterrânea.
Figura 9: Modelo hidrogeológicos conceitual da EEcSB.

Fonte: SANTAROSA (2016). Organizado pelo autor
O perfil A-B, que vai desde a Bacia do Guarantã, passando pela Bacia do Santana até a
Bacia do Boi, mostra fluxos menores na direção das drenagens e um fluxo mais profundo
conectando as três bacias. O perfil C-D, abrangendo a Bacia do Guarantã, passando pela
montante da Bacia do Bugre até a nascente do Ribeirão Passarinho, verifica-se um fluxo
37
maior no sentido do Ribeirão Guarantã. O perfil E-D, da Bacia do Santana até a Bacia do
Bugre, mostra a predominância do fluxo no sentido da drenagem do Ribeirão Bugre, estima-
se que existe um fluxo mais profundo no sentido da bacia do Santana devido ao nível
potenciométrico calculado e a diferença de altitude.
Nessa análise, foi possível observar três padrões de fluxo:

 Escoamento na direção das bacias da região oeste, seguindo o sentido das bacias
do Guarantã, Santana e Boi em direção do Rio Capivari;
 Escoamento na direção da Bacia do Bugre com maior recepção dos fluxos gerados
ao norte da área indo no sentido sul; e
 Uma representatividade menor de fluxos no extremo leste, na direção da Bacia do
Passarinho, revelando menor volume de água desta região que contribui para vazão
do Rio Capão Rico.
4. 3 Dados disponíveis
4. 3. 1 Séries temporais de monitoramento do nível freático
Para análise dos níveis freáticos, foram utilizados dois conjuntos de dados.
O primeiro consiste em 32 poços distribuídos nas Bacias do Guarantã (9 poços), Bugre (8

poços) Santana (12 poços) e Passarinho (3 poços). Esses poços foram perfurados entre
julho e agosto de 2014, no final do inverno, posterior a seca ocorrida no verão 2013/14.
Após esses eventos, imaginava-se que os níveis estariam muito baixos e os piezômetros
seriam capazes de caracterizar a recuperação dos níveis assim que começassem as chuvas
na primavera de 2014. Os poços possuem profundidade heterogênea, variando de 2,94 a
7,68 metros. A Tabela 2 Mostra as coordenadas com as localizações dos poços e suas
respectivas profundidades perfuradas.
Foram adquiridas 32 ponteiras para piezômetro fabricadas pela empresa canadense Solinst
(Figura 10). Também foi adquirido um equipamento tipo trado com capacidade de perfuração
de até 7 metros. Foram adquiridos conectores de rosca, tubos de 0,5’ e conexões tipo luva
de PVC para serem conectadas a essas ponteiras e montadas a campo conforme a
profundidade perfurada. Foram escolhidas áreas próximas as nascentes e ao longo dos
cursos d’água das bacias estudadas com o intuito de se atingir o lençol freático nos limites
do equipamento de perfuração.
Para perfuração, adotou-se o critério de uma vez atingido o nível freático do local de
perfuração, seria perfurado mais 1-1,5 metros para instalação da ponteira. O trado perfurou
o solo e o arenito com uma espessura de 2’. O valor perfurado era medido a campo e
38
posteriormente os canos cortados em varas de 1,0 metro eram montados, colados à luvas e
introduzidos no furo de forma que permanecessem em torno de 75 cm de tubo para fora da
superfície. O espaço entre o conjunto ponteira/cano foi preenchido nos primeiros metros
com areia industrial autoclavada, utilizada em filtros para piscina, e depois cimentado com o
material retirado da perfuração. Após a cimentação da base, foi introduzido um tubo de PVC
branco de 2” com tampa tipo cap para proteger o piezômetro. As Figuras 11 e 12
apresentam um piezômetro de cada bacia estudada.
Tabela 2: Identificação dos poços de monitoramento com a respectiva localização e

profundidade (m).
Bacia do Santana Bacia do Guarantã Bacia do Bugre
Prof. Prof. Prof.
Poço Long. Lat. (m)
S2 -49,2379 -22,8111 6,12 G1 -49,2517 -22,8046 4,42 B1 -49,2163 -22,8077 4,42
S3 -49,2362 -22,8095 7,68 G2 -49,2442 -22,7997 3,62 B2 -49,2175 -22,8055 2,94
S4 -49,2341 -22,8114 4,44 G3 -49,2392 -22,8033 4,51 B3 -49,2167 -22,8055 3,18
S5 -49,2287 -22,8092 3,94 G4 -49,2385 -22,8034 4,49 B4 -49,2155 -22,8071 3,10
S6 -49,2282 -22,8094 4,47 G5 -49,2379 -22,8026 4,85 B5 -49,2122 -22,8056 3,08
S7 -49,2326 -22,8121 2,99 G6 -49,2304 -22,7986 4,46 B6 -49,2132 -22,8027 4,70
S8 -49,2338 -22,816 3,76 G7 -49,2267 -22,7989 4,49 B7 -49,2129 -22,8007 4,92
S9 -49,2336 -22,8158 3,97 G8 -49,2243 -22,7983 4,51 B8 -49,2123 -22,8019 4,40
S10 -49,234 -22,8155 4,30 Bacia do Passarinho B9 -49,2189 -22,8207 5,46
S11 -49,2358 -22,8141 4,58 P1 -49,203 -22,8016 4,20
S12 -49,1455 -22,4923 6,55 P2 -49,2061 -22,8006 5,89
S13 -49,1488 -22,4921 5,00 P3 -49,2054 -22,8011 4,95
Long = longitude; Lat. = latitude; Prof. = profundidade (metros)
Figura 10: Detalhe da ponteira dos piezômetros instalados no projeto e as peças de PVC
adaptadas para perfurações à diferentes profundidades.
39
Figura 11: Poços perfurados nas Bacias do Guarantã (esquerda) e do Bugre (direita).
Figura 12: Poços perfurados nas Bacias do Santana (esquerda) e Passarinho (direita).
40
Os poços foram monitorados com uma frequência quinzenal a partir de 05 de setembro de

2014 até 29 de outubro de 2015, quando passou-se a realizar as medições de nível com
frequência mensal até 02 de setembro de 2016. Essa mudança deu-se por fins econômicos,
uma vez que após 1 ano monitorando os poços, percebeu-se que não haviam grandes
oscilações no espaço de 2 semanas. A Figura 13 apresenta a disposição dos poços na área
de estudo.
Figura 13: Distribuição dos poços de monitoramento instalados na EEcSB.
O segundo conjunto de dados de monitoramento freático disponível trata-se de 12 poços

perfurados de maneira semelhante pelo Instituto Florestal (IF) nas Bacias do Guarantã, do
Bugre e do Passarinho. Os poços da Bacia do Guarantã tiveram os níveis freáticos
monitorados entre 15 de julho de 2011 a 04 de março de 2015. Na Bacia do Bugre o
monitoramento dos níveis ocorreu entre 03 de dezembro de 2010 e 04 de março de 2015.
Por fim, na Bacia do Passarinho o monitoramento dos níveis freáticos aconteceu de 03 de
março de 2010 a 04 de março de 2015. O monitoramento desses poços terminou por falta
de recursos e pessoal por parte do IF. Os cinco poços da Bacia do Bugre foram englobados
no circuito de monitoramento da UNESP/Ourinhos e voltaram a ser medidos em 07 de
março de 2016.
41
4. 3. 2 Séries temporais de monitoramento climatológico

Os dados climatológicos utilizados nesse estudo foram séries de precipitação e
evapotranspiração potencial, oriundas de três fontes de dados.
A primeira fonte de dados foi a série histórica de precipitação registrada em pluviômetro

manual na EEcSB (PREC_EEcSB) desde janeiro de 1987. São séries mensais com o total
precipitado no período, totalizando 29 anos e 8 meses de observações até agosto de 2016.
A segunda fonte de dados foi a Estação Meteorológica de Manduri, cujos dados estão
disponíveis no CIIAGRO online. Essa é a estação da rede do CIIAGRO mais próxima a
EEcSB. Foram compilados do site dados mensais de precipitação (PREC_MANDURI) e
evapotranspiração potencial (ETP_MANDURI) desde setembro de 1992 até agosto de 2016.
A terceira fonte de dados foi uma estação climatológica compacta automática (ECA)
instalada na área de estudo (Figuras 14 e 15). Essa estação é oriunda do auxílio FAPESP
2009/05204-8 e foi reprogramada para coletar dados diários, em frequência horária, de
velocidade e direção do vento, radiação solar, temperatura, umidade relativa e precipitação.
Além disso, a evapotranspiração potencial é calculada pelo método padronizado da ASCE
(American Society of Civil Engineers) (Allen et al., 1998). Foram utilizadas as séries de
precipitação (PREC_ECA) e evapotranspiração (ETP_ECA) com frequência diária com o
total precipitado e evapotranspirado no período.
Figura 14: Estação Climatológica Automática instalada próxima à sede da EEcSB.

42
Figura 15: Estação Climatológica Automática com cerca de proteção.
4. 4 Modelagem de níveis freáticos utilizando o modelo HARTT

Com o objetivo de verificar estatísticas de hidrogramas de poços para realizar análises em
séries de oscilação do nível freático para correlacioná-las com eventos climáticos
(precipitação), foi implementado por Ferdowsian et al. (2001) através do software HARTT
(Hydrograph Analysis: Rainfall and Time Trends) um modelo autoregressivo de séries
temporais é capaz de distinguir o efeito das flutuações na precipitação da tendência
subjacente do nível de água subterrânea ao longo do tempo.
Neste modelo, a precipitação é representada como um acúmulo de desvios da precipitação

média, tanto para precipitações excedentes mensais quanto anuais. O que permite a
representação da defasagem (lag) entre a precipitação e sua perturbação no nível freático
(YIHDEGO; WEBB, 2011). Segundo Ali et al. (2010) modelo HARTT, apresenta-se como
uma derivação do método CDFM (Cumulative Deviation from the Mean), o qual se
fundamenta no pressuposto de que os desvios acumulados da precipitação média explicam
as mudanças nos níveis freáticos dos aquíferos não confinados. Neste método, a
precipitação efetiva durante um período definido é subtraída da média de precipitação deste
período.
Ambas as formas de resíduos acumulados de precipitação são utilizadas e

comparadas por meio de técnicas de regressão múltipla. A primeira é a acumulativa mensal
(RAPM; mm):
43
𝑅𝐴𝑃𝑀 = ∑𝑡𝑖=1(𝑀𝑖,𝑗 − ̅̅̅

𝑀𝑗 ) (40)
onde 𝑀𝑖,𝑗 é a chuva no mês i (i corresponde a um índice sequencial de tempo desde o início
do conjunto de dados), o qual representa um mês do ano 𝑗 𝑡ℎ ; 𝑀𝑗 é a média mensal de
precipitação para o mês 𝑗 𝑡ℎ de um ano; e t são os meses desde o início do conjunto de
dados.
A variável referente ao resíduo acumulado de precipitação anual (RAPA; mm) tende a ter
flutuações relativamente baixas dentro dos anos, pois em seu cálculo as flutuações na
precipitação real tendem a ser compensadas pela variação sazonal apresentada pela
precipitação média mensal:
̅
𝑅𝐴𝑃𝐴 = ∑𝑡𝑖=1(𝑀𝑖 − 𝐴⁄12) (41)
sendo, 𝐴̅ é a média anual de precipitação. Devido 𝐴̅ ser uma constante, as flutuações em

𝑀𝑖 não são moderadas como em RAPM, fazendo com que RAPA tenha maiores flutuações
dentro do ano.
O modelo de regressão usada no HARTT é formulado como:
𝑃𝑟𝑜𝑓𝑡 = 𝑘0 + 𝑘1 ∗ 𝑅𝐴𝑃𝑀𝑡−𝐿 + 𝑘2 ∗ 𝑡 (42)
em que, 𝑃𝑟𝑜𝑓 corresponde à profundidade do nível de água abaixo da superfície; t são os

meses desde o início das observações; L é a extensão do tempo de atraso (em meses)
entre a chuva e seu impacto no lençol freático; e 𝑘0 , 𝑘1 , 𝑒 𝑘2 são parâmetros a serem
estimados.
Esta abordagem além de se apresentar eficiente para a diferenciação do efeito de uma

precipitação atípica da tendência dos níveis freáticos, tem sido empregada no estudo de
flutuações subterrâneas causadas por eventos de chuva em períodos selecionados de
tempo; de fatores que afetam os níveis de água subterrânea e na estimativa de recarga
(YIHDEGO; WEBB, 2011). Por esse motivo, o modelo pode ser amplamente utilizado para
estimar o impacto das alterações climáticas ou intervenção humana, tais como a mudança
de uso da terra, nos níveis de águas subterrâneas (FERDOWSIAN; PANNEL, 2001). No
caso de estimativas a partir de chuvas anuais recomenda-se a utilização de séries maiores
que 10 anos (FERDOWSIAN et al., 2002) já que o modelo implementado no HARTT utiliza
valores de precipitação acumulados em frequência mensal ou anual. Assim, com
44
monitoramento dos níveis realizado no período, associado às séries de maior comprimento

obtém-se uma série de dados de entrada que represente a oscilação climática sazonal na
região.
4. 5 Modelagem de níveis freáticos utilizando o modelo PIRFICT

O comportamento de um sistema linear de entrada e saída pode ser completamente
caracterizado por sua função de impulso e resposta (IR) (ZIEMER et al., 1998; VON
ASMUTH et al., 2002). Para altura de lençol freático, a relação dinâmica entre a precipitação
incidente em uma área e a resposta nos níveis freáticos pode ser explicada por modelos
físico-mecanísticos de fluxo subterrâneo. Entretanto, predições sobre alturas do lençol
podem ser fornecidas e obtidas por modelos de FTR muito menos complexos, sendo
geralmente tão exatas quanto aquelas obtidas por modelos determinísticos (KNOTTERS,
2001). Em modelos de FTR, um ou mais componentes determinísticos de transferência e
um ruído são determinados como componentes aditivos. Os componentes de transferência
descrevem a parte do processo de oscilação dos níveis que pode ser explicada pelas séries
de entrada (precipitação, evapotranspiração, bombeamento, abstrações, fluxo do rio, entre
outros) a partir de uma transformação linear dessas séries de entrada. O modelo de ruído
descreve a estrutura autoregressiva das diferenças entre os níveis observados e a 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 o ruído branco.
O modelo PIRFICT (Predefined Impulse Response Function In Continuous Time ou Função

de Impulso e Resposta Pré-definida Em Tempo Contínuo) é uma alternativa a modelos FTR
em intervalos de tempo discretos apresentada por VON ASMUTH et al. (2002). No modelo
PIRFICT o pulso em bloco de entrada é transformado em uma série de saída por uma
função de transferência em tempo contínuo. Os coeficientes dessa função não dependem
da frequência de observação.
ESTIMANDO CARACTERÍSTICAS DE RESPOSTA DE SISTEMAS DE ÁGUAS

SUBTERRÂNEAS
Assumindo-se linearidade no sistema, uma série de alturas de lençol freático é uma
transformação de uma série de precipitação excedente. Essa transformação é
completamente governada pela função IR. Para o caso de um sistema linear simples, sem
perturbações freáticas, que é influenciado somente pela precipitação excedente, o modelo
FTR a seguir (escrito como uma convolução integral) pode ser usado para descrever a
relação entre alturas de lençol freático e a precipitação excedente (VON ASMUTH et al.,
2002):
45
h(t )  h * (t )  d  r (t ) (43)
t
h * (t )   
p( ) (t   )d (44)
t
r (t )    (t   )W ( ) (45)

onde:
h(t) é a altura de lençol freático observada no tempo t [T];
h*(t) é a altura de lençol freático predita no tempo t creditado ao excedente de precipitação
relativa a d [L];
d é o nível de h*(t) sem a precipitação, ou em outras palavras o nível da drenagem local,
relativo a superfície do solo [L];
r(t) é a série dos resíduos [L];
p(t) é a intensidade do excedente de precipitação no tempo t [L/T];
θ(t) é a função de transferência de impulso/resposta (IR) [-];
 (t ) é a função IR do ruído [-]; e
W(t) é um processo de ruído branco contínuo (Wiener) [L], com propriedades E{dW(t)}=0,
E[{dW(t)}2]=dt, E[dW(t1)dW(t2)]=0, t1 ≠ t2.
O nível da drenagem local d é obtido a partir dos dados como se segue:
N N N
 h(t )  h (t )  r (t )
i
*
i i
d i 0
 i 0
 i 0
N N N (46)
sendo N o número de observações de alturas de lençol freático.
Modelos FTR são identificados através da escolha de funções matemáticas que descrevam
a relação de impulso e resposta e a estrutura autoregressiva do ruído. Essa identificação
pode ser feita de duas maneiras:
1. Interativamente: usando estruturas de correlação contidas nos dados disponíveis e

diagnósticos sobre modelos.
46
2. Fisicamente: baseado em conhecimentos prévios sobre o comportamento do sistema

sob análise.
Identificação de sistema foi o termo cunhado por Zadeh (1956) para lidar com o problema de
construir modelos matemáticos de sistemas dinâmicos baseados em dados observados. No
geral, métodos de identificação de sistema são aplicados quando modelos puramente físicos
tornam-se excessivamente complexos ou impossíveis de se obter em tempo hábil, devido a
natureza complexa de muitos sistemas e processos. Para Ljung (1999), um sistema é
definido de forma geral como um objeto no qual variáveis de diferentes tipos interagem e
produzem sinais observáveis. Von Asmuth (2012) afirma que no contexto de identificação de
sistemas ou análise de séries temporais, é uma prática comum denotar variáveis forçantes
como entradas e variáveis forçadas como saída. Além disso, o comportamento de um
sistema é a maneira com a qual o sistema responde ou comporta-se quando estimulado.
Para uma visão geral sobre identificação de sistemas e suas aplicações na análise de séries
temporais, recomenda-se os textos de Ljung (1999) e Von Asmuth (2012), respectivamente.
Seguindo a identificação física do sistema, a função IR descreve a maneira com que cada
lençol freático responderá a um impulso causado pela precipitação. A esse respeito, pode-se
fazer uma analogia a um hidrograma unitário (VON ASMUTH; MAAS, 2001), onde após um
evento de precipitação haverá mudanças no fluxo de base e aumento no escoamento
superficial, subsuperficial e subterrâneo. Uma função IR típica assemelha-se a uma função
de distribuição de probabilidades com forte assimetria (Figura 16).
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).
47
A área e a forma da função IR dependem muito das circunstancias hidrologias in situ. Onde
por acaso a resistência ao fluxo próximo a drenagem mais próxima for baixo, o lençol
freático apresentará uma queda rápida nos níveis após um evento de precipitação e
consequentemente a área da função IR será pequena. Isso reflete também a memória do
sistema hidrogeológico a um evento de precipitação, podendo ser pequena como no
exemplo anterior ou grande quando o maciço poroso for extenso e os níveis mais profundos.
O parâmetro θ(t) é uma função de distribuição Pearson tipo III (PIII df, ABRAMOWITZ;
STEGUN, 1965). A opção por esse tipo de função se dá por sua natureza flexível, ajustando-
se a uma grande gama de respostas hidrológicas. Assumindo-se linearidade, a componente
determinística da dinâmica do lençol freático é completamente descrita pelos momentos da
função IR. Nesse caso, os parâmetros podem ser definidos segundo VON ASMUTH et al.
(2002):
a n t n 1e at
 (t )  A
(n ) (47)
 (t )  2 r2 e t
onde A, a, n, são os parâmetros da curva ajustada, Γ(n) é a função Gamma e α controla a
taxa de decaimento de  (t ) e  r é a variância dos resíduos.

2
A função de distribuição Pearson tipo III mostrou-se apta à modelar oscilações nos níveis
freáticos de maneira similar e comparável a modelos Box-Jenkins de FTR, mas com muito
mais parâmetros (VON ASMUTH et al., 2002). A equação 44 e seus parâmetros apresentam
o sentido físico embutido na relação dinâmica entre precipitação e resposta no aquífero,
como descrito em Von Asmuth e Knotters (2004). O parâmetro A é relacionado com a
resistência a drenagem (a área da função IR é igual a razão entre a altura média do lençol
freático e a recarga média). O parâmetro a é determinado pelo coeficiente de
armazenamento do solo (porosidade) e n pelo tempo de convecção e dispersão da
precipitação pela zona não saturada. As bases físicas são explicadas por funções de
transferência de uma série de reservatórios lineares (NASH, 1958). Para propostas onde se
pretende modelar a resposta de uma bacia de forma geral, a idealização da bacia como um
reservatório de armazenamento linear é o mais elementar entre vários níveis de
conceptualização que isso envolve (BODO; UNNY, 1987). O parâmetro n demonstra o
número de reservatórios e a é igual ao inverso do coeficiente de reservatório normalmente
usado. Como explicam Knotters e Bierkens (2000), um simples reservatório linear (PIII df
com n=1) é igual a um simples modelo físico de coluna de solo unidimensional, descartando
fluxo lateral e o funcionamento da zona não-saturada. Von Asmuth e Knotters (2004)
48
chamam atenção para cuidados ao interpretar esses parâmetros da PIII df quanto a seu
sentido físico no processo, uma vez que suas bases são empíricas.
AVALIAÇÃO, ESTIMATIVA DE PARÂMETROS, DIAGNÓSTICO E CHECAGEM DO

MODELO PIRFICT
Após selecionar uma função IR que represente o processo físico em questão, a série
temporal com as observações disponíveis tem que ser transformada em uma série contínua.
Primeiro, no intuito de se caracterizar a variabilidade da precipitação e da
evapotranspiração, recorre-se a um simples, porém eficaz procedimento de estimativa da
intensidade de precipitação excedente (ou déficit se for o caso) e sua amplitude anual.
Quando os dados de precipitação são disponíveis apenas em intervalos discretos, a série
contínua p(τ) não pode ser reconstruída com exatidão, mas pode ser aproximada assumindo
qual a distribuição de p(τ) é uniforme durante o período tpb à tpe (ZIEMER et al., 1998). A
intensidade média p de precipitação excedente pode ser obtido por:
t pe

t pb
p( )
p
t pe  t pb
(48)
onde tpb e tpe denotam o início e o final do período sob o qual as características
climatológicas são calculadas. A seguir, o tempo é dividido em anos Y e dias Julianos D, e a
precipitação excedente média calculada para Y, que efetivamente filtra o curso anual ~
p:
Ype
 p(Y , D)
~(D ) 
p
Ypb
, 1  D  365
Ype  Ypb
(49)
Uma vez que a temperatura amplamente determina o ciclo evaporativo anual, que é
relativamente harmônico, a precipitação excedente e a amplitude anual podem ser obtidas
combinando um sinal de frequência da série ao curso anual (VON ASMUTH; KNOTTERS,
2004).
Usando a equação 45, o modelo de transferência (equação 41) pode ser obtido utilizando
uma função de resposta em bloco Θ(t). A função de resposta em bloco pode ser obtida por
convolução a partir da função IR com um pulso em blocos da precipitação excedente com
intensidade unitária em um período Δt, como a seguir:
49
t
(t )    ( )
t  t (50)
Uma vez que Θ(t) é uma função contínua, h*(t) em si também é contínuo, e para toda
observação de h(t), uma série de resíduos r(t) pode ser obtida. A seguir, o modelo de ruído é
avaliado no sentido de se obter uma série conhecida por inovações ν(t). O modelo de ruído
pondera os elementos individuais da série de resíduos de acordo com sua variância, que
são as inovações. A variância das inovações é uma função do passo temporal (VON
ASMUTH; BIERKENS, 2005). Para avaliar o modelo de ruído, uma relação direta entre os
resíduos r(t) e as inovações ν(t) é derivada. Considerando as séries ν(t) como a mudança
amostral não equidistante na solução da integral estocástica que descreve a série de
resíduos:
t
 (t )   (t   )W ( )
t  t
(51)
com  (t ) da equação 45 como o ruído da função IR, pode-se reescrever a equação 42

como:
t
r (t )  e t r (t  t )   2 r2 e  ( t  ) W ( )
 (52)
sendo conhecido como um processo de Ornstein-Uhlenbeck (UHLENBECK; ORNSTEIN,

1930; GARDINER, 2004).
O uso de um modelo de ruído baseado Ornstein-Uhlenbeck (OUB) simples apresenta uma

solução elegante para a modelagem de séries temporais com observações irregularmente
espaçadas e dados com frequência misturada (VON ASMUTH; BIERKENS, 2005). O
modelo OUB é equivalente a um modelo autoregressivo de ordem 1 – AR(1), que é
geralmente utilizado na modelagem de resíduos em aplicações hidrológicas. Comparado ao
modelo AR(1), o filtro de Kalman convencional ou embarcado, e o modelo de ruído OUB,
Von Asmuth e Bierkens (2005) demonstraram que suas equações são matematicamente
equivalente, produzindo quase as mesmas estimativas. As equações contínuas do modelo
de ruído OUB, entretanto, são mais gerais, produzindo soluções exatas e mais eficientes
computacionalmente uma vez que não são estimadas recursivamente. Além disso, Von
Asmuth et al. (2002) argumentam que a abordagem do filtro de Kalman não oferecem
soluções satisfatórias para series temporais de sistemas lentos, com longa memória, com
50
uma resposta não exponencial pois quando é aplicada a uma larga extensão esse problema
é aliviado por um sistema exponencial simples. Uma restrição ao uso do modelo OUB e sua
formulação é o fato dele ser limitado a processos que apresentam caimento exponencial
(VON ASMUTH; BIERKENS, 2005). Combinando as equações 48 e 49, obtêm-se a série de
inovações calculadas a partir dos dados disponíveis:
 (t )  r (t )  et r (t  t ) (53)
Subsequentemente, uma estimativa do conjunto de parâmetros do modelo β=(A, a, n, α) é

feita com o uso do algoritmo de Levenberg-Marquardt, que numericamente minimiza um
critério de quadrados mínimos ponderados baseado na função de verossemelhança do
modelo de ruído. Finalmente, a acurácia e validade do modelo são checados usando a
função de autocorrelação e correlação cruzada das inovações, a matriz de covariância dos
parâmetros do modelo e a variância das funções IR calibradas.
VON ASMUTH et al. (2008) estende a formulação do modelo PIRFICT para múltiplas séries
de entrada, como precipitação, evapotranspiração, fluxo de base em rios, testes de
bombeamento, intervenções antrópicas, inclusão de tendências, passos e não linearidades.
Para uma completa descrição do modelo PIRFICT, sua formulação, aplicações e estudos de
caso recomenda-se a tese de VON ASMUTH (2012).
VANTAGENS DO MODELO PIRFICT

Séries temporais de nível de águas subterrâneas são geralmente coletadas manualmente,
tendem a ser não equidistantes e muitas vezes contêm dados ausentes (VON ASMUTH et
al., 2002). Como verificado anteriormente, o modelo PIRFICT é capaz de lidar com qualquer
frequência de dados por ser contínuo no tempo, não sendo os intervalos das séries de saída
determinados pela frequência das séries de entrada. Além disso, o modelo PIRFICT oferece
uma vantagem adicional ao calibrar modelos FTR em séries irregulares, comparado a
modelos autoregressivos combinados ao filtro de Kalman (KNOTTERS; BIERKENS, 2001),
já que o formato da função de transferência não é restrito a um formato exponencial (VON
ASMUTH; BIERKENS, 2005).
No caso contínuo, a ordem do modelo é identificada utilizando funções matemáticas que

representam a função IR Essas funções matemáticas são selecionadas a partir de bases
físicas, através de um procedimento interativo de identificação do modelo, estimativa e
diagnostico e checagem, ou pelo uso de um critério automático de seleção do modelo.
Entretanto, Von Asmuth et al. (2002) apresentaram diversas diferenças importantes desses
procedimentos em relação ao procedimento de identificação para modelos discretos.
51
Primeiro, quando escolhidas cuidadosamente, uma função IR contínua pode ter uma forma
flexível e ser equivalente a uma série de funções de transferência autoregressivo média
móvel (ARMA). Segundo, o procedimento de identificação do modelo é simplificado, pois a
frequência de observações do modelo não interfere em sua ordem ou valores dos
parâmetros, e a flexibilidade de uma simples função IR contínua pode compreender uma
grande variedade de funções de transferência ARMA. Terceiro, o modelo pode ser
prontamente identificado utilizando conhecimento físico das condições hidrogeológicas
locais. Uma função IR contínua pode ser objetivamente escolhida como a que melhor
representa as bases físicas do sistema em análise. Uma função IR com bases físicas pode
diminuir a sensibilidade do modelo a correlações coincidentes nos dados, como também
pode reduzir o ajuste se por alguma razão as suposições físicas se mostrarem incorretas
(VON ASMUTH et al., 2002). As análises do modelo PIRFICT são realizadas utilizando o
software Menyanthes (VON ASMUTH et al., 2012).
5. RESULTADOS E DISCUSSÕES
5. 1 Análise exploratória dos dados

5. 1. 1 Estatísticas descritivas das séries de monitoramento do nível freático e séries
climatológicas
As estatísticas descritivas do conjunto de dados para cada um dos poços de monitoramento
selecionados estão reunidas na Tabela 3. Foram calculadas como medidas de posição a
média, mediana, primeiro e terceiro quartil, além dos valores mínimos e máximos. Como
medidas de dispersão foram calculadas o desvio padrão, a variância e o coeficiente de
variação. Como medidas de forma, calculou-se os coeficientes de assimetria e curtose.
Devido aos dois períodos distintos de precipitação monitorados e a anomalia ENOS

fortemente marcada em 2015/16, os dados apresentaram uma variação alta apesar da
pequena escala de variação, poucos metros. Os coeficientes de variação foram inferiores a
25% em apenas dois poços e superiores a 50% em oito locais. As distribuições de
frequência dos dados tenderam a normalidade, apresentando-se em alguns poços com
assimetria positiva e em outros com assimetria negativa. As distribuições foram
consideradas mesocúrticas, com curtoses variando pouco acima ou abaixo de zero, exceção
do poço B1 na Bacia do Ribeirão do Bugre e dos poços S7, S8 e S10 na Bacia do Ribeirão
Santana que apresentaram curtoses superiores a dois e foram consideradas distribuições
leptocúrticas. Em algumas situações a distribuições assemelhou-se a uma bimodal, com os
dados dos dois anos de monitoramento praticamente isolados uns dos outros.
52
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.
Série X DP. Var. CV. Mín. 1Q Med. 3Q Máx. Ass. Curt.
G1 -1,18 0,37 0,13 31,00 -1,49 -1,39 -1,35 -1,25 -0,30 1,52 0,72
G2 -1,22 0,53 0,29 43,70 -2,12 -1,52 -1,24 -0,97 -0,06 0,28 -0,31
G3 -1,26 0,51 0,26 40,34 -2,11 -1,58 -1,31 -1,08 -0,22 0,32 -0,57
G4 -2,07 0,65 0,42 31,39 -3,06 -2,48 -2,19 -1,90 -0,90 0,58 -0,60
G5 -2,63 0,77 0,60 29,40 -3,70 -3,09 -2,78 -2,58 -0,69 0,89 0,00
G6 -0,94 0,31 0,10 33,44 -1,36 -1,12 -1,01 -0,86 -0,21 0,93 -0,10
G7 -0,83 0,31 0,09 36,96 -1,33 -1,00 -0,90 -0,77 -0,19 0,86 -0,11
G8 -1,35 0,61 0,38 45,41 -2,06 -1,71 -1,58 -1,37 0,00 1,35 0,48
G9 -0,64 0,34 0,11 52,64 -1,13 -0,85 -0,72 -0,54 0,00 0,77 -0,36
B1 -0,89 0,22 0,05 25,39 -1,83 -0,96 -0,91 -0,78 -0,55 -1,81 8,08
B2 -0,17 0,11 0,01 66,86 -0,38 -0,25 -0,19 -0,09 0,00 0,08 -0,84
B3 -0,25 0,15 0,02 58,49 -0,53 -0,37 -0,26 -0,14 -0,01 -0,28 -0,85
B4 -0,49 0,25 0,06 50,91 -1,00 -0,66 -0,48 -0,31 -0,05 -0,06 -0,51
B5 -0,38 0,21 0,04 54,57 -0,74 -0,53 -0,40 -0,19 -0,01 -0,01 -0,95
B6 -0,52 0,24 0,06 45,61 -0,89 -0,70 -0,55 -0,37 0,00 0,42 -0,60
B7 -1,16 0,54 0,30 47,04 -1,93 -1,52 -1,34 -0,67 -0,14 0,75 -0,69
B8 -1,31 0,38 0,14 28,89 -1,95 -1,54 -1,41 -1,20 -0,49 0,72 -0,20
S2 -4,48 0,59 0,35 13,26 -5,14 -4,85 -4,68 -4,49 -2,79 1,41 1,04
S3 -3,63 0,60 0,36 16,48 -4,58 -3,92 -3,72 -3,22 -2,30 0,50 -0,21
S4 -1,02 0,30 0,09 29,07 -1,59 -1,16 -0,99 -0,84 -0,47 -0,27 -0,46
S5 -1,13 0,42 0,18 37,14 -1,70 -1,38 -1,24 -1,06 -0,25 1,05 0,02
S6 -1,26 0,41 0,17 32,71 -1,80 -1,52 -1,38 -1,17 -0,41 0,96 -0,11
S7 -0,30 0,26 0,07 89,10 -1,20 -0,41 -0,26 -0,12 0,00 -1,21 2,71
S8 -2,05 0,64 0,41 31,11 -2,85 -2,43 -2,23 -1,74 0,00 1,80 3,84
S9 -1,20 0,50 0,25 41,35 -1,93 -1,54 -1,33 -1,00 0,00 0,94 0,32
S10 -1,26 0,31 0,10 24,79 -1,75 -1,46 -1,31 -1,18 -0,28 1,21 2,00
S11 -1,51 0,51 0,26 33,56 -2,49 -1,82 -1,47 -1,23 -0,43 -0,02 -0,25
S12 -3,23 0,80 0,64 24,86 -4,73 -3,67 -3,40 -2,81 -1,58 0,59 -0,14
S13 -0,77 0,41 0,17 53,31 -1,46 -1,05 -0,89 -0,38 0,00 0,48 -0,56
P1 -0,99 0,32 0,10 32,78 -1,45 -1,20 -1,09 -0,84 -0,39 0,79 -0,59
P2 -2,39 0,89 0,80 37,38 -3,07 -2,96 -2,76 -2,56 -0,21 1,53 0,78
P3 -2,23 0,86 0,74 38,44 -2,94 -2,79 -2,58 -2,35 -0,38 1,41 0,27
BR1 -2,30 0,84 0,71 36,72 -3,66 -3,01 -2,43 -1,43 -0,61 0,33 -1,06
BR2 -2,20 0,81 0,65 36,67 -3,33 -2,86 -2,37 -1,35 -0,59 0,37 -1,15
BR3 -2,22 0,82 0,68 37,16 -3,66 -2,90 -2,36 -1,36 -0,59 0,25 -1,00
BR4 -2,21 0,82 0,67 37,11 -3,62 -2,86 -2,36 -1,36 -0,58 0,26 -0,99
BR5 -2,21 0,78 0,61 35,21 -3,81 -2,87 -2,39 -1,77 -0,55 0,55 -0,66
P_alto -0,88 0,24 0,06 27,03 -1,34 -1,05 -0,90 -0,72 -0,41 0,05 -0,68
P_medio -0,29 0,15 0,02 51,08 -0,55 -0,38 -0,30 -0,18 -0,01 0,00 -0,77
GP1 -1,29 0,54 0,30 42,19 -2,14 -1,75 -1,32 -1,09 -0,04 0,75 -0,02
GP2 -1,23 0,60 0,36 49,11 -2,67 -1,69 -1,18 -0,94 -0,07 0,03 -0,12
GP3 -1,25 0,54 0,29 43,23 -2,16 -1,73 -1,24 -1,02 -0,05 0,57 -0,16
GP4 -1,27 0,54 0,30 42,77 -2,09 -1,78 -1,26 -1,02 -0,06 0,61 -0,13
GP5 -1,21 0,54 0,29 44,67 -1,97 -1,68 -1,22 -0,98 0,00 0,72 0,04
X = média; DP. = desvio padrão; Var. = variância; CV. = coeficiente de variação; Mín. = mínimo; 1Q =
primeiro quartil; Med. = mediana; 3Q = terceiro quartil; Máx. = máximo; Ass. = assimetria; Curt.= curtose
53
Os histogramas com as distribuições de frequência de todos os poços estão apresentados

no Anexo 1. As séries climatológicas de precipitação e evapotranspiração disponíveis para a
área de estudo também passaram pelas mesmas computações estatísticas, conforme
descrito na Tabela 4.
Nas séries climatológicas as distribuições também se apresentaram tendendo a

normalidade, conforme também apresentado no Anexo 1. As médias e os desvios foram
compatíveis tanto para precipitação quanto para evapotranspiração, apesar do comprimento
das séries não serem os mesmos. Vale o destaque para os valores das medidas de
dispersão que são muito elevados em função da aleatoriedade dos fenômenos.
Tabela 4: Estatísticas descritivas para o conjunto de dados climatológicos mensais

disponíveis para a EEcSB.
Série X DP. Var. CV. Mín. 1Q Med. 3Q Máx. Ass. Curt.
PREC_EEcSB 127,50 99,44 9887,69 77,99 0,00 546,00 52,00 108,00 180,00 0,98 0,90
PREC_MAND 121,11 93,81 8799,47 77,46 0,00 501,20 47,80 103,90 170,80 1,16 1,54
PREC_ECA 127,48 91,67 8403,79 71,91 11,50 345,20 66,60 106,55 161,00 0,98 0,46
ETP_MAND 92,02 32,48 1054,66 35,29 32,00 158,00 60,00 93,00 120,00 0,02 -1,33
ETP_ECA 88,38 40,20 1615,74 45,48 42,55 177,63 63,78 78,44 92,80 1,33 0,65
X = média; DP. = desvio padrão; Var. = variância; CV. = coeficiente de variação; Mín. = mínimo; 1Q = primeiro
quartil; Med. = mediana; 3Q = terceiro quartil; Máx. = máximo; Ass. = assimetria; Curt.= curtose
5. 1. 2 Correlação entre as séries climatológicas

Uma vez que as séries temporais de precipitação e evapotranspiração foram coletadas em
diferentes locais, com diferentes equipamentos e cálculos, realizou-se uma análise de
correlação para verificar a similaridade entre os dados. As Figuras 17 mostra a distribuição
mensal da precipitação na EEcSB,
Precipitação mensal - PREC_EEcSB

600
500
400
300
200
100
0
outubro-90
outubro-01
outubro-12
setembro-91
julho-93
maio-95
março-97
setembro-02
julho-04
maio-06
março-08
setembro-13
julho-15
janeiro-88
agosto-92
janeiro-99
agosto-03
janeiro-10
agosto-14
junho-94
junho-05
junho-16
dezembro-88
novembro-89
dezembro-99
novembro-00
dezembro-10
novembro-11
fevereiro-87
abril-96
fevereiro-98
abril-07
fevereiro-09
Figura 17: Série de precipitação PREC_EEcSB monitorada mensalmente entre janeiro de

1987 e agosto de 2016 (valores em mm).
54
A Figura 18 mostra a distribuição mensal da precipitação e da evapotranspiração na estação

meteorológica de Manduri e a Figura 19 a distribuição diária da precipitação e da
evapotranspiração na ECA instalada na EEcSB. Os dados brutos que geraram esses
gráficos podem ser encontrados no Anexo 2.
Precipitação e Evapotranspiração mensais - Manduri

600
500
400
300
200
100
0
dez-94
dez-97
dez-00
dez-03
dez-06
dez-09
dez-12
dez-15
mar-94
mar-97
mar-00
mar-03
mar-06
mar-09
mar-12
mar-15
set-92
jun-93
set-95
jun-96
set-98
jun-99
set-01
jun-02
set-04
jun-05
set-07
jun-08
set-10
jun-11
set-13
jun-14
P ETP
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).
Precipitação e Evapotranspiração diárias - ECA

80
70
60
50
40
30
20
10
0
outubro-14
outubro-15
março-15
março-16
setembro-14
maio-15
setembro-15
maio-16
julho-15
julho-16
janeiro-15
agosto-15
janeiro-16
junho-15
junho-16
novembro-14
fevereiro-15
dezembro-15
fevereiro-16
dezembro-14
abril-15
novembro-15
abril-16
P ETP
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).
Chama a atenção nesses gráficos o comportamento da evapotranspiração calculada pela

ECA a partir dezembro de 2015 a maio de 2016, com valores muito altos acima de 4 mm.
55
Inicialmente imaginou-se uma falha no sensor, mas analisando os dados de precipitação,

radiação solar e temperatura no período verificou-se valores altos para essas variáveis
também. Como a partir de maio de 2016 os dados voltaram a oscilar em uma escala mais
plausível (apesar de estar entrando no inverno), fica a dúvida se realmente houve falha ou
se foi uma anomalia local, já que na estação de Manduri não foi verificado o mesmo padrão.
De qualquer forma esses dados não foram descartados para análise.
Para análise da correlação os dados da ECA foram organizados mensalmente. Comparando

as séries PREC_EEcSB e PREC_MAND (Figura 20), verificou-se uma correlação alta entre
os dados, com coeficiente de correlação de Pearson de 0,85. A regressão linear entre os
dois conjuntos de dados apresentou um R2 de 0,72. Já entre PREC_EEcSB e PREC_ECA
(Figura 21) o coeficiente de correlação foi de 0,80 e o R2 de 0,63, valores mais baixos por
serem apenas 2 anos de dados contra 24 anos entre PREC_EEcSB e PREC_MAND.
EEcSB x Manduri
600
500
400
300
200
100
y = 0.9165x + 19.63
0 R² = 0.7231
0 100 200 300 400 500 600
Figura 20: Correlação entre as séries PREC_EEcSB e PREC_MAND (valores em mm).
EEcSB x ECA
400
350
300
250
200
150
100
50 y = 1.1565x + 4.0376
R² = 0.6329
0
0 50 100 150 200 250 300 350 400
Figura 21: Correlação entre as séries PREC_EEcSB e PREC_ECA (valores em mm).

56
Para PREC_MAND e PREC_ECA o coeficiente de correlação de Pearson de 0,98 e a

regressão linear entre os dois conjuntos de dados apresentou um R2 de 0,96, um ótimo
resultado para apenas 2 anos de dados (Figura 22).
Manduri X ECA
400
350
300
250
200
150
100
50 y = 0.9223x + 5.2072
R² = 0.9615
0
0 50 100 150 200 250 300 350 400
Figura 22: Correlação entre as séries PREC_MAND e PREC_ECA (valores em mm).
Entre as séries ETP_MAND e ETP_ECA (Figura 23) a correlação não foi boa. O coeficiente
de correlação de Pearson foi de 0,27. A regressão linear entre os dois conjuntos de dados
apresentou um R2 de 0,07. Retirando os dados considerados suspeitos em ETP_ECA e
refazendo os cálculos, os resultados pioram, então a questão não é essa. Provavelmente a
maneira com que os dados são calculados, ETP_ECA pelo método da ASCE (Allen et al.,
1998) e ETP_MAND pelo método de Camargo (1962) que é uma simplificação do método
de Thornthwaite (1948).
Manduri X ECA
180
160
140
120
100
80
60
40
20 y = 0.339x + 58.903
R² = 0.0744
0
0 20 40 60 80 100 120 140 160 180
Figura 23: Correlação entre as séries ETP_MAND e ETP_ECA (valores em mm).

57
5. 1. 3 Identificação dos processos geradores das séries temporais

Analisadas as características iniciais dos conjuntos de dados, realizou-se a análise dos
dados na forma de séries temporais para verificar o tipo de processo dominante na
oscilação dos níveis freáticos na área ou em cada uma das bacias estudadas. Foram
calculadas as funções de autocorrelação e autocorrelação parcial para todos os poços de
monitoramento. As séries foram organizadas em uma frequência mensal e divididas em 12
passos (lags), representando metade do período de observações. As séries de
monitoramento freático do Instituto Florestal com duração de aproximadamente quatro anos
também foram organizadas com uma frequência mensal de observações e divididas em 12
passos para fins de comparação. Os resultados gráficos das FAC e FACP podem ser vistos
no Anexo 3.
De forma geral, as séries de nível freático denotam processos autoregressivos de ordem 1,

com a autocorrelação minimizada de maneira exponencial ao longo do tempo e com a
autocorrelação parcial com picos no passo 1 do processo autoregressivo e então
interrupções, conforme descrito em Karamouz et al. (2003). A autocorrelação cai a partir do
5° ao 7° passo, em geral no sexto (180 dias). Nas séries mais longas e de frequência
mensal o processo se repete com a autocorrelação decrescendo a partir do quarto ao quinto
passo (120 a 150 dias). Isso significa que as oscilações nos níveis apresentam relação com
instantes passados na ordem de alguns meses, 2 a 3 meses entre eventos que perturbem
os níveis (entradas ou saídas de água do sistema).
Em termos hidrogeológicos, os resultados estatísticos da análise dos processos das séries

temporais demonstram que o sistema apresenta uma dinâmica rápida, com a autocorrelação
diminuindo em mais da metade já no segundo ou terceiro passo. A memória do sistema
pode ser considerada pequena, com uma rápida resposta a perturbações exógenas, típico
em sistemas aquíferos rasos e níveis de águas subterrâneas pouco profundos.
Da mesma maneira, as séries de precipitação e evapotranspiração disponíveis tiveram suas

FAC e FACP calculadas. Os dados da série da precipitação (PREC_EEcSB) monitorada
desde 1987 na EEcSB foi organizada com uma frequência anual e dividida em 12 passos.
Os dados das séries de precipitação (PREC_MAND) e evapotranspiração (ETP_MAND)
monitoradas desde 1992 na Estação Meteorológica de Manduri foram organizados com uma
frequência mensal e divididos em 120 passos. Por fim, os dados das séries de precipitação
(PREC_ECA) e evapotranspiração (ETP_ECA) monitoradas desde setembro de 2014 na
ECA instalada na EEcBS foram organizados com uma frequência diária e divididos em 180
passos. Os resultados também constam no Anexo 2.
58
A série PREC_EEcSB não apresentou correlação entre os intervalos de 1 ano, mostrando-

se independente em cada intervalo de 12 meses. A série PREC_MAND apresentou ciclos de
autocorrelação de 5 a 7 meses, com valores decrescendo em cada janela e voltando a subir
no intervalo subsequente. Isso denota um comportamento autoregresivo e de média móvel
sazonal, um processo SARIMA. A FACP confirma essa hipótese, com maiores
autocorrelações parciais nos instantes iniciais, em intervalos, decaindo ao longo do tempo.
Na série ETP_MAND o processo se repete, mas é mais marcado, com valores de
autocorrelação e autocorrelação parcial muito superiores aos encontrados na série
PREC_MAND. Isso reflete uma maior dependência entre os instantes passados e futuros da
série. É um comportamento esperado considerando a precipitação como um fenômeno
muito mais aleatório que a evapotranspiração que depende muito da temperatura cujo ritmo
é mais lento e com transições suaves, salvo a entrada de frentes e sistemas atmosféricos
que alterem momentaneamente o sistema climático da região. A série PREC_ECA e
ETP_ECA tem FAC e FACP semelhantes às anteriores, mas a janela da média móvel é
diferente em função da frequência dos dados. Na série PREC_ECA a janela é de
aproximadamente 25 dias, cerca de 1 mês enquanto que na série ETP_ECA a janela é de
aproximadamente 110 dias, cerca de 3 meses e meio. Nas séries analisadas com frequência
mensal e diária fica evidente o componente sazonal presente nos fenômenos de
precipitação e evapotranspiração, que consequentemente afetarão a maneira com que os
níveis freáticos respondem às variáveis externas.
Uma vez que as séries de precipitação e evapotranspiração potencial podem ser variáveis
de entrada em modelos de séries temporais, verificou-se a FCC entre as séries disponíveis
de precipitação e evapotranspiração para Manduri e para a ECA da EEcSB. A FCC para
PREC_MAND e ETP_MAND apresentou ciclos com maiores correlações cruzadas nas
primeiras janelas, decaindo nos momentos seguintes, mas apresentando um típico padrão
sazonal. No caso de PREC_ECA e ETP_ECA a correlação cruzada foi baixa e não
observou-se um padrão definido. As FCC também constam do Anexo 2.
5. 2 Modelagem de séries temporais

5. 2. 1 Análise dos efeitos da precipitação nas séries temporais e efeitos do regime
pluviométrico nos níveis freáticos
O modelo HARTT foi utilizado para verificar a relação entre a precipitação e a oscilação dos
níveis freáticos nos 32 poços monitorados entre 05/09/2014 e 02/09/2016. Como série de
entrada foi utilizada a precipitação observada na EEcSB mensalmente desde 1987. A partir
dessa série, calculou-se os desvios médios mensais da precipitação acumulada (Figura 24),
permitindo a representação da defasagem entre os eventos e as perturbações no lençol
freático. Assim, com monitoramento dos níveis realizado no período, associado as séries de
59
maior comprimento, obteve-se uma série de dados de entrada que represente a oscilação
climática sazonal na região.
207.14
7.14
-192.86
-392.86
-592.86
-792.86
-992.86
-1,192.86
May-1989
May-1996
May-2003
May-2010
Nov-1992
Sep-1991
Nov-1999
Nov-2006
Jul-2011
Nov-2013
Jul-1990
Jul-1997
Sep-1998
Jul-2004
Sep-2005
Sep-2012
Mar-2002
Jan-1987
Mar-1988
Jan-1994
Mar-1995
Jan-2001
Jan-2008
Mar-2009
Jan-2015
Mar-2016
Figura 24: Desvios médios mensais da precipitação acumulada observada na EEcSB entre
janeiro de 1987 e agosto de 2016 calculados pelo modelo HARTT
A Tabela 5 reúne os resultados das calibrações do modelo HARTT às séries de precipitação

poços de monitoramento entre 05/09/2014 e 02/09/2016. Os resultados dos ajustes do
modelo HARTT demonstram sistemas com respostas rápidas, com pequenos atrasos da
ordem de 1 a 2 meses para que ocorram respostas nos níveis a partir dos eventos de
precipitação incidentes na área. Em alguns casos a resposta é imediata, sem atraso, como
em alguns poços nas bacias do Guarantã. Bugre e Santana. Esses poços localizam-se
próximos às nascentes dos cursos d’águas que dão os nomes às bacias, áreas de descarga
das águas subterrâneas. As calibrações foram consideradas boas, com valores de R2
médios de 0,86 para a Bacia do Guarantã, 0,70 para a Bacia do Bugre, 0,75 para a Bacia do
Santana e 0,88 para a bacia do Passarinho, sendo 0,78 no total dos 32 poços. Em um
estudo na Austrália, Yihdego e Webb (2011) ajustaram o modelo HARTT para 82 poços,
considerando apenas 44 como confiáveis (R2 acima de 0,70 e valor-p < 0,05). No caso da
EEcSB, apenas 6 poços tiveram R2 inferior a 0,70, sendo 3 na bacia do Brugre e 3 na Bacia
do Santana.
Analisando os valores-p, 11 poços não tiveram o parâmetro K1 significativo estatisticamente

enquanto todos os poços tiveram parâmetros K2 significativos. Os valores-p para o
parâmetro precipitação foram mais elevados nos poços onde os ajustes apresentaram R2
inferiores a 0,82. Nesses casos, Yihdego e Webb (2011) apontam que outras variáveis
60
podem estar influenciando os níveis freáticos além da precipitação, demandando modelos

mais complexos para investigar essas relações.
Tabela 5: Estatísticas das calibrações do modelo HARTT às séries de precipitação

poços de monitoramento entre 05/09/2014 e 02/09/2016.
K1 K2 Taxa de
Atraso Intercepto Precipitação valor-p Tempo valor-p elevação
Poço R2 (meses) (mm) K1 (meses) K2 (m/ano)
G1 0,91 1 -1,33 0,0016 0,00 0,0415 0,00 0,50
G2 0,79 0 -1,78 0,0008 0,21 0,0696 0,00 0,84
G3 0,82 0 -1,79 0,0008 0,15 0,0681 0,00 0,82
G4 0,86 0 -2,73 0,0012 0,05 0,0881 0,00 1,06
G5 0,85 0 -3,30 0,0019 0,02 0,1019 0,00 1,22
G6 0,89 1 -1,25 0,0007 0,01 0,0437 0,00 0,52
G7 0,87 1 -1,11 0,0008 0,01 0,0410 0,00 0,49
G8 0,88 2 -1,78 0,0023 0,00 0,0801 0,00 0,96
G9 0,87 2 -0,99 0,0008 0,01 0,0462 0,00 0,55
B1 0,81 1 -0,96 0,0005 0,00 0,0178 0,00 0,21
B2 0,66 1 -0,29 0,0001 0,50 0,0131 0,00 0,16
B3 0,63 1 -0,41 0,0000 0,98 0,0164 0,00 0,20
B4 0,72 0 -0,77 0,0003 0,33 0,0303 0,00 0,36
B5 0,52 0 -0,55 0,0002 0,54 0,0199 0,00 0,24
B6 0,77 1 -0,75 0,0004 0,11 0,0283 0,00 0,34
B7 0,78 1 -1,46 0,0018 0,00 0,0579 0,00 0,70
B8 0,80 1 -1,56 0,0011 0,01 0,0448 0,00 0,54
S2 0,83 1 -4,82 0,0022 0,00 0,0708 0,00 0,85
S3 0,76 0 -4,18 0,0011 0,13 0,0745 0,00 0,89
S4 0,69 0 -1,38 0,0001 0,80 0,0382 0,00 0,46
S5 0,87 2 -1,52 0,0011 0,00 0,0583 0,00 0,70
S6 0,85 2 -1,64 0,0011 0,01 0,0561 0,00 0,67
S7 0,73 1 -0,55 0,0001 0,62 0,0276 0,00 0,33
S8 0,64 2 -2,47 0,0018 0,04 0,0689 0,00 0,83
S9 0,77 1 -1,59 0,0013 0,03 0,0587 0,00 0,70
S10 0,73 1 -1,48 0,0009 0,04 0,0380 0,00 0,46
S11 0,60 0 -1,99 0,0006 0,46 0,0573 0,00 0,69
S12 0,74 1 -3,53 0,0021 0,05 0,0801 0,00 0,96
S13 0,80 0 -1,00 0,0011 0,05 0,0464 0,00 0,56
P1 0,82 1 -1,17 0,0011 0,00 0,0354 0,00 0,42
P2 0,90 2 -2,75 0,0042 0,00 0,0964 0,00 1,16
P3 0,91 2 -2,63 0,0040 0,00 0,0984 0,00 1,18
R2 = coeficiente de determinação do modelo; valor-p = probabilidade de significância
As Figuras 25, 26, 27 e 28 apresentam exemplos de ajustes para um poço de cada uma das
bacias estudadas. Esses hidrogramas exibem o cálculo com o melhor ajuste e um gráfico
mostrando a curva ajustada e o efeito da precipitação juntamente com as leituras de níveis
61
freáticos (FERDOWSIAN et al., 2001). O ajuste gráfico para todos os poços pode ser visto
no Anexo 3.
0 0.2
0.1
-0.5
Efeito da Chuva (m)

0 Têndencia a longo prazo
Profundidade (m)
com ARR
-1
Nível freático EEcSB_G3
-0.1
Ajuste para todos intervalos
-1.5 mensais
-0.2 Efeito da Chuva
Linear (Nível freático

-2 EEcSB_G3)
-0.3
-2.5 -0.4
Jun-12 Oct-13 Feb-15 Jul-16
Data
setembro de 2014 e 02 de setembro de 2016 no poço G3.
0 0.15
0.1
-0.2
0.05
Têndencia a longo prazo
Efeito da Chuva (m)
-0.4 com ARR

Pofundidade (m)
0
Nível freático EEcSB_B1
-0.6 -0.05
mensais
-0.1
-0.8 Efeito da Chuva
-0.15
Linear (Nível freático
-1
EEcSB_B1)
-0.2
-1.2 -0.25
Data
setembro de 2014 e 02 de setembro de 2016 no poço B1.
62
0 0.6
0.4
-1
0.2
Efeito da Chuva (m)

-2 Têndencia a longo prazo
Profundidade (m)
0 com ARR
Nível freático EEcSB_S2
-3 -0.2
mensais
-0.4
-4 Efeito da Chuva
-0.6 Linear (Nível freático

EEcSB_S2)
-5
-0.8
-6 -1
Data
setembro de 2014 e 02 de setembro de 2016 no poço S2.
0 0.3
-0.2 0.2
-0.4 0.1
Efeito da Chuva (m)
Têndencia a longo prazo

Profundidade (m)
-0.6 0 com ARR

Nível freático EEcSB_P1
-0.8 -0.1
mensais
-1 -0.2
Efeito da Chuva
-1.2 -0.3 Linear (Nível freático

EEcSB_P1)
-1.4 -0.4
-1.6 -0.5
Data
setembro de 2014 e 02 de setembro de 2016 no poço P1.
63
A partir do modelo HARTT também calculou-se a taxa de elevação do poço por ano de
monitoramento. Para a Bacia do Guarantã a elevação média do lençol freático foi de 0,80
m/ano, totalizando 1,61 metros de recuperação no período de set/2014 a ago/2016. Na
Bacia do Bugre a elevação foi de 0,36 m/ano, sendo 0, 72 metros no período de
monitoramento. Na Bacia do Santana a elevação média do lençol freático foi de 0,65 m/ano,
totalizando 1,29 metros entre set/2014 e ago/2016. Por fim, a Bacia do Passarinho foi a que
mais apresentou elevação dos níveis freáticos, com uma média de 0,77 m/ano e
consequente elevação de 1,55 metros entre set/2014 e ago/2016.
Silva (2015) verificou o potencial de utilização do modelo HARTT em áreas de Cerrado a

partir de séries de monitoramento de níveis disponíveis para a EEcSB no período entre
dezembro de 2011 e março de 2015 e a mesma série de precipitação observada na EEcSB
mensalmente desde 1987. Nesse estudo, as séries observadas pelo IF estavam
monitorando a resposta dos níveis em parcelas com e sem a presença de Pinus e em
ambas as situações o modelo denotou uma memória curta, sem clara influência da
vegetação. O modelo apresentou similaridades com os dados de entrada, com calibrações
alcançando valores de R2 superiores a 80%. O tempo de resposta de todos os poços
analisados em relação a precipitação foi de um mês, ou seja, houve um evento de
precipitação, e os níveis dos poços aumentaram após essa defasagem temporal.
As análises realizadas utilizando o modelo HARTT puderam através de técnicas como a

regressão linear da hidrógrafa determinar a influência climatológica oriunda da precipitação
na oscilação dos níveis freáticos. Entretanto, alguns ajustes denotaram a necessidade de
análises mais aprofundadas sobre quais as principais forças atuantes na oscilação dos
níveis freáticos na EEcSB. Para casos como esse, Shapoori et al. (2015) recomendam
modelos mais sofisticados como FTR.
5. 2. 2 Identificação do sistema de águas subterrâneas nas bacias monitoradas

Realizadas as investigações iniciais sobre os tipos de processos das séries temporais e a
dinâmica dos níveis freáticos, realizou-se o ajuste do modelo PIRFICT para os 32 poços
monitorados pela UNESP, incluindo a variável evapotranspiração na análise. O intuito da
análise foi através da modelagem das séries temporais e possíveis estresses no sistema de
águas subterrâneas, identificar as principais propriedades do sistema quanto ao seu tempo
de resposta às variáveis que explicariam a oscilação dos níveis. Para explorar toda
potencialidade do modelo PIRFICT, utilizou-se as séries diárias PREC_ECA e ETP_ECA.
Também adicionou-se um parâmetro de tendência linear para verificar a taxa de elevação
dos níveis no período. De forma geral, Shapoori et al. (2015) destacam que os modelos de
FTR simulam uma saída observada no modelo em determinado instante no tempo como
64
uma ponderação de dados de forças recentes que estejam influenciando os níveis (p. ex. a
função e transferência) mais um termo de correlação para a saída simulada não explicada
pelas forças reinantes (p. ex. o ruído). A Tabela 6 apresenta os resultados das calibrações e
a Tabela 7 os desvios dos parâmetros calculados.
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.
EVP RMSE RMSI NDL A a n e PTL ruído
G1 91.52 0.11 0.08 -2.52 127.9 0.01 1.17 -1.31 0.90 44.95
G2 97.62 0.08 0.08 -2.65 288.2 0.01 1.12 0.53 1.65 6.44
G3 97.21 0.08 0.08 -2.74 260.9 0.01 1.11 0.30 1.54 10.03
G4 97.00 0.11 0.01 -4.01 297.8 0.01 1.19 0.09 1.98 9.69
G5 97.72 0.12 0.11 -5.20 440.3 0.01 1.06 0.15 2.30 10.75
G6 96.87 0.06 0.06 -5.60 1179.0 0.00 0.86 0.19 0.91 9.19
G7 97.41 0.05 0.05 -11.71 2966.0 0.00 0.84 0.22 0.75 8.55
G8 95.82 0.13 0.10 -5.04 597.0 0.01 1.17 -0.35 1.57 27.51
G9 97.75 0.05 0.05 -8.60 2254.0 0.00 0.91 0.29 0.85 7.38
B1 94.39 0.04 0.04 -1.50 104.7 0.01 1.01 -0.15 0.38 9.86
B2 84.14 0.04 0.04 -0.91 222.2 0.00 1.04 0.48 0.23 15.78
B3 75.88 0.07 0.07 -1.09 266.8 0.00 1.21 0.54 0.29 20.28
B4 92.07 0.07 0.06 -1.34 190.3 0.01 1.03 0.40 0.64 23.01
B5 79.75 0.09 0.09 -0.95 127.3 0.01 1.02 0.49 0.52 8.62
B6 90.19 0.07 0.07 -1.59 212.7 0.01 1.26 0.08 0.55 10.84
B7 95.65 0.11 0.11 -4.88 705.0 0.00 0.90 -0.12 1.23 6.16
B8 92.65 0.10 0.11 -3.06 326.5 0.01 1.05 -0.04 0.89 5.04
S2 94.33 0.14 0.11 -6.70 370.4 0.01 1.11 -0.07 1.59 44.06
S3 95.61 0.12 0.12 -5.52 453.4 0.01 1.22 0.60 1.83 6.61
S4 93.70 0.07 0.06 -1.86 216.1 0.01 1.25 0.71 0.90 43.73
S5 98.03 0.06 0.05 -8.79 1837.0 0.00 0.96 0.09 1.10 28.30
S6 96.90 0.07 0.07 -8.12 1557.0 0.00 0.92 0.02 1.03 16.48
S7 86.35 0.08 0.07 -0.92 164.1 0.01 1.12 0.60 0.55 24.19
S8 91.91 0.18 0.18 -119.38 4736.0 0.00 0.91 0.60 0.89 13.16
S9 97.97 0.07 0.07 -13.98 4380.0 0.00 0.91 0.48 1.00 8.40
S10 94.33 0.07 0.07 -83.04 3774.0 0.00 1.07 0.71 0.44 15.78
S11 94.25 0.12 0.11 -2.77 337.6 0.02 1.36 0.81 1.45 17.41
S12 95.65 0.16 0.15 -5.25 341.9 0.03 1.83 0.24 2.17 11.09
S13 96.36 0.08 0.08 -2.27 316.8 0.01 0.95 0.32 1.07 11.41
P1 91.50 0.09 0.09 -2.97 367.1 0.00 1.01 -0.15 0.73 12.09
P2 93.83 0.22 0.14 -5.85 335.2 0.02 1.58 -1.43 1.82 62.34
P3 93.94 0.21 0.14 -6.03 434.3 0.01 1.03 -1.04 1.84 54.90
EVP = variância explicada pelo modelo (%); RMSE = raiz do erro médio quadrático (m); RMSI =
raiz da inovação média quadrática (m); NDL = nível da drenagem local (m); A = resistência a
drenagem (dias); a = porosidade (1/dias); n = número de reservatórios lineares (-); e = fator e
evapotranspiração (-); PTL = parâmetro de tendência linear (m)
A variância explicada pelo modelo (EVP) é uma medida semelhante ao R2, refletindo a
porcentagem de quanto o modelo explica essa variação a partir das séries de entrada
definidas. Os ajustes foram considerados excelentes, acima de 90% em 28 poços. As
65
exceções foram os poços B2, B3, B5 e S7, mas mesmo assim tiveram bons ajustes,
superiores a 75%. Os valores da raiz do erro médio quadrático (RMSE) foram considerados
baixos, variando de 7 a 22 cm. O mesmo se aplica aos valores da raiz da inovação média
quadrática (RMSI), que variaram de 4 a 14 cm. Segundo Von Asmuth e Bierkens (2005) as
inovações são uma maneira mais robusta de examinar os ajustes, já que calculam os erros
médios entre um instante no tempo e o instante anterior. Essas três medidas referem-se aos
ajustes estatísticos do modelo a cada série de dados. Esses ajustes para todos os poços
podem ser vistos no Anexo 4. As Figuras 29, 30, 31 e 32 mostram ajustes para cada uma
das bacias estudadas. Todas as bacias apresentam algum poço com níveis superficiais
(menores que 1,0 metro da superfície). Os níveis mais profundos monitorados foram na
Bacia do Santana (poços S2 E S3). Uma característica comum em todos os poços foi a
elevação nos níveis mais pronunciada a partir de setembro de 2015. A presença do
fenômeno ENOS (El Ninõ Oscilação Sul) que influenciou fortemente o regime de chuvas no
Brasil e no Sudeste do país alterou sensivelmente o comportamento do lençol freático,
chegando a quase saturação da zona vadosa em alguns momentos. Apesar disso, o modelo
PIRFICT foi capaz de recriar a série de entrada dos dados a partir das variáveis exógenas
precipitação e evapotranspiração.
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.
66
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.
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.
67
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.
Entretanto, o modelo PIRFICT não se limita ao ajuste estatístico dos dados. Também
apresenta a possibilidade de identificar a resposta do sistema a partir do exame da função
IR modelada para cada situação. Assim, o modelo PIRFICT pode apresentar um resultado
estatístico, como também um resultado explicando a física da dinâmica dos níveis freáticos
a partir dos parâmetros dessa função IR. O nível da drenagem local (NDL), os parâmetros A
(resistência a drenagem), a (porosidade), n (número de reservatórios lineares), e (fator de
evapotranspiração) e o ruído derivam da função IR ajustada. O parâmetro de tendência
linear é independente da forma da função IR. Nos casos onde esses parâmetros estão bem
calibrados, o modelo pode apresentar essa dupla função, um resultado estatístico sobre o
ajuste das séries aos dados observados e um resultado físico, explicando o processo
envolvido na oscilação freática. Esses parâmetros foram examinados segundo seus desvios
padrão.
Vinte e um modelos apresentaram bons ajustes da função IR, com parâmetros bem
calibrados. O parâmetro A indica a resistência a drenagem em dias, ou seja, o tempo que o
nível freático leva para responder ao impulso da chuva, p. ex. A interpretação da função IR
pode ser feita com o momento e intensidade do pico da curva sendo o primeiro efeito da
variável de entrada no sistema, seguido pelo decaimento do reservatório até o retorno a
condição inicial estabelecida pelo NDL estabelecido pelo modelo. Assim, a área da curva
refere-se ao tempo total que o efeito da precipitação interfere no sistema. Esses parâmetros
mostraram uma resposta rápida do sistema, com um pico da função IR logo nos primeiros
meses após a precipitação e uma queda gradual da função ao longo do tempo. As Figuras
33, 34, 35 e 36 mostram as funções IR para precipitação dos poços exibidos nas Figuras 29
a 32.
68
para os poços G2, G3, G4 e G5 na Bacia do Guarantã.
As funções IR para a precipitação na Bacia do Guarantã tem o mesmo formato, com

diferenças na intensidade e tempo dos seus picos, seguidos de um decaimento exponencial.
O poço G5 encontra-se mais distante das drenagens, sofrendo maior influência da
precipitação que os poços G2, G3 e G4, mais próximos do curso d’água. Nesses três poços
o pico da função IR encontra-se entre 2,5 e 3 enquanto que no poço G5 apresenta um valor
próximo a 3,75. Esses picos acontecem cerca de 10 dias após os eventos de precipitação,
decaindo ao longo do tempo, o que denota uma resposta rápida dos sistemas de águas
subterrâneas local. Nos poços mais próximos a drenagem a precipitação influencia menos
pois existe a influência hidrodinâmica da descarga também contribuindo para alterar o
comportamento dos níveis.
para os poços B1, B4, B6 e B8 na Bacia do Bugre.
69
Na Bacia do Bugre os poços também apresentaram comportamento rápido, com picos

praticamente instantâneos, com exceção ao poço B6 que teve um comportamento
levemente mais lento. Os picos variaram entre 0,80 e 2,05. Esses poços também
encontravam-se próximos às drenagens e nascentes. Apenas o poço B8 encontrava-se um
pouco mais distante e consequentemente apresentou um fator de resposta maior por sofre
menos influência do Ribeirão do Bugre.
para os poços S2, S3, S4 e S7 na Bacia do Santana.
Os poços S2 e S3 da Bacia do Santana são os poços que apresentam a maior profundidade

de nível, logo a maior resistência à drenagem. Todas as Funções IR para precipitação na
Bacia do Santana apresentam resposta rápida, mas os níveis mais profundos apresentam
fator de resposta maior (acima de 3,0) enquanto os poços S4 e S7 apresentaram fator de
resposta inferiores por estarem mais próximos curso d’água. O poço S7 inclusive possui
níveis muito superficiais e passou boa parte do ano de 2016 com o entorno do poço
alagado.
70
para os poços P1, P2 e P3 na Bacia do Passarinho.
Assim como nas outras bacias, os poços da Bacia do Passarinho apresentaram respostas
rápidas, sendo os fatores de resposta diretamente proporcionais a distância à drenagem e a
espessura da zona não saturada. Essa memória curta (ou resposta rápida) do sistema de
águas subterrâneas também foi verificada em formações sedimentares com níveis pouco
profundos, como nas formações que recobrem a região de Planaltina (DF) (MANZIONE et
al., 2010) e na Formação Botucatu na região de Brotas (SP) (MANZIONE et al., 2016). O
mesmo padrão foi observado nos profundos Vertissolos da Austrália, onde Hocking e Kelly
(2016) verificaram a relação direta entre a profundidade do nível freático e o tempo de
resposta do aquífero aos eventos de precipitação e evapotranspiração: quanto mais
espessa a camada não saturada e profundo o nível, maior o tempo de resposta.
O parâmetro a foi similar para todos os poços, variando uma ordem de grandeza, enquanto
os valores de n não ultrapassaram o valor 2, ou seja somete um sistema linear afeta os
níveis da região. A presença somente de um pacote sedimentar (Formação Marília) até o
contato com o basalto indica esse comportamento hidrogeológicos. O parâmetro e foi dentro
do esperado segundo Von Asmuth (2012) estando próximo a 1. Nos locais onde os valores
foram negativos indicam que a função IR para evapotranspiração não funcionou como um
saldo da precipitação, descontando a variação do total de água responsável pela variação, e
sim como um estresse adicional. Mesmo com a anomalia medida na ECA, os dados
apresentaram-se bem calibrados. As Figuras 37, 38, 39 e 40 mostram as funções IR para
evapotranspiração dos poços exibidos nas Figuras 29 a 32.
71

PIRFICT para os poços G2, G3, G4 e G5 na Bacia do Guarantã.
As funções IR para evapotranspiração na Bacia do Guarantã se comportaram analogamente

a um balanço hídrico, descontando a influência da vegetação no total precipitado infiltrado
na região. Todos esses poços localizam-se em áreas de Cerrado. Os fatores de resposta
são inferiores aos das funções IR de precipitação, indicando menor influência da
evapotranspiração na dinâmica dos níveis freáticos. Manzione et al. (2009) verificaram como
o modelo PIRFICT se comporta quanto diferentes séries de evapotranspiração potencial,
porém com a mesma série de precipitação e também concluíram que quando a influência da
precipitação é muito mais marcante que a evapotranspiração na dinâmica dos níveis
freáticos os resultados finais da calibração pouco se alteram.
Na Bacia do Bugre, as funções IR de evapotranspiração apresentaram comportamento

similar as do Guarantã para os poços B4 e B6, mas nos casos dos poços B1 e B8 o
comportamento foi inverso, inclusive com valores do parâmetro e negativos. Isso se deve a
uma má calibração desse parâmetro ou a uma influência da vegetação que impõem um
estresse adicional no lençol freático. Esse fato precisa ser melhor investigado já que todos
esses poços encontram-se em área de plantio de Pinus. Mesmo assim os fatos de resposta
foram inferiores aos das funções IR de precipitação para esses poços.
72

PIRFICT para os poços B1, B4, B6 e B8 na Bacia do Bugre.

PIRFICT para os poços S2, S3, S4 e S7 na Bacia do Santana.
As funções IR para evapotranspiração da Bacia do Santana também apresentaram-se como

um saldo da precipitação, com exceção ao poço S2. Todos os poços estão em área de
Cerrado e os fatores de resposta foram inferiores aos das funções IR da precipitação para
esses poços.
73

PIRFICT para os poços P1, P2 e P3 na Bacia do Passarinho.
Na Bacia do Passarinho os valores do parâmetro e foram negativos, gerando funções IR

com fatores de resposta positivos e altos no caso dos poços P2 e P3. Toda área da bacia é
reflorestada com Pinus. Nessa área pode-se imaginar que a evapotranspiração foi tão
relevante como a precipitação na oscilação dos níveis, mas é preciso aprofundar as
pesquisas sobre a interferência de extratos vegetais na área para afirmar categoricamente
algo nesse sentido.
O modelo PIRFICT também demonstrou bons resultados nos estudos de Manzione (2007)
estudando séries temporais de diferentes sistemas hidrológicos de domínios livre e porosos
nos Cerrados brasileiros como os sistemas aquíferos Paranoá, Bambuí e Canastra, no
Distrito Federal. Já Manzione et al. (2012) utilizaram o modelo PIRFICT a séries temporais
de níveis freáticos em área de afloramento do Sistema Aquífero Guarani contendo áreas
remanescentes de Cerrado em Brotas/SP, também obtendo bons resultados. Soldera e
Manzione (2012) utilizaram o modelo PIRFICT em séries temporais de monitoramento
freático no Sistema Aquífero Bauru em área agrícola sob diferentes condições de relevo
enquanto Nava e Manzione (2015) utilizaram o modelo PIRFICT em séries temporais de
monitoramento freático no Sistema Aquífero Bauru em áreas agrícola e florestal, utilizando
nos dois estudos a mesma séries de entrada de precipitação e evapotranspiração
disponíveis para a Formação Adamantina no município de Assis (SP).
74
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.
A (DP) a (DP) n (DP) e (DP) PTL (DP) ruído (DP)
G1 5.5E+01 9.10E-03 0.40 0.59 0.07 23.14
G2 4.0E+01 3.20E-03 0.09 0.09 0.06 3.73
G3 4.6E+01 3.90E-03 0.11 0.11 0.06 5.66
G4 5.9E+01 4.90E-03 0.16 0.14 0.08 5.74
G5 9.0E+01 3.40E-03 0.10 0.11 0.08 5.82
G6 5.4E+03 3.50E-03 0.08 0.18 0.06 5.71
G7 3.0E+04 2.80E-03 0.06 0.14 0.06 4.99
G8 3.5E+02 4.30E-03 0.20 0.21 0.08 13.06
G9 1.2E+04 2.80E-03 0.00 0.14 0.08 4.22
B1 3.5E+01 4.30E-03 0.13 0.20 0.03 5.48
B2 4.5E+02 7.30E-03 0.21 0.24 0.08 7.94
B3 6.6E+02 1.10E-02 0.40 0.30 0.16 9.17
B4 8.3E+01 5.40E-03 0.15 0.16 0.06 10.71
B5 7.9E+01 9.30E-03 0.25 0.27 0.07 4.35
B6 1.5E+02 7.50E-03 0.30 0.23 0.06 5.56
B7 5.1E+02 2.90E-03 0.08 0.17 0.07 3.35
B8 1.4E+02 4.70E-03 0.15 0.19 0.07 2.86
S2 1.1E+02 5.10E-03 0.16 0.18 0.10 24.10
S3 1.2E+02 4.30E-03 0.16 0.09 0.10 3.79
S4 5.2E+01 4.80E-03 0.18 0.10 0.06 21.46
S5 4.0E+03 2.30E-03 0.07 0.11 0.06 13.61
S6 3.2E+03 2.60E-03 0.08 0.13 0.06 8.17
S7 1.2E+02 8.10E-03 0.26 0.19 0.07 10.96
S8 2.5E+06 3.10E-03 0.07 0.19 0.58 7.02
S9 1.7E+04 2.10E-03 0.04 0.11 0.18 4.97
S10 8.1E+05 1.60E-03 0.07 0.14 0.25 9.05
S11 5.1E+01 4.50E-03 0.17 0.10 0.09 8.31
S12 5.4E+01 8.50E-03 0.38 0.14 0.12 5.86
S13 1.3E+02 3.70E-03 0.09 0.13 0.06 7.18
P1 3.1E+02 4.70E-03 0.16 0.24 0.06 6.24
P2 1.4E+02 1.00E-02 0.59 0.55 0.15 27.17
P3 1.7E+02 4.60E-03 0.19 0.39 0.14 25.05
DP = desvio padrão; A = resistência a drenagem (dias); a =
porosidade (1/dias); n = número de reservatórios lineares (-); e = fator
e evapotranspiração (-); PTL = parâmetro de tendência linear (m)
Onze modelos apresentaram algum tipo de problema no ajuste de suas funções IR. Na
Bacia do Guarantã, os poços G6, G7 e G9 apresentaram valores irreais de NDL e A. Na
bacia do Bugre, os poços B2 e B3 apresentaram valores de A com desvio padrão muito
altos, enquanto o poço B7 apresentou NDL superior ao verificado em campo e A com um
intervalo de dias muito superior aos outros poços da bacia. Na Bacia do Santana, os poços
S5, S6, S8, S9 e S10 também apresentaram valores irreais de NDL e A. Com exceção aos
poços B2, B3 e S10, esses poços não chegaram a alcançar valores superiores a 1 no
parâmetro n, denotando um comportamento similar a uma curva de recessão (exponencial
negativa) nas suas funções de IR. Ou seja, as séries de precipitação e evapotranspiração
75
são insuficientes para capturar a resposta física do sistema de águas subterrâneas local,
que pode sofre influência de células de fluxo locais e áreas de descarga próximas às áreas
úmidas da EEcSB e das drenagens.
O PTL calculado para cada poço foi positivo em todos os casos, variando de alguns
centímetros (44 cm) a alguns metros (2,30 m). Não foi verificado um padrão de elevação
entre as áreas de Cerrado e as áreas de Pinus. A bacia do Bugre foi a que apresentou
menor elevação por possuir níveis mais superficiais que tenderam ao alagamento em 2016.
Onde a zona não saturada era maior o armazenamento foi maior e consequentemente as
elevações nos níveis mais pronunciadas.
Originalmente formulado para descrever a variação dos níveis freáticos nos diques
holandeses, o modelo PIRFICT tem sido testado e aperfeiçoado ao redor do mundo. Os
trabalhos descritos em Von Asmuth (2012) são exemplos de aplicações na Holanda por mais
de dez anos de pesquisa e desenvolvimento do modelo. Obergfell et al. (2013) avança nas
aplicações do PIRFICT na Holanda utilizando dados de campo. Yihdego e Webb (2011)
apresentam estudo de series temporais usando o modelo PIRFICT na região sub-úmida do
sudoeste da Austrália, ressaltando a bom desempenho do modelo.
Na EEcSB pode-se observar sistemas de memória curta, com rápidas respostas, variando
em função da distância à drenagem mais próxima e espessura da zona não saturada, com
forte influência da precipitação, pequena influência da evapotranspiração, com exceção de
algumas áreas e com tendências lineares de elevação nos níveis entre setembro de 2014 e
agosto de 2016.
5. 2. 3 Simulação de características da dinâmica dos níveis freáticos

Segundo Knotters e Van Walsum (1997), exemplos de características estatísticas que
descrevem o regime das águas subterrâneas são o nível médio (NM), nível médio mais alto
(NMMA), nível médio mais baixo (NMMB). Essas estatísticas são chamadas de níveis
médios das águas subterrâneas (NMAS) (VAN HEESEN, 1970; VAN DER SLUIJS; DE
GRUIJTER, 1985). Essas estatísticas são usadas, por exemplo, para analisar ou modelar a
relação entre o regime hidrogeológicos e fatores como crescimento de culturas (FEDDES et
al., 1988; VAN DAM, 2000), condições do solo ou condições ecológicas (GROOTJANS,
1985; WITTE et al., 1992; VAN EK et al., 2000). Além disso, são usadas para gerar cenários
sobre condições extremas de níveis freáticos para planejamento rural e urbano ou mesmo
formulações de políticas públicas (VAN HEESEN, 1970; BOUCNEAU et al., 1996;
BIERKENS et al., 2000; MANZIONE et al., 2010). Dentro de uma abordagem de
identificação de sistema como a do modelo PIRFICT, é importante que o sinal entre a
76
oscilação dos níveis freáticos e as variáveis climatológicas seja de alta frequência para que
a FTR modele a dinâmica das águas subterrâneas. Em seus estudos, Van Heesen (1970) já
recomendava um mínimo de oito anos de observações de níveis freáticos para calcular
NMAS, enquanto Knottes e Walsum (1997) mostram que ainda há uma considerável
variação nos NMAS em escalas acima dos oito anos. Uma vez que séries de níveis das
águas subterrâneas não são disponíveis por longos períodos de tempo, é possível a partir
da relação dinâmica entre alturas do nível freático e variáveis climatológicas como a
precipitação usar esse sinal para estender as séries de observações pelo mesmo período
das séries climáticas. Para esse procedimento, Manzione et al. (2007) propõem os
seguintes passos:
- Após modelar a relação entre o déficit/excedente hídrico da precipitação e os níveis

freáticos usando o modelo PIRFICT, séries de observações de nível são
extrapoladas para um comprimento de aproximadamente 30 anos, representando as
condições climáticas prevalecentes. Como resultado, tem-se gerada uma série
determinística de níveis freáticos preditos.
- Realizações do processo de ruído branco gerado pela simulação estocástica

adicionadas a série determinística resultam em realizações de séries de alturas do
nível freático. As realizações do processo de ruído branco podem ser geradas tanto
por amostragem aleatória de uma distribuição normal com média zero e variância
residual, ou reamostrando os resíduos ajustados.
- A partir do passo anterior, N realizações da simulação estocástica são geradas. Com

a função de densidade de probabilidades da distribuição das alturas de nível freático
para cada instante t, pode-se calcular as estatísticas representando as condições
hidrológicas predominantes.
Com a série PREC_EEcSB que registrou as precipitações mensais no período entre janeiro
de 1987 e agosto de 20016, calibrou-se o modelo PIRFICT novamente usando somente
essa variável de entrada para os dois conjuntos de poços, totalizando 44 modelos. Os
resultados podem ser vistos na Tabela 8. Não foram examinadas as funções IR desses
ajustes. Por causa da frequência mensal da série de entrada e não diária como no item
anterior, os modelos apresentaram um ajuste inferior, mas ainda considerado um bom ajuste
vista a origem da informação e a variabilidade dos poços. Na média, os 44 poços
apresentaram R2 de 81,69%, com o pior ajuste sendo 64,40% e o melhor ajuste 92,90%. Os
valores de RMSE e RMSI também foram considerados baixos, denotando ajustes
aceitáveis. A partir desse ajuste, simulou-se 1000 realizações do modelo e depois foram
calculados os níveis médios NM, NMMA e NMMB. A Tabela 9 reúne os valores de NMAS.
77
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.
Poço EVP RMSE RMSI
G1 82.60 0.15 0.10
G2 81.80 0.22 0.16
G3 85.00 0.19 0.14
G4 85.40 0.25 0.18
G5 83.00 0.31 0.22
G6 82.70 0.14 0.10
G7 87.50 0.11 0.09
G8 91.90 0.17 0.15
G9 90.00 0.10 0.09
B1 84.10 0.06 0.06
B2 83.00 0.04 0.04
B3 78.90 0.06 0.05
B4 84.30 0.10 0.09
B5 80.70 0.09 0.08
B6 83.60 0.09 0.09
B7 87.80 0.18 0.18
B8 84.10 0.15 0.15
S2 82.50 0.25 0.18
S3 81.70 0.25 0.19
S4 79.90 0.13 0.10
S5 90.50 0.13 0.10
S6 88.90 0.14 0.13
S7 77.10 0.10 0.08
S8 82.40 0.26 0.25
S9 89.00 0.16 0.15
S10 86.50 0.11 0.10
S11 75.70 0.25 0.20
S12 80.50 0.34 0.29
S13 84.50 0.16 0.13
P1 85.30 0.12 0.12
P2 92.90 0.23 0.16
P3 90.90 0.26 0.18
BR1 71.10 0.45 0.31
BR2 73.00 0.42 0.29
BR3 74.80 0.41 0.29
BR4 74.70 0.41 0.29
BR5 64.40 0.44 0.29
P_alto 73.30 0.12 0.09
P_medio 72.90 0.08 0.06
GP1 84.20 0.21 0.20
GP2 80.90 0.24 0.23
GP3 72.20 0.28 0.23
GP4 73.70 0.28 0.24
GP5 74.40 0.27 0.21
EVP = variância explicada pelo modelo (%); RMSE =
raiz do erro médio quadrático (m); RMSI = raiz da
inovação média quadrática (m)
78
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.
Poço NMMB NM NMMA
G1 -1.41 -1.28 -0.90
G2 -1.50 -1.17 -0.52
G3 -1.55 -1.24 -0.65
G4 -2.45 -2.08 -1.29
G5 -3.07 -2.64 -1.77
G6 -1.12 -0.96 -0.62
G7 -1.00 -0.85 -0.54
G8 -1.75 -1.48 -0.99
G9 -0.85 -0.67 -0.37
B1 -0.99 -0.88 -0.70
B2 -0.24 -0.17 -0.05
B3 -0.35 -0.23 -0.13
B4 -0.64 -0.47 -0.22
B5 -0.57 -0.37 -0.12
B6 -0.74 -0.53 -0.32
B7 -1.56 -1.26 -0.74
B8 -1.65 -1.34 -0.92
S2 -4.81 -4.54 -3.86
S3 -3.98 -3.59 -2.84
S4 -1.13 -0.95 -0.64
S5 -1.37 -1.17 -0.78
S6 -1.53 -1.30 -0.90
S7 -0.38 -0.24 -0.06
S8 -2.40 -2.12 -1.53
S9 -1.50 -1.24 -0.70
S10 -1.42 -1.26 -0.96
S11 -1.79 -1.40 -0.81
S12 -3.74 -3.27 -2.39
S13 -1.12 -0.83 -0.36
P1 -1.30 -1.05 -0.70
P2 -3.00 -2.74 -2.20
P3 -2.82 -2.53 -1.87
BR1 -3.02 -2.33 -1.73
BR2 -2.91 -2.25 -1.59
BR3 -2.95 -2.25 -1.59
BR4 -2.95 -2.24 -1.59
BR5 -2.82 -2.24 -1.69
P_alto -1.04 -0.85 -0.62
P_medio -0.39 -0.26 -0.13
GP1 -1.56 -1.03 -0.49
GP2 -1.74 -1.07 -0.53
GP3 -1.71 -1.01 -0.40
GP4 -1.78 -1.05 -0.41
GP5 -1.67 -0.98 -0.34
NM = nível médio; NMMA = nível médio mais alto; NMMB =
nível médio mais baixo
79
Uma vez que o período de monitoramento de 32 dos 44 poços simulados compreendeu dois
períodos de anomalias climáticas (final da seca 2013-2014 e ENOS 2015-2016), comparou-
se os valores de NMAS somente calculadas para o período das séries com o simulado,
obtendo-se uma boa relação como pode ser visto na Figura 41.
OBS vs. SIM

-5.00 -4.50 -4.00 -3.50 -3.00 -2.50 -2.00 -1.50 -1.00 -0.50 0.00
0.00
-0.50
-1.00
-1.50
-2.00
-2.50
-3.00
-3.50
-4.00
-4.50
y = 0,9109x - 0,0244
R² = 0,89
-5.00
Figura 41: Relação entre NMAS calculados a partir das séries observadas e simuladas.
O coeficiente de determinação da reta entre as características simuladas e observadas foi

de 0,89, apresentando um coeficiente de correlação de Pearson de 0,94. Além do cálculo
dos níveis médios a simulação permite calcular probabilidades de ocorrência de níveis
extremos a partir dos intervalos de confiança (MANZIONE et al., 2010). Os intervalos de 5 e
95% de confiança para os níveis simulados podem ser vistos nas Tabelas do Anexo 7. Essa
boa concordância dos dados mostra que a simulação do modelo PIRFICT a partir da relação
entre a precipitação e oscilação dos níveis reproduziu as principais características da
oscilação dos níveis da EEcSB durante o período monitorado. Para estimativa de cenários
mais realistas, recomenda-se o uso de séries mais longas, evitando períodos de anomalias
climáticas como os ocorridos durante o monitoramento dos níveis na EEcSB, a fim de evitar
distorções nas séries de saída. Verificando individualmente as séries simuladas presentes
no Anexo 6, a simulação apresentou momentos de níveis mais superficiais, outros de níveis
mais profundos, concordando com os padrões de precipitação.
80
5. 3 Análise espacial dos dados geográficos

Uma extensão à análise de séries temporais utilizando o modelo PIRFICT proposta por
Manzione (2007) foi a integração da dimensão temporal com a dimensão espacial através
da interpolação geoestatística de parâmetros do modelo ou mesmo características do nível
freático estimadas a partir de simulações. Nesse estudo, realizou-se essa análise para o
tempo de resposta (parâmetro A do modelo PIRFICT), para tendências de elevação
(parâmetro PTL do modelo PIRFICT) e nível freático médio (NM simulado). Seguiu-se a
metodologia descrita em Journel e Huijbregts (1978) e Yamamoto e Landim (2013):
variografia, interpolação dos dados por krigagem ordinária e validação cruzada dos
resultados.
5. 3. 1 Variografia
O cálculo dos variogramas foi realizado utilizando como distância inicial o valor de metade
do campo amostral considerado (8,0 Km na direção leste-oeste). Dividiu-se 4,0 Km em 10
passos (lags) de 400,00 metros. A partir desse valor inicial, foram testadas novas
configurações de distância do campo amostral e tamanho dos passos. Foram selecionados
23 valores de parâmetros A considerados significativos, as tendências para os 32 poços
monitorados entre set/2014 e ago/2016 e os NM’s calculados para os dois conjuntos de
dados disponíveis, totalizando 44 amostras. A Tabela 10 apresenta os parâmetros dos
variogramas ajustados para cada uma das variáveis mapeadas.
Tabela 10: Parâmetros dos variogramas ajustados para o tempo de resposta (A), tendência
(PTL) e níveis médios (NM) calculados a partir do modelo PIRFICT.
Variável Número de Número Tamanhos Efeito Patamar Alcance Modelo
amostras de lags da lags (m) Pepita (m)
A 23 12 181,00 4.860,00 21.250,00 1.575,00 Gaussiano
PTL 32 12 321,00 0,03 0,39 1.765,00 Exponencial
NM 44 12 100,00 0,05 1,25 800,00 Gaussiano
As Figuras 42 a 44 apresentam os variogramas dos ajustes realizados. O número de

amostras selecionadas para cálculo dos variogramas afetou a modelagem da estrutura de
dependência espacial dos dados. Para tempo de resposta e NM’s foram ajustados modelos
gaussianos e para PTL um modelo exponencial. Do valor total dos patamares encontrados,
os efeitos pepitas foram responsáveis por 22,87%, 7,69% e 4% do total da variância para o
tempo de resposta, tendências de elevação e níveis médios, respectivamente. Assim, a
estrutura de dependência espacial dos dados foi melhorada a medida que os variogramas
foram construídos com maior número de amostras. Os alcances foram maiores para o
tempo de resposta (1.575,00 m) e tendências de elevação (1.765,00 m), enquanto para os
níveis médios o alcance foi menor (800,00 m).
81
Figura 42: Variograma amostral e modelo teórico ajustado aos valores dos tempos de
resposta (Parâmetro A) calculados pelo modelo PIRFICT.
Figura 43: Variograma amostral e modelo teórico ajustado aos valores de tendências de
elevação (Parâmetro de Tendência Linear) calculados pelo modelo PIRFICT.
Figura 44: Variograma amostral e modelo teórico ajustado aos valores de nível médio (NM)
simulados pelo modelo PIRFICT.
O variograma dos NM’s mostra que o fenômeno de oscilação dos níveis é gradual na área,
82
apresentando variações que não se alteram em função do uso da terra na EEcSB por
exemplo. O baixo valor de efeito pepita para NM indica que a rede de monitoramento foi
capaz de caracterizar essa variação.
5. 3. 2 Interpolação dos dados

TEMPO DE RESPOSTA
O mapeamento dos tempos de resposta para a EEcSB pode ser visto na Figura 45. Os
tempos de resposta foram menores, mais rápidos, próximos às drenagens como esperado.
A espessura da zona não saturada nessas áreas é muito menor que nos divisores de água
das bacias. A Bacia do Passarinho revelou um padrão de resposta intermediário entre o
valor mínimo (137,2 dias) e o valor máximo (548,7 dias) interpolados por krigagem ordinária.
Já a Bacia do Guarantã apresentou um tende resposta maior em toda sua cabeceira e
cursos de primeira ordem. Essas áreas coincidem com as áreas mais elevadas da EEcSB.
Figura 45: Mapa do tempo de resposta do lençol freático em função de eventos de

precipitação interpolado por krigagem ordinária.
A Bacia do Bugre apresentou uma resposta mais rápida como um todo enquanto a Bacia do
Santana apresentou-se com respostas mais rápidas na cabeceira e mais lentas a jusante do
canal principal. Esse fato pode ser explicado pela Bacia do Bugre escoar para uma área
83
onde o fluxo superficial é mais característico enquanto a Bacia do Santana escoa para uma
área úmida represada pela BR-374 (Rodovia Presidente Castelo Branco).
TENDÊNCIAS DE ELEVAÇÃO
O mapeamento de tendências de elevação entre setembro de 2014 e agosto de 2016 pode
ser visto na Figura 46. As tendências de elevação interpoladas variaram de 28 cm a 2,17
metros. As maiores elevações se deram nas bacias do Guarantã e Santana, que confluem
para o Rio Capivari e forma uma série de áreas úmidas e alagadas, restringindo o fluxo local
das águas superficiais e consequentemente alterando a dinâmica das águas subterrâneas.
Nas Bacias do Bugre e Passarinho as elevações foram menores, demonstrando a
capacidade das bacias em drenar as águas subterrâneas e produzir água para alimentar o
Rio Capão Rico.
Figura 46: Mapa de tendência de elevação dos níveis freáticos no período de setembro de
2014 a agosto de 2016 interpolado por krigagem ordinária.
NÍVEIS MÉDIOS
Os níveis médios mais prováveis amostrados das funções de densidade de probabilidade
foram calculados a partir da simulação de 1000 realizações do modelo PIRFICT (Figura 47).
84
Figura 47: Mapa de níveis médios simulados de alturas do lençol freático interpolado por
krigagem ordinária.
Os mapas de nível médio mostraram padrões de níveis extremamente superficiais na

cabeceira da Bacia do Guarantã, na cabeceira e confluência dos canais de primeira ordem
da Bacia do Bugre e na Bacia do Passarinho. Esses níveis superficiais na cabeceira da
Bacia do Guarantã contrastam com os tempos de resposta encontrados, deixando dúvidas
sobre a validade do mapa de níveis médios para aquela região. Na Bacia do Santana, os
níveis na cabeceira à esquerda foram mais superficiais que à direita. Na margem direita,
entre o divisor de águas das Bacias do Santana e Guarantã existe uma quebra de relevo,
com declives acentuados e níveis mais profundos. Isso foi verificado a campo e reproduzido
no mapa, respeitando os padrões encontrados.
Conforme apresentado em Manzione (2014), visualização dos resultados finais de

experimentos probabilísticos na forma de mapas pode aumentar e melhorar a compreensão
de métodos estocásticos, assim como sua inserção como rotina no planejamento territorial e
avaliação de bacias hidrográficas. Com o poder de análise que os estudos geográficos
possuem graças ao desenvolvimento e popularização do sensoriamento remoto e dos
sistemas de informação geográficas é possível avançar e contribuir mais efetivamente nos
85
planos de recursos hídricos em diversas escalas. Nourani et al. (2011) comentam que
problemas na interpretação de dados originados pela falta de ferramentas preditivas
robustas, ou falta de experiência dos usuários com essas ferramentas, contribuem para o
fracasso em se alcançar um consenso sobre a carência por ações estratégicas na gestão
dos recursos hídricos.
5. 3. 3 Validação cruzada
No procedimento de validação cruzada, retirou-se o valor amostrado em determinado ponto
e obteve-se a estimativa do mesmo por krigagem ordinária, usando os valores dos pontos
vizinhos. Considerou-se como melhor estimativa aquela que apresenta média padronizada
(MS - Mean Standardized) próxima de zero, o menor valor possível da raiz da média
quadrática (RMS - Root-Mean-Square), a média do desvio padrão (ASE - Average Standard
Error) próxima da média padronizada e o valor da raiz da média quadrática padronizada
(RMSS - Root-Mean-Square Standardized) próximo de 1. O RMSS fornece uma medida da
acurácia dos valores interpolados, que quando abaixo de 1 está subestimando e quando
acima está superestimando os valores interpolados (JOHNSTON et al., 2001). A Tabela 11
apresenta os resultados da validação cruzada.
Tabela 11: Validação cruzada para interpolação do tempo de resposta (A), tendência (PTL) e
níveis médios (NM) calculados a partir do modelo PIRFICT.
Variável ME RMS MS RMSS ASE
A -6,420 103,56 -0,0330 0,97 101,92
PTL 0,006 0,42 -0,0005 0,96 0,42
NM -0,020 0,45 0,0042 0,85 0,58
ME = erro médio; RMS = raiz da média quadrática; MS = média
padronizada; RMSS = raiz da média quadrática padronizada;
ASE = média do desvio padrão
Os valores da MS foram próximos a zero, com pior resultado para o parâmetro A. As ASE
foram próximas aos valores da RMS. Os valores da RMSS foram todos abaixo de 1,
denotando a subestimação dos dados. Isso se deve ao efeito de suavização do interpolador
por krigagem ordinária, que honra o valor da média, mas acaba apresentando erros nos
valores mais extremos da distribuição normal dos dados (YAMAMOTO; LAMDIM, 2016).
As Figuras 48 a 50 os resultados gráficos da validação cruzada. As figuras da esquerda

mostram a relação entre os valores preditos e os valores estimados, sendo uma simetria
perfeita a linha diagonal. As figuras da direita mostram a distribuição dos erros
padronizados, que devem se aproximar de uma distribuição normal. Considera-se uma
distribuição normal os erros distribuídos também na diagonal do gráfico.
86
Figura 48: Valores preditos por krigagem ordinária vs. valores calculados do tempo de
resposta (esquerda) e gráfico de normalidade dos erros padronizados (direita).
A validação cruzada dos valores do Parâmetro A mostrou uma baixa congruência entre os
valores preditos e observados. A performance do interpolador foi comprometida pelo baixo
número de amostras. Os erros padronizados se distribuíram normalmente. Isso mostra que
mesmo com um número reduzido de amostras o estimador por krigagem ordinária respeitou
a distribuição dos dados e funcionou como um BLUE (Best Linear Unbiased Estimator)
(ISAAKS; SRIVASTAVA, 1989).
87
Figura 49: Valores preditos por krigagem ordinária vs. valores calculados de tendências de
elevação (esquerda) e gráfico de normalidade dos erros padronizados (direita).
Para PTL, a linha de ajuste dos dados no gráfico dos valores preditos versus observados foi
mais próxima da diagonal, denotando um melhor resultado. Os erros padronizados também
apresentaram-se tendendo a normalidade.
88
Figura 50: Valores preditos por krigagem ordinária vs. valores calculados de nível freático
médio (esquerda) e gráfico de normalidade dos erros padronizados (direita).
Por fim, a validação cruzada para valores preditos e simulados de NM mostrou uma melhor
congruência entre os resultados se comparados aos casos anteriores. O número de
amostras fez a diferença no procedimento, melhorando o ajuste da reta aos dados. Apesar
disso, foi o resultado que apresentou valor da raiz da média quadrática padronizada (RMSS)
mais distante de 1. Para uma melhor estimativa dessas características recomenda-se um
número maior de amostras e/ou o uso de variáveis auxiliares na estimativa (MANZIONE et
al.; 2010)
6. CONCLUSÕES
A partir das análises conduzidas nesse estudo pode-se demonstrar a aplicabilidade de

modelos de séries temporais com diferentes formulações conceituais à dados de
monitoramento de nível freático sob os efeitos da sazonalidade e anomalias climáticas. Os
resultados finais foram apresentados na forma de mapas, revelando padrões espaciais das
89
características das águas subterrâneas na EEcSB. As principais conclusões reunidas a

partir do monitoramento agrohidrometeorológico realizado entre setembro de 2014 e agosto
de 2016 foram:
- As séries temporais de monitoramento freático apresentaram um padrão
autoregressivo de baixa ordem, com momentos mais correlacionas em alguns
poucos meses (0 a 2) e depois se perdendo no tempo;
- As séries climatológicas apresentaram um claro padrão sazonal, integrando padrões
autoregressivo e de média móvel, variando em janelas de 5 a 6 meses;
- As séries climatológicas de precipitação foram consideradas equivalentes,
apresentando boas correlações entre elas, mesmo coletadas de forma e em locais
diferentes;
- O modelo autoregressivo HARTT foi eficiente ao procurar explicar a defasagem entre
eventos de precipitação e oscilações dos níveis freáticos, revelando atrasos de 1 a 2
meses, ou mesmo respostas instantâneas;
- O modelo de função de transferência de ruído em tempo contínuo PIRIFICT
apresentou bons ajustes, principalmente ao utilizar séries climatológicas diárias;
- A identificação de sistema utilizando o modelo de função de transferência de ruído
em tempo contínuo PIRIFICT revelou sistemas com uma curta memória, rápida
resposta e com forte influência sazonal, principalmente da precipitação;
- Ambos modelos revelaram padrões de elevação dos níveis no período de
monitoramento;
- A simulação dos níveis a partir de séries mais longas de precipitação possibilitou o
cálculo de estatísticas sobre os níveis das águas subterrâneas na EEcSB;
- A análise espacial utilizando técnicas geoestatísticas revelou um padrão espacial dos
parâmetros e características escolhias para mapeamento; e
- O fenômeno de oscilação dos níveis freáticos apresentou-se gradual na área da
EEcSB, variando suavemente no espaço, sem mudanças abruptas.
7. CONSIDERAÇÕES FINAIS E TRABALHOS FUTUROS
A análise de séries temporais associada a análise espacial de dados geográficos permite

acessar as dimensões temporais espacial da variabilidade do fenômeno em estudo.
Entretanto, a variabilidade é acessada de maneira separada: primeiro o tempo e depois o
espaço ou vice-versa. A variação conjunta no espaço-temporal (ST) necessita de métodos
que integrem ambas as dimensões no mesmo modelo de dados para que possa ser
completamente explorada. Cressie e Wikle (2011) definem o espaço-tempo como a próxima
fronteira na análise estatística de dados. Para os autores, a causalidade é o “santo graal” da
90
ciência, buscando inferir sobre relações de causa e efeito, ou o “porquê” das coisas. Esse
pensamento é seguido pelo “quando”, já que uma causa sempre precede seu efeito.
Continuando nessa linha, definir “onde” as coisas acontecem denota o caráter histórico e
geográfico do evento. Para que uma boa resposta do “porquê” seja encontrada, ela deve ser
acompanhada do “quando” e do “onde”, e para isso dados espaço-temporais são
necessários. Incorporar a dimensão temporal e espaciais dentro de um mesmo modelo de
variabilidade continua sendo um desafio para os geocientistas uma vez que as variações
não ocorrem na mesma escala. Enquanto no espaço lida-se com metros, quilômetros
(métricas de distância), no tempo lida-se com dias, meses, anos, décadas (intervalos
temporais).
Segundo Kyriakidis e Journel (1999), existem dois principais pontos de vista conceituais
para a modelagem de distribuições espaço-temporal através de ferramentas da estatística
espacial estendida para incluir a dimensão de tempo:
- O primeiro deles considera apenas um único modelo para a função aleatória (FA)
Z(u, t), que é tipicamente decomposto em um componente de tendência que modela
uma “média” de suavização da variabilidade do processo espaço-temporal Z(u, t) e
um componente residual estacionário de maior frequência de flutuação relacionado
àquela tendência, tanto no espaço quanto no tempo.
- O segundo ponto de vista considera múltiplos vetores de FA ou vectores de séries

temporais (TS). Modelos de vetores de FA, o espaço-tempo da FA Z(u, t) como uma
coleção de um número finito T de espaço temporalmente correlacionado FA Z(u). Ao
passo que, modelos de TS visualizam a FA Z(u, t) como uma coleção de um número
finito de N espacialmente correlacionado TS Z(t).
Essas duas abordagens ainda dominam o campo da modelagem ST geoestatística.

Recentes avanços na implementação de métodos capazes de tratar essas informações
conforme a primeira abordagem, modelando conjuntamente as estruturas de dependência
temporal e espacial, permitindo que diversos fenômenos naturais passassem a ser
analisados sob uma nova ótica e interpretados sob um novo paradigma (PEBESMA;
GRÄLER, 2016). A segunda abordagem é mais restritiva pois só é possível se o número de
instantes temporais for pequeno, uma vez que o número de variogramas cruzados a serem
modelados é igual ao número de pares de instantes no tempo. Além disso, a estimação de
múltiplos vetores de FA ou vetores de TS é resolvido via sistema de cokrigagem,
interpolando somente os instantes no tempo em questão, e não entre esses instantes ou
mesmo após esses instantes (PEBESMA et al., 2005; MANZIONE et al., 2007).
91
Segundo De Cesare et al. (2001), um grande número de fenômenos ambientais pode ser
considerado como realizações de campos aleatórios ST’s. Neste sentido, a geoestatísticas
oferece uma variedade de métodos para modelo de dados espaciais. Entretanto, a aplicação
de tais abordagens orientadas para o espaço em processos espaço-temporais, pode
conduzir à perda de informações valiosas na dimensão temporal. De acordo com os autores,
uma solução para este problema é considerar o fenômeno espaço-temporal como uma
realização de um campo aleatório definido como 𝑅𝑑+1 (isto é, 𝑑 é a dimensão do espaço
físico somada a uma dimensão temporal). Essa abordagem exige a extensão das técnicas
espaciais existentes para o domínio do espaço-tempo. Apesar da aparência simples desta
extensão, há uma série de problemas teóricos e práticos que devem ser abordadas antes de
qualquer aplicação bem sucedida de métodos estatísticos para dados de espaço-tempo.
Montero et al. (2015) e Heuvelink et al. (2016) descrevem uma série de modelos teóricos de
covariância: separáveis, não separáveis, métricos, soma-produto, entre outros.
A forma como os dados da EEcSB estão sendo coletados permite o teste e posterior
utilização desse tipo de abordagem geoestatística. Para isso é fundamental que o
monitoramento seja continuado, de forma a garantir uma série de dados suficiente para
aplicação dessas metodologias. Atualmente, a EEcSB já conta com 62 poços de
monitoramento, devido a expansões e melhorias da rede utilizada nesse estudo e
recuperação de outros poços. Espera-se dar continuidade a esses estudos com a coleta de
mais dados. Pebesma e Gräler (2016) recomendam esse tipo de abordagem para dados
coletados extensivamente no tempo e suficientemente coletados no espaço para uma
caracterização ST consistente dos dados e posterior interpolação.
A interpolação ST permite previsões entre intervalos de tempo e pode fornecer previsões

mais precisas do que a interpolação espacial, uma vez que observações feitas em outros
instantes podem ser incluídas no processo (GRÄLER et al., 2016). A abordagem de
modelagem da krigagem ST é idêntica para todos os modelos de covariância. No entanto,
conforme complexidade/flexibilidade e o número de parâmetros aumentam, a estimativa
numérica se torna mais pesada. Os valores de partida podem, na maioria dos casos, são
lidos a partir do variograma amostral. Os parâmetros dos variogramas espacial e temporal
podem ser avaliados a partir da superfície espaço-temporal que fixa a contrapartida em 0.
Atualmente, as rotinas de ajuste implementadas no pacote gstat do software R (www.r-
project.org) baseiam-se na diferença entre o modelo e o variograma amostral. Por padrão,
todos os valores são associados o mesmo peso, mas outras opções estão disponíveis,
permitindo diferentes esquemas de ponderação com base no número de pares, nas
distâncias espaciais, temporais e espaço-temporais ou no valor do variograma. Assim,
92
dependendo do tamanho da vizinhança para a interpolação, isto pode ser útil para restringir
as distâncias espaciais e temporais e para introduzir um ponto de corte. Garante, desta
forma, que o modelo esteja ajustado às diferenças no espaço e no tempo efetivamente
utilizadas na interpolação, reduzindo o risco do modelo de variograma se ajustar a
distâncias não utilizadas para a previsão.
REFERÊNCIAS BIBLIOGRÁFICAS
ABRAMOWITZ, M.; STEGUN, I. A. Handbook of mathematical functions. New York:

Dover Publications Inc, 1965. 1046 p.
ALI, R., EMELYANOVA, I.; DAWES, W.; HODGSON, G.; MCFARLANE, D.J.; VARMA, S.;
TURNER, J. Groundwater methods used in the South-west western Australia
sustainable Yields Project. A report to the Australian Government from the CSIRO South-
west Western Australia Sustainable Yields Project. CSIRO Water for Healthy Country
National Research Flagship, 2010. 116 p.
ALLEN, R. G.; PEREIRA, L. S.; RAES, D.; SMITH, M. Crop evapotranspiration: guidelines
for computing crop water requirements. Rome: FAO, 1998. 300 p. (FAO. Irrigation and
Drainage Paper, 56).
BATISTA, J. A. N; SHULTZ, H. E.; WENDLAND, E. Modelagem matemática do

escoamento em aquíferos. São Paulo: Editora Biblioteca 24 horas, 2012. 290 p.
BIERKENS, M. F. P.; M. KNOTTERS, M.; HOOGLAND, T. Space-time modeling of water

table depth using a regionalized time series model and the Kalman filter. Water Resources
Research, v. 37, p. 1277-1290, 2000. doi: 10.1029/2000WR900353
BOUCNEAU, G.; VAN MEIRVENNE, M.; DESMET, J.; HOFMAN, G. A methodology to

evaluate the reliability of the Belgian soil map for predicting the actual water table
characteristics. Geoderma, v. 69, p. 193-207, 1996. doi: 10.1016/0016-7061(95)00057-7
BODO, B. A.; UNNY, T. E. On the outputs of the stochsticized Nash-Dooge linear reservoir
cascade. In: MACNEILL, I. B.; UMPHREY, G. J. (Eds.). Stochastic hydrology. Dordretch:
D. Reidel Publishing Company, 1987. p. 131-147.
BONGIOVANNI, S. Caracterização geológica do município de Assis: a importância do

estudo das coberturas cenozóicas. 2008. 218 p. Tese (Doutorado em Geologia Regional)
Instituto de Geociências e Ciências Exatas, Universidade Estadual Paulista, Rio Claro, 2008.
93
BOX, G. E. P.; JENKINS, G. M. Time series analysis: forecasting and control. 2.ed. San
Francisco: Holden-Day, 1976. 575 p.
CAMARGO, A. P. Contribuição para determinação da evapotranspiração potencial no Estado

de São Paulo. Bragantia, v. 21, p. 163-213, 1962.
CBH-MP (Comitê de Bacia Hidrográfica do Médio Paranapanema). Plano de bacia da

unidade de gerenciamento de recursos hídricos do Médio Paranapanema (UGRHI-17)
– Caderno Síntese. Marília: Comitê de Bacia Hidrográfica do Médio Paranapanema, 2007.
44 p.
CBH-MP (Comitê de Bacia Hidrográfica do Médio Paranapanema). As águas do aqüífero

Bauru no Médio Paranapanema. Marília: Comitê de Bacia Hidrográfica do Médio
Paranapanema, 2010. 20 p.
CBH-MP (Comitê de Bacia Hidrográfica do Médio Paranapanema). Caracterização da

UGRHI-17. Disponível em: <http://www.paranapanema.org/index.php?option=com_content&
view=article&id=52&Itemid=72 >. Acesso em: 03 de mar. 2011.
CEPAGRI (Centro de Pesquisas Meteorológicas e Climáticas Aplicadas a Agricultura). Clima

dos Municípios Paulistas. Disponível em: <http://www.cpa.unicamp.br/outras-
informacoes/clima-dos-municipios-paulistas.html>. Acesso em: 16 mar. 2016.
CETESB (Companhia de Tecnologia de Saneamento Ambiental). Uso das águas

subterrâneas para abastecimento público no Estado de São Paulo. São Paulo:
CETESB, 1997. 48 p.
COELHO, C. A. S.; CARDOSO, D. H. F.; FIRPO, M. A. F. Precipitation diagnostics of an

exceptionally dry event in São Paulo, Brazil. Theoretical and Applied Climatology, v. 125,
p. 769-784, 2016. doi: 10.1007/s00704-015-1540-9
COWPERTWAIT, P. S. P.; METCALFE, A. V. Introductory time series with R. New York:

Springer, 2009. 254 p.
CPRM (Serviço Geológico do Brasil) Domínio Geológico Litoestratográfico do Estado de

São Paulo. São Paulo, 2006. Escala 1:750.000
CPTI - Cooperativa de Serviços, Pesquisas Tecnológicas e Industriais. Diagnóstico da

situação dos Recursos Hídricos da UGRH 17 – Médio – Paranapanema: Relatório Zero.
São Paulo, 1999. 1 CD-ROM.
94
CRESSIE, N.; HOLAN, S. H. Editorial: Special issue on time series in the environmental
sciences. Journal of Time Series Analysis, v. 32, p. 337-338, 2011. doi: 10.1111/j.1467-
9892.2011.00739.x
CRESSIE, N.; WIKLE, C. K. Statistics for spatio-temporal data. Hoboken: John Wiley &
Sons, 2011. 588 p.
DAEE (Departamento de Águas e Energia Elétrica); IG (Instituto Geológico); IPT (Instituto de

Pesquisas Tecnológicas); CPRM (Serviço Geológico do Brasil). Mapa de águas
subterrâneas do Estado de São Paulo escala: 1:1.000.000: nota explicativa. São Paulo:
Conselho Estadual de Recursos Hídricos, 2005.
DAGAN, G. An overview of stochastic modeling of groundwater flow and transport: from

theory to application. EOS (Transactions American Geophysical Union), v. 83, p. 621-625,
2002. doi: 10.1029/2002EO000421
DE CESARE, L.; MEYERS, D. E.; POSA, D. Estimating and modeling spacetime correlation
structures. Statistics & Probability Letters, v. 51, p. 9-14, 2001. doi: 10.1016/S0167-
7152(00)00131-0.
DE GRUIJTER, J. J.; BRUS, D. J.; BIERKENS, M. F. P.; KNOTTERS, M. Sampling for

natural resources monitoring. Berlin: Springer-Verlag, 2006. 332 p.
EMBRAPA (EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA). Manual de

métodos de análises de solo. 2. ed. Rio de Janeiro: Ministério da Agricultura e do
Abastecimento, 1997. 212 p.
EMBRAPA (EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA). Sistema brasileiro

de classificação de solos. 2. ed. Rio de Janeiro: Ministério da Agricultura e do
Abastecimento, 2006. 306 p.
FEDDES, R. A., KABAT, P.; VAN BAKEL, P. J. T.; BRONSWIJK, J. J. B.; HALBERTSMA, J.
Modelling soil water dynamics in the unsaturated zone: state of the art. Journal of
Hydrology, v. 100, p. 69-111, 1988. doi: 10.1016/0022-1694(88)90182-5
FERDOWSIAN, R.; PANNELL, D. J. Explaining trends in groundwater depths: distinguishing

between atypical rainfall events, time trends, and the impacts of treatments. In: MODSIM
2001 Congress Proceedings, Canberra, 2001. p. 549-554 (Modelling and Simulation
Society of Australia and New Zealand INC).
95
FERDOWSIAN, R.; PANNELL, D. J.; MCCARRON, C.; RYDER, A. ; CROSSING, L.

Explaining Groundwater Hydrographs: Separating Atypical Rainfall Events from Time Trends.
Australian Journal of Soil Research, v. 39, p. 861-875, 2001. doi: 10.1071/SR00037
FERDOWSIAN, R.; MAJIDI, R.; MCCARRON, C. HARTT: User-friendly software for

hydrograph analysis to separate rainfall and time trend. In: 27th Hydrology and Water
Resources Symposium Proceedings, Melbourne, 2002. CD-Rom.
FETTER, C. W. Aplied hidrogeology. New Jersey: Prentice-Hall, 2001. 598 p.
FIESP (Federação das Indústrias do Estado de São Paulo). Orientações para a utilização
de Águas subterrâneas no Estado de São Paulo, 2005. 40 p.
GARDINER, C. W. Handbook of stochastic methods: for physics, chemistry and the

natural sciences. 3. ed. Springer series in Synergetics, v. 13. New York: Springer, 2004. 415
p.
GRÄLER, B.; PEBESMA, E. J.; HEUVELINK, G. M. B. Spatio-Temporal Geostatistics

using gstat. IFGI: Institute for Geoinformatics University of Münster. Disponível em:
<https://cran.r-project.org/web/packages/gstat/vignettes/spatio-temporal-kriging.pdf>. Acesso
em: 02 de set. 2016.
GROOTJANS, A. P. Changes of groundwater regime in wet meadows. PhD thesis,

University of Groningen, Groningen, 1985.
HATCH, C. E.; FISHER, A. T.; REVENAUGH, J. S.; CONSTANTZ, J.; RUEHL, C. Quantifying
surface water–groundwater interactions using time series analysis of streambed thermal
records: Method development. Water Resources Research, v. 42, W10410, 2006.
doi: 10.1029/2005WR004787
HEUVELINK, G. B. M.; PEBESMA, E. J. Spatial aggregation and soil process modelling.

Geoderma, v. 89, p.47-65, 1999. doi: 10.1016/S0016-7061(98)00077-9
HEUVELINK, G. M. B.; PEBESMA, E. J.; GRÄLER, B. Space-time geostatistics. In:

SHEKHAR, S.; XIONG, H. (Eds) Encyclopedia of GIS. Berlin: Springer, 2016. p. 1-7. doi:
10.1007/978-3-319-23519-6_1647-1
HIPEL, K. W.; MCLEOD, A. I. Time series modelling of water resources and

environmental systems. Amsterdam: Elsevier, 1994. 1013 p.
96
HOCKING, M.; KELLY, B. F. J. Groundwater recharge and time lag measurement through
Vertosols using impulse response functions. Journal of Hydrology, v. 535, p. 22-35, 2016.
doi: 10.1016/j.jhydrol.2016.01.042
HOFFMANN, W. A.; JACKSON, R. B. Vegetation-climate feedbacks in the conversion of

tropical savanna to grassland. Journal of Climate, v. 13, p. 1593-1602, 2000. doi;
10.1175/1520-0442(2000)013<1593:VCFITC>2.0.CO;2
HONDA, E. A.; NIZOLI, E. C. Caracterização das águas da Estação Ecológica de Águas

De Santa Bárbara. Relatório Técnico. São Paulo: Instituto Florestal, 2005. 41 p.
ISSAKS, E. H.; SRIVASTAVA, M. An introduction to applied geoestatistics. New York:

Oxford University Press, 1989. 560 p.
IRITANI, M. A.; EZAKI, S. As águas subterrâneas do Estado de São Paulo. São Paulo:
Secretaria do Estado do Meio Ambiente – SMA, 2008. 104 p.
IPT (Instituto de Pesquisas Tecnológicas do Estado de São Paulo). Mapa geológico do

Estado de São Paulo. São Paulo, 1981. Escala 1:500,000.
JOHNSTON, K.; KRIVORUCHKO, K.; LUCAS, N.; VER HOEF, J. M. Using ArcGIS
geostatistical analyst. Redlands: Esri, 2001. 300 p.
JOURNEL, A. G.; HUIJBREGTS, C. J. Mining geostatistics. London: Academic Press,

1978. 600 p.
KARAMOUZ, M.; NAZIF, S.; FALAHI, M. Hydrology and hydroclimatology: principles and
applications. Boca Raton: CRC Press, 2013. 716 p.
KYRIAKIDIS, P. C.; JOURNEL, A. G. Geostatistical Space–Time Models: A Review. In:

Mathematical Geology, v. 31, p. 651-684, 1999. doi: 10.1023/A:1007528426688
KNOTTERS, M. Regionalised time series models for water table depths. Thesis (PhD in
Hydrology) - Wageningen University (WUR), Wageningen, 2001.
KNOTTERS, M. Analysis of hydrological time series: an introduction into discrete

linear process. Wageningen: [s.n.], 2004. 25 p.
KNOTTERS, M.; BIERKENS, M. F. P. Physical basis of time series models for water table
depths. Water Resources Research, v. 36, p. 181-188, 2000. doi: 10.1029/1999WR900288
97
KNOTTERS, M.; BIERKENS, M. F. P. Predicting water table depths in space and time using
a regionalised time series model. Geoderma, v. 103, p. 51-77, 2001. doi: 10.1016/S0016-
7061(01)00069-6
LJUNG, L. System identification: Theory for users. 2. Ed. Upper Saddle River: Prentice
hall, 1999. 672 p.
MANOEL FILHO, J. Água subterrânea: História e importância. In: FEITOSA, F. A. C.;

MANOEL FILHO, J.; FEITOSA, E. C.; DEMETRIO, J. G. (Eds.) Hidrogeologia: conceitos e
aplicações. Rio de Janeiro: CPRM/LABHID, 2008. p. 3-12.
MANZIONE, R. L.; DRUCK, S.; CAMARA, G. MONTEIRO, A. M. V. Modelagens de

incertezas na análise espaço-temporal dos níveis freáticos em uma bacia hidrográfica.
Pesquisa agropecuária brasileira, v.42, p. 25-34, 2007. doi: 10.1590/S0100-
204X2007000100004
MANZIONE, R. L. Regionalized spatio-temporal modeling of water table depths in the

Brazilian Cerrado. 2007. 141 p. Tese (Doutorado em Sensoriamento Remoto) - Instituto
Nacional de Pesquisas Espaciais (INPE), São José dos Campos, 2007.
MANZIONE, R. L.; MARCUZZO, F. F. N.; WENDLAND, E. C. Séries de evapotranspiração

potencial para estimativas de níveis freáticos em área de recarga do Aquífero Guarani. In:
Congresso Brasileiro de Agrometeorologia, 16, 2009, Belo Horizonte. Mudanças climáticas,
recursos hídricos e energia para uma agricultura sustentável. Belo Horizonte:
Sociedade Brasileira de Agrometeorologia, 2009. p. 40.
MANZIONE, R.L., KNOTTERS, M., HEUVELINK, G.M.B., VON ASMUTH, J.R., CÂMARA,
G., 2010. Transfer function-noise modeling and spatial interpolation to evaluate the risk of
extreme (shallow) water-table levels in the Brazilian Cerrados. Hydrogeology Journal, v.
18, p. 1927-1937, 2010. doi: 10.1007/s10040-010-0654-5
MANZIONE, R. L.; WENDLAND, E. Sources of uncertainty in spatio-temporal modeling of

water-table monitoring data. In: Proceedings of ACCURACY 2012, Florianopolis: ISARA
(International Spatial Accuracy Research Association), v. 1, 2012. p. 456-460.
MANZIONE, R. L., WENDLAND, E.; TANIKAWA, D. H. Stochastic simulation of time-series

models combined with geostatistics to predict water-table scenarios in a Guarani Aquifer
System outcrop area, Brazil. Hydrogeology Journal, v. 20, p. 1239-1249, 2012. doi:
10.1007/s10040-012-0885-8
98
MANZIONE, R. L. Incorporação de incertezas associadas à predições de modelos

hidrológicos aos instrumentos de gestão em recursos hídricos. Caderno Prudentino de
Geografia, v. 36, p. 215-227, 2014.
MANZIONE, R. L., WENDLAND, E. SOLDERA, B. C. Groundwater system response at sites

with different agricultural land uses: case of the Guarani Aquifer outcrop area, Brotas/SP-
Brazil. Hydrological Sciences Journal, p. 1-8, 2016. doi: 10.1080/02626667.2016.1154148
MCDONALD M. G.; HARBAUGH, A. W. The History of MODFLOW. Ground Water, v. 41, p.

280-283, 2003. doi: 10.1111/j.1745-6584.2003.tb02591.x
MEAULO, F. Vulnerabilidade natural à poluição dos recursos hídricos subterrâneos da

área de Araraquara (SP). 2004. 108 p. Dissertação (Mestrado em Geociências e Meio
Ambiente) - Instituto de Geociências e Ciências Exatas, Universidade Estadual Paulista, Rio
Claro, 2004.
MELO, A. C. G.; DURIGAN, G. Plano de manejo da Estação Ecológica de Santa

Bárbara. São Paulo: Instituto Florestal, 2011. 222 p.
MELO, A.C. G.; DURIGAN, G. Plano de manejo da Estação Ecológica de Santa Bárbara
(Resumo Executivo). São Paulo: Instituto Florestal, 2009. 25 p.
MESTRINHO, S. S. P. Monitoramento em água subterrânea. In: FEITOSA, F. A. C.;

MANOEL FILHO, J.; FEITOSA, E. C.; DEMETRIO, J. G. A. Hidrogeologia: Conceitos e
aplicações. CPRM/LABHID, Rio de Janeiro, 2008. p. 673-686.
MONTERO, J.; FERNANDEZ-AVILÉS, G.; MATEU, J. Spatial and spatio-temporal

geostatistical modeling and kriging. Chichester: John Wiley & Sons, 2015. 357 p.
MOORE, J. E. Field Hydrogeology – A guide for site investigations and report preparation.
London/New York/Boca Raton: CRC Press, 2012. 190 p.
NASH, J. E. Determining runoff from rainfall. Proceedings of Institute of Civil Engineer, v.

10, p. 163-184, 1958. doi: 10.1680/iicep.1958.2025
NAVA, A; MANZIONE, R.L. Resposta de níveis freáticos do Sistema Aquífero Bauru

(Formação Adamantina) em função da precipitação e evapotranspiração sob diferentes usos
da terra. Águas Subterrâneas, v. 29, p. 191-201, 2015. doi: 10.14295/ras.v29i2.28402
NOURANI, V.; EJLALI, R. G.; ALAMI, M. T. Spatiotemporal groundwater level forecasting in

coastal aquifers by hybrid neural network-geostatistics model: a case study. Environmental
Engineering Science, v. 28, p. 217-228, 2011. doi: 10.1089/ees.2010.0174
99
OBERGFELL, C., BAKKER, M., ZAADNOORDIJK W.J., MAAS K. Deriving hydrogeological

parameters through time series analysis of groundwater head fluctuations around well fields.
Hydrogeology Journal, v. 21, p. 987-999, 2013. doi: 10.1007/s10040-013-0973-4
OLIVEIRA, J. B.; CAMARGO, M. N.; ROSSI, M.; CALDERANO FILHO, B. Mapa Pedológico
do Estado de São Paulo.1:500,000. Campinas: IAC/FAPESP, 1999.
ORGANIZATION OF AMERICAN STATES / GLOBAL ENVIRONMENT FACILITY

(OAS/GEF). Proyecto para la Protección Ambiental y Desarrollo Sostenible Integrado
del SAG. Montevideo, 2001. 133 p.
PEBESMA, E.; DUIN, R. N. M. Spatio-temporal mapping of sea floor sediment pollution in

the North Sea. In: RENARD, P.; FROIDEVAUX, R. (Eds). GeoENV V – Fifth European
Conference on Geostatistics for Enviromental Applications. Berlin: Springer, 2005. p.
365-378. doi: 10.1007/3-540-26535-X_31
PEBESMA, E. J.; GRÄLER, B. Introduction to Spatio-Temporal Variography. IFGI:

Institute for Geoinformatics University of Münster. Disponível em: <https://cran.r-
project.org/web/packages/gstat/vignettes/st.pdf>. Acesso em: 08 de mai. 2016.
PETERSON, T. J.; WESTERN, A. W. Nonlinear time-series modeling of unconfined

groundwater head. Water Resources Research, v. 50, p. 8830-8355, 2014.
doi: 10.1002/2013WR014800
PRICE, E. P.; GOODWILL, P.; YOUNG, P. C.; ROWAN, J. S. A data-based mechanistic

modelling (DBM) approach to understanding dynamic sediment transmission through
Wyresdale Park reservoir, Lancashire, UK. Hydrological Process, v.14, p. 63-78, 2000. doi:
10.1002/(SICI)1099-1085(200001)14:1<63::AID-HYP910>3.0.CO;2-H
RENARD, P. Stochastic Hydrogeology: What Professionals Really Need? Ground water, v.

45, p. 531-541, 2007. doi: 10.1111/j.1745-6584.2007.00340.x
ROSA, D. R. M. Evolução das instituições florestais estaduais do estado de São Paulo.

36 p. 2006. Trabalho de Conclusão do Curso (Graduação em Engenharia Florestal) –
Instituto de Florestas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2006.
ROSS, J. L. S.; MOROZ, I. C. Mapa geomorfológico do Estado de São Paulo. Revista do

Departamento de Geografia, v. 10, p. 41-56, 1996. doi: 10.7154/RDG.1996.0010.0004
RUBIN, Y. Applied stochastic hydrogeology. New York: Oxford University Press, 2003.
391 p.
100
RUBIN, Y. Stochastic hydrogeology: challenges and misconceptions. Stochastic

Environment Research and Risk Assessment, v. 18, p. 280-281, 2004. doi:
10.1007/s00477-004-0193-5
SALAS, J. D.; PIELKE SR., R. A. Stochastic characteristics and modelling of hydroclimatic

processes. In: POTER, T. D.; COLMAN, B. R. (Eds.) Handbook of weather, climate and
water: atmospheric chemistry, hydrology and social impacts. New York: John Wiley & Sons,
2003. p. 587-605.
SANTAROSA, L. V. Mapeamento de níveis freáticos do Sistema Aquífero Bauru (SAB)

em área de proteção ambiental em Águas de Santa Bárbara/SP durante o ano
hidrológico 2014/15. 124 p. 2016. Dissertação (Mestrado em Agronomia – Irrigação e
Drenagem) – Faculdade de Ciências Agronômicas, Universidade Estadual Paulista,
Botucatu, 2016.
SHAPOORI, V.; PETERSON, T. J.; WESTERN, A. W.; COSTELLOE, J. F. Decomposing

groundwater head variations into meteorological amd pumping components: a synthetic
study. Hydrogeology Journal, v. 23, p. 1431-1448, 2015. doi: 10.1007/s10040-015-1269-7
SILVA, F. DE P. E. Geologia de subsuperfície e hidroestratigrafia do grupo Bauru no

Estado de São Paulo. 166 p. 2003. Tese (Doutorado em Geociências) – Instituto de
Geociências e Ciências Exatas, Universidade Estadual Paulista, Rio Claro, 2003.
SILVA, F. DE P. E; HUNG KIANG, C.; CAETANO-CHANG, M. R. Hidroestratigrafia do Grupo

Bauru (K) no Estado de São Paulo. Águas Subterrâneas, v. 19, p. 19-36, 2005. doi:
10.14295/ras.v19i2.8225
SILVA, R. C. F. da Oscilação dos níveis freáticos do Sistema Aquífero Bauru (SAB) em

região de Cerrado no período de 2010-2015. 56 p. 2015. Dissertação (Mestrado em
Agronomia – Irrigação e Drenagem) – Faculdade de Ciências Agronômicas, Universidade
Estadual Paulista, Botucatu, 2015.
SOLDERA, B. C.; MANZIONE, R. L. Modelagem de níveis freáticos no Sistema Aquífero

Bauru como ferramenta na gestão de recursos hídricos subterrâneos. Ciência geográfica,
v. 16, p. 54-61, 2012.
SUGUIO, K. Rochas sedimentares: propriedades, gênese e importância econômica. São

Paulo: Editora Edgard Blücher, 1980. 500 p.
101
TANKERSLEY, C. D.; GRAHAM, W. D. Development of an optimal control system for

maintaining minimum groundwater levels. Water Resources Research, v. 30, p. 3171-3181,
1994. doi: 10.1029/94WR01790
THORNTHWAITE, C. W. An approach toward a rational classification of climate.

Geographical Review, v.38, p. 55-94, 1948.
TUCCI, C. E. M. Modelos hidrológicos. 2. ed. Porto Alegre: Associação Brasileira de

Recursos Hídricos / Editora da UFRGS, 2005. 678 p.
UHLENBECK, G. E.; ORNSTEIN, L. S. On the theory of Brownian motion. Physical Review,

v. 36, p. 823-841, 1930. doi: 10.1103/PhysRev.36.823
VAN DAM, J. C. Field-scale water flow and solute transport, SWAP model concepts,
parameter estimation, and case studies. PhD-thesis, Wageningen University,
Wageningen, 2000.
VAN DER SLUIJS, P.; DE GRUIJTER J. J. Water table classes: a method to describe
seasonal fluctuation and duration of water tables on Dutch soil maps. Agricultural Water
Management, v. 10, p. 109-125, 1985. doi: 10.1016/0378-3774(85)90001-0
VAN GEER, F. C.; ZUUR, A. F. An extension of Box-Jenkins transfer/noise models for spatial
interpolation of groundwater head series. Journal of Hydrology, v. 192, p. 65-80, 1997. doi:
10.1016/S0022-1694(96)03113-7
VAN HEESEN, H. C. Presentation of the seasonal fluctuation of the water-table on soil maps.
Geoderma, v. 4, p, 257-278, 1970. doi: 10.1016/0016-7061(70)90006-6
VON ASMUTH J. R. Groundwater system identification through time series analysis.

2012. 221 p. PhD Thesis. TU Delft, Delft, 2012.
VON ASMUTH, J. R.; MAAS, C. The method of impulse response moments: a new method
integrating time series, groundwater and eco-hydrological modelling. In: GEHERLS, J. C.;
PETERS, N. E.; HOEHN, E.; JENSEN, K.; LEIBUNDGUT, C.; GRIFFIOEN, J.; WEBB, B.;
ZAADNOORDIJK, W. J. (Eds.) Impact of human activity on groundwater dynamics.
Wallingford: IAHS Publication, 2001. p. 51-58.
VON ASMUTH, J. R.; BIERKENS, M. F. P.; MAAS, C. Transfer function noise modelling in
continuous time using predefined impulse response functions. Water Resources Research,
v. 38, p. 23.1-23.12, 2002. doi: 10.1029/2001WR001136
102
VON ASMUTH, J. R.; KNOTTERS, M. Characterising groundwater dynamics based on a

system identification approach. Journal of Hydrology, v. 296, p. 118-134, 2004. doi:
10.1016/j.jhydrol.2004.03.015
VON ASMUTH, J. R.; BIERKENS, M. F. P. Modelling irregularly spaced residual series as a

continuous stochastic process. Water Resources Research, v 41, p. W12404, 2005. doi:
10.1029/2004WR003726
VON ASMUTH, J. R.; MAAS, K.; BAKKER, M.; PETERSEN, J. Modeling time series of
ground water head fluctuation subjected to multiple stresses. Ground water, v. 46, p. 30-40,
2008. doi: 10.1111/j.1745-6584.2007.00382.x
VON ASMUTH J.R., MAAS, K., KNOTTERS, M., BIERKENS, M.F.P., BAKKER, M.,
OLSTHOORN, T.N., CIRKEL, D.G., LEUNK, I., SCHAARS, F., VON ASMUTH, D.C. Software
for hydrogeologic time series analysis, interfacing data with physical insight. Environmental
Modelling and Software, v. 38, p. 178-190, 2012. doi: 10.1016/j.envsoft.2012.06.003
WITTE, J. P. M.; KLIJN, F.; CLAESSEN, F. A. M.; GROEN, C. L. G.; VAN DER MEIJDEN, R.
A model to predict and assess the impacts of hydrologic changes on terrestrial ecosystems in
The Netherlands, and its use in a climate scenario. Wetland Ecology and Management, v.
2, p. 69-83, 1992. doi: 10.1007/BF00178137
YAMAMOTO, J. K. LANDIM, P. M. B. Geoestatística: conceitos e aplicações. São Paulo:

Oficina de Textos, 2013. 215 p.
YI, M.; LEE, K. Transfer function-noise modelling of irregularly observed groundwater heads
using precipitation data. Journal of Hydrology, v. 288, p. 272-287, 2003. doi:
10.1016/j.jhydrol.2003.10.020
YIHDEGO, Y.; WEBB, J. A. Modeling of bore hydrographs to determine the impact of climate
and land-use change in a temperate subhumid region of southeastern Australia.
Hydrogelogy Journal, v. 19, p. 877-887, 2011. doi: 10.1007/s10040-011-0726-1
YOUNG, P. C.; BEVEN, K. J. Data-based mechanistic modeling and the rainfall-flow non-
linearity. Environmometrics, v. 5, p. 335-365, 1994. doi: 10.1002/ env.3170050311
ZADEH, L. A. On the identification problem. IRE transactions on circuit theory, v. 3, p.

277-281, 1956. doi: 10.1109/TCT.1956.1086328
ZHANG, Y. K; ZHANG, D. Forum: The state of stochastic hydrology. Stochastic

Environment Research and Risk Assessment, v. 18, p. 265, 2004. doi: 10.1007/s00477-
004-0190-8
103
ZIEMER, R. E.; TRANTER, W. H.; FANNIN, D. R. Signals and systems: continuous and
discrete. Upper Saddle River: Prentice-Hall, 1998. 622 p.
104
ANEXOS
A. 1 Histogramas das distribuições de frequência das variáveis analisadas
Histogramas - Bacia do Ribeirão Guarantã

Normal
-4 -3 -2 -1 0
G1 G2 G3
20
10
0
G4 G5 G6
Frequência
20
10
0
G7 G8 G9
20
10
0
-4 -3 -2 -1 0 -4 -3 -2 -1 0
Figura A1-1: Histogramas das distribuições de frequência dos dados de monitoramento freático na
Bacia do Ribeirão do Guarantã entre setembro de 2014 e agosto de 2016.
Histogramas - Bacias do Ribeirão do Bugre e Ribeirão do Passarinho

Normal
-4.0 -3.2 -2.4 -1.6 -0.8 0.0 -4.0 -3.2 -2.4 -1.6 -0.8 0.0
B1 B2 B3 B4
40
20
0
B5 B6 B7 B8
Frequência
40
20
0
P1 P2 P3
40
20
0
-4.0 -3.2 -2.4 -1.6 -0.8 0.0 -4.0 -3.2 -2.4 -1.6 -0.8 0.0
Figura A1-2: Histogramas das distribuições de frequência dos dados de monitoramento freático nas
Bacias do Ribeirão do Bugre e Ribeirão do Passarinho entre setembro de 2014 e agosto de 2016.
105
Histogramas - Bacia do Ribeirão Santana

Normal
-4.8 -3.6 -2.4 -1.2 0.0 -4.8 -3.6 -2.4 -1.2 0.0
S2 S3 S4 S5
30
15
0
S6 S7 S8 S9
Frequência
30
15
0
S 10 S 11 S 12 S 13
30
15
0
-4.8 -3.6 -2.4 -1.2 0.0 -4.8 -3.6 -2.4 -1.2 0.0
Figura A1-3: Histogramas das distribuições de frequência dos dados de monitoramento freático na
Bacia do Ribeirão do Santana entre setembro de 2014 e agosto de 2016.
Histogramas - Poços do Instituto Florestal

Normal
-4 -3 -2 -1 0 -4 -3 -2 -1 0
BR1 BR2 BR3 BR4
80
40
0
BR5 P _A LTO P _M E DIO GP1
Frequência
80
40
0
GP2 GP3 GP4 GP5
80
40
0
-4 -3 -2 -1 0 -4 -3 -2 -1 0
Figura A1-4: Histogramas das distribuições de frequência dos dados de monitoramento freático
realizado pelo Instituto Florestal entre dezembro de 2010 e março de 2015.
106
Histograma dos níveis médios simulados

Normal
14
12
10
Frequência
0
-4 -3 -2 -1 0
metros
Figura A1-5: Histogramas das distribuições de frequência dos níveis médios simulados para os poços
de monitoramento da EEcSB.
Histograma dos níveis de tendência linear

Normal
6
Frequência
0
0.0 0.5 1.0 1.5 2.0
metros
Figura A1-6: Histogramas das distribuições de frequência dos níveis de tendência linear calculados
para os poços de monitoramento da EEcSB entre setembro de 2014 e agosto de 2016.
107
Histograma do tempo de resposta

Normal
4
Frequência
0
100 200 300 400 500 600
dias
Figura A1-7: Histogramas das distribuições de frequência dos tempos de resposta calculados para os
poços de monitoramento da EEcSB.
108
A. 2 Dados brutos mensais das séries climatológicas
Tabela A2-1: Precipitação observada na EEcSB entre janeiro de 1987 e agosto de 2016.
Ano Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Total
1987 0.0 0.0 0.0 16.0 213.0 212.0 12.0 20.0 97.0 141.0 247.0 187.0 1145.0
1988 167.0 146.0 260.0 101.0 145.0 72.0 0.0 0.0 72.0 210.0 167.0 187.0 1527.0
1989 374.0 186.0 195.0 44.0 49.0 48.0 98.0 65.0 98.0 63.0 0.0 242.0 1462.0
1990 254.0 107.0 133.0 49.0 62.0 14.0 84.0 63.0 62.0 109.0 40.0 133.0 1110.0
1991 204.0 226.0 305.0 156.0 34.0 98.0 44.0 10.0 78.0 118.0 30.0 315.0 1618.0
1992 84.0 155.0 304.0 184.0 126.0 8.0 12.0 38.0 166.0 236.0 205.0 131.0 1649.0
1993 247.0 364.0 120.0 86.0 122.0 94.0 20.0 94.0 173.0 50.0 164.0 102.0 1636.0
1994 308.0 169.0 146.0 132.0 68.0 78.0 6.0 0.0 0.0 82.0 191.0 186.0 1366.0
1995 224.0 293.0 170.0 156.0 52.0 42.0 68.0 9.0 108.0 131.0 96.0 144.0 1493.0
1996 248.0 168.0 280.0 88.0 54.0 22.0 8.0 32.0 183.0 141.0 107.0 280.0 1611.0
1997 546.0 203.0 82.0 33.0 238.0 52.0 28.0 12.0 104.0 169.0 239.0 120.0 1826.0
1998 55.0 339.0 393.0 53.0 148.0 24.0 32.0 87.0 140.0 178.0 40.0 300.0 1789.0
1999 302.0 369.0 92.0 113.0 30.0 76.0 44.0 0.0 82.0 64.0 4.0 122.0 1298.0
2000 227.0 272.0 166.0 4.0 21.0 0.0 52.0 71.0 134.0 48.0 141.0 289.0 1425.0
2001 213.0 160.0 166.0 18.0 150.0 59.0 35.0 59.0 100.0 110.0 114.0 381.0 1565.0
2002 248.0 199.0 62.0 17.0 145.0 7.0 41.0 108.0 53.0 60.0 145.0 175.0 1260.0
2003 302.0 205.0 68.0 150.0 80.0 0.0 24.0 39.0 25.0 152.0 174.0 324.0 1543.0
2004 322.0 161.0 113.0 154.0 157.0 35.0 105.0 0.0 22.0 182.0 103.0 246.0 1600.0
2005 464.0 30.0 123.0 94.0 114.0 70.0 32.0 67.0 110.0 223.0 90.0 199.0 1616.0
2006 249.0 254.0 117.0 53.0 0.0 19.0 28.0 10.0 98.0 87.0 82.0 238.0 1235.0
2007 398.0 147.0 191.0 29.0 30.0 28.0 213.0 0.0 2.0 90.0 138.0 270.0 1536.0
2008 189.0 199.0 117.0 157.0 92.0 46.0 0.0 101.0 62.0 119.0 126.0 93.0 1301.0
2009 414.0 60.0 86.0 54.0 124.0 64.0 186.0 107.0 242.0 164.0 268.0 317.0 2086.0
2010 445.0 157.0 96.0 109.0 56.0 20.0 67.0 0.0 74.0 104.0 78.0 273.0 1479.0
2011 365.0 260.0 92.0 148.0 20.0 70.0 19.0 30.0 0.0 308.0 104.0 150.0 1566.0
2012 249.0 171.0 102.0 162.0 85.0 306.0 20.0 0.0 111.0 168.0 109.0 252.0 1735.0
2013 309.0 228.0 308.0 164.0 180.0 197.0 62.0 0.0 85.0 99.0 81.0 154.0 1867.0
2014 271.0 117.0 167.0 111.0 125.0 0.0 56.0 20.0 135.0 11.0 92.0 286.6 1391.6
2015 105.0 164.0 198.0 94.0 112.0 0.0 98.0 30.0 166.0 123.0 342.0 220.0 1652.0
2016 306.0 168.0 94.0 0.0 137.0 170.0 0.0 68.0 - - - - 943.0*
* total parcial para 2016 até 31/08/2016
109
Tabela A2-2: Precipitação observada na Estação Meteorológica de Manduri/SP entre

setembro de 1992 e agosto de 2016.
1992 - - - - - - - - 202.4 207.5 136.4 129.5 675.8*
1993 123.7 397.3 73.0 72.1 135.4 76.7 17.3 63.6 168.9 61.7 151.2 221.6 1562.5
1994 241.2 78.6 169.0 157.1 41.0 36.2 45.0 0.0 14.7 104.6 172.2 309.2 1368.8
1995 327.9 232.9 142.6 106.6 53.1 30.7 111.0 3.7 110.2 170.8 57.1 147.0 1493.6
1996 282.0 321.4 269.3 79.7 19.0 17.2 9.9 24.1 236.1 173.7 85.6 265.7 1783.7
1997 454.0 112.5 69.9 89.6 80.0 167.5 19.2 41.1 87.7 118.3 419.8 135.9 1795.5
1998 137.7 260.3 329.1 110.2 115.5 25.4 5.9 81.2 137.0 193.7 16.1 243.9 1656.0
1999 310.5 151.7 183.5 75.9 45.6 89.9 44.0 6.3 124.2 48.0 20.0 61.9 1161.5
2000 188.7 188.4 148.5 2.6 25.7 19.5 50.5 97.5 154.2 20.7 239.1 245.8 1381.2
2001 261.7 299.7 159.6 37.5 119.1 86.1 34.1 60.1 66.5 138.1 94.9 198.7 1556.1
2002 311.8 148.3 82.0 1.2 178.0 6.8 25.7 101.5 88.0 83.1 151.0 177.8 1355.2
2003 312.7 108.5 110.1 100.6 69.9 39.5 35.1 36.6 157.4 103.5 159.5 177.0 1410.4
2004 369.3 125.5 50.0 129.2 120.8 54.7 87.5 0.0 6.3 204.6 86.7 332.9 1567.5
2005 451.9 31.7 153.3 90.7 121.6 47.8 32.5 13.2 110.1 293.0 38.0 128.1 1511.9
2006 181.6 183.4 170.3 65.7 1.4 14.8 33.4 14.0 117.8 82.3 56.9 220.8 1142.4
2007 300.7 166.6 170.2 46.4 45.0 22.2 190.3 2.5 12.8 135.6 103.6 230.8 1426.7
2008 240.8 216.5 64.1 199.4 72.0 59.9 1.5 128.3 71.5 122.6 113.4 32.1 1322.1
2009 501.2 138.0 24.5 103.9 95.1 60.6 213.8 62.0 188.7 192.9 233.6 237.2 2051.5
2010 392.0 70.1 237.0 90.2 54.6 33.9 45.8 5.9 45.3 127.4 73.9 160.2 1336.3
2011 221.9 143.6 128.6 93.0 13.9 47.5 27.8 54.8 6.1 212.5 88.7 95.5 1133.9
2012 201.8 127.1 64.7 131.0 64.9 289.7 34.2 0.3 64.8 125.5 78.5 218.6 1401.1
2013 209.6 258.9 249.7 156.1 98.6 180.0 52.0 1.8 87.0 133.3 113.6 46.5 1587.1
2014 116.9 46.5 197.9 43.9 83.7 3.7 50.7 14.1 172.0 26.9 119.5 134.5 1010.3
2015 117.5 164.1 119.2 65.9 81.1 15.1 127.3 25.7 183.7 125.9 251.1 77.4 1354.0
2016 210.5 67.5 122.9 57.0 155.9 88.4 11.1 121.2 - - - - 834.5**
*total parcial para 1992 a partir de 01/09/1992; ** total parcial para 2016 até 31/08/2016
Tabela A2-3: Precipitação observada na ECA instalada na EEcSB entre setembro de 2014 e
agosto de 2016.
2014 150.5 18.1 73.3 286.6 528.5*
2015 96.9 156.7 173.9 85.9 80.8 28.3 101.7 27.5 154.4 111.4 345.2 219.3 1582.0
2016 297.5 117.0 90.1 46.5 128.5 153.4 11.5 82.0 926.5**
110
Tabela A2-4: Evapotranspiração potencial observada na Estação Meteorológica de

Manduri/SP entre setembro de 1992 e agosto de 2016.
1992 - - - - - - - - 77.0 107.0 116.0 126.0 426*
1993 145.0 104.0 115.0 82.0 60.0 46.0 50.0 59.0 79.0 111.0 129.0 137.0 1117
1994 134.0 135.0 104.0 80.0 61.0 45.0 51.0 65.0 89.0 120.0 125.0 147.0 1156
1995 157.0 115.0 113.0 76.0 61.0 48.0 54.0 71.0 82.0 106.0 119.0 136.0 1138
1996 117.0 129.0 112.0 80.0 58.0 48.0 46.0 64.0 79.0 106.0 114.0 138.0 1091
1997 134.0 124.0 104.0 75.0 56.0 44.0 53.0 66.0 86.0 106.0 129.0 149.0 1126
1998 158.0 126.0 115.0 78.0 55.0 44.0 52.0 68.0 81.0 100.0 113.0 137.0 1127
1999 144.0 125.0 115.0 75.0 53.0 44.0 53.0 61.0 83.0 102.0 111.0 148.0 1114
2000 136.0 119.0 104.0 79.0 56.0 50.0 45.0 63.0 82.0 131.0 127.0 135.0 1127
2001 147.0 126.0 122.0 84.0 57.0 48.0 56.0 66.0 81.0 110.0 137.0 124.0 1158
2002 135.0 106.0 124.0 93.0 63.0 54.0 50.0 70.0 78.0 133.0 126.0 147.0 1179
2003 137.0 133.0 114.0 79.0 57.0 50.0 52.0 58.0 81.0 106.0 115.0 137.0 1119
2004 132.0 116.0 104.0 81.0 54.0 45.0 50.0 62.0 93.0 100.0 117.0 133.0 1087
2005 132.0 115.0 114.0 91.0 61.0 52.0 49.0 67.0 77.0 112.0 115.0 124.0 1109
2006 136.0 114.0 123.0 76.0 53.0 48.0 54.0 65.0 77.0 106.0 115.0 136.0 1103
2007 132.0 123.0 147.0 83.0 57.0 49.0 49.0 67.0 91.0 113.0 114.0 126.0 1151
2008 121.0 116.0 103.0 75.0 53.0 46.0 49.0 64.0 76.0 106.0 112.0 126.0 1047
2009 121.0 116.0 113.0 76.0 59.0 41.0 49.0 62.0 86.0 100.0 139.0 135.0 1097
2010 137.0 125.0 115.0 76.0 55.0 44.0 52.0 59.0 83.0 98.0 112.0 133.0 1089
2011 144.0 122.0 101.0 78.0 54.0 39.0 52.0 64.0 80.0 103.0 106.0 126.0 1069
2012 120.0 119.0 105.0 79.0 56.0 45.0 47.0 63.0 85.0 111.0 114.0 147.0 1091
2013 123.0 113.0 101.0 73.0 56.0 46.0 45.0 54.0 77.0 100.0 114.0 136.0 1038
2014 136.0 123.0 103.0 76.0 55.0 48.0 49.0 62.0 85.0 107.0 126.0 126.0 1096
2015 146.0 103.0 100.0 76.0 56.0 45.0 48.0 62.0 84.0 106.0 114.0 84.0 1024
2016 121.0 113.0 97.0 76.0 46.0 32.0 45.0 78.0 - - - - 608**
Tabela A2-5: Evapotranspiração potencial na ECA instalada na EEcSB entre setembro de

2014 e agosto de 2016.
2014 72.6 92.1 79.6 77.7 322.0*
2015 88.4 62.4 66.9 66.4 51.7 49.7 42.5 65.7 64.2 73.9 53.7 88.0 773.7
2016 153.5 172.6 160.5 177.6 95.0 79.1 83.0 82.6 1003.9**
111
A. 3 Funções de autocorrelação e autocorrelação parcial
Função de Autocorrelação (FAC) - G1 Função de Autocorrelação Parcial (FACP) - G1
1.0 1.0
0.8 0.8
0.6 0.6
Autocorrelação Parcial
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Figura A3-1: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço G1.
1.0 1.0
0.8 0.8
0.6 0.6
0.4 Autocorrelação Parcial 0.4

Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
112
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
113
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Função de Autocorrelação (FAC) - B1 Função de Autocorrelação Parcial (FACP) - B1
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Figura A3-10: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço B1.
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
114
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
115
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Função de Autocorrelação (FAC) - S2 Função de Autocorrelação Parcial (FACP) - S2
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Figura A3-18: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S2.
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
116
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
117
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
118
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Função de Autocorrelação (FAC) - P1 Função de Autocorrelação Parcial (FACP) - P1
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Figura A3-30: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço P1.
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
119
Função de Autocorrelação (FAC) - BR1 Função de Autocorrelação Parcial (FACP) - BR1
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Figura A3-33: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço BR1.
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
120
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Função de Autocorrelação (FAC) - P_ALTO Função de Autocorrelação Parcial (FACP) - P_ALTO
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Figura A3-38: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço P_alto.
Função de Autocorrelação (FAC) - P_MEDIO Função de Autocorrelação Parcial (FACP) - P_MEDIO
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Figura A3-39: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço
P_medio.
Função de Autocorrelação (FAC) - GP1 Função de Autocorrelação Parcial (FACP) - GP1
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Figura A3-40: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço GP1.
121
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
122
Função de Autocorrelação (FAC) - PREC_EEcSB Função de Autocorrelação Parcial (FACP) - PREC_EEcSB
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Lag Lag
Figura A3-45: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para série
PREC_EECSB.
Função de Autocorrelação (FAC) - PREC_MANDURI Função de Autocorrelação Parcial (FACP) - PREC_MANDURI
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 10 20 30 40 50 60 70 80 90 100 110 120 1 10 20 30 40 50 60 70 80 90 100 110 120

Lag Lag
PREC_MANDURI.
Função de Autocorrelação (FAC) - ETP_MANDURI Função de Autocorrelação Parcial (FACP) - ETP_MANDURI
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 10 20 30 40 50 60 70 80 90 100 110 120 1 10 20 30 40 50 60 70 80 90 100 110 120

Lag Lag
ETP_MANDURI.
123
Função de Autocorrelação (FAC) - PREC_ECA Função de Autocorrelação Parcial (FACP) - PREC_ECA
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 20 40 60 80 100 120 140 160 180 1 20 40 60 80 100 120 140 160 180
Lag Lag
PREC_ECA.
Função de Autocorrelação (FAC) - ETP_ECA Função de Autocorrelação Parcial (FACP) - ETP_ECA
1.0 1.0
0.8 0.8
0.6 0.6
0.4 Autocorrelação Parcial 0.4

Autocorrelação
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 20 40 60 80 100 120 140 160 180 1 20 40 60 80 100 120 140 160 180
Lag Lag
ETP_ECA.
Função de Correlação Cruzada - P_MANDURI e ETP_MANDURI
1.0
0.8
0.6
Correlação Cruzada
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
-120 -100 -80 -60 -40 -20 0 20 40 60 80 100 120

Lag
Figura A3-50: Função de correlação cruzada (FCC) para as séries P_MAND e ETP_MAND.
Função de Correlação Cruzada - P_ECA e ETP_ECA
1.0
0.8
0.6
Correlação Cruzada
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
-150 -100 -50 0 50 100 150

Lag
Figura A3-51: Função de correlação cruzada (FCC) para as séries P_ECA e ETP_ECA.
124
A. 4 Ajustes do modelo HARTT
Water levels with accumulative monthly residual rainfall

for EEcSB_G1 (1 months delay)
0 0.4
-0.2
0.2
-0.4
Long-term trend with ARR
Effect of Rain (m)

-0.6 0
Water level EEcSB_G1
Depth (m)
-0.8
-0.2 Fitted for all monthly
-1 intervals
-1.2 -0.4 Effect of rainfall
-1.4 Linear (Water level

-0.6 EEcSB_G1)
-1.6
-1.8 -0.8
Date
Figura A4-1: 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 G1.

0 0.2
0.15
-0.5 0.1
0.05
Effect of Rain (m)
Depth (m)
-1 0 Water level EEcSB_G2

-0.05
Fitted for all monthly
-1.5 -0.1 intervals
-0.15 Effect of rainfall
-2 -0.2
Linear (Water level
-0.25 EEcSB_G2)
-2.5 -0.3
Date
125

0 0.2
0.1
-0.5
Effect of Rain (m)

0
Depth (m)
-1 Water level EEcSB_G3

-0.1
-1.5 intervals
-0.2
Effect of rainfall
-2
EEcSB_G3)
-2.5 -0.4
Date

0 0.4
0.3
-0.5
0.2
-1 Long-term trend with ARR
Effect of Rain (m)
0.1
Depth (m)
-1.5 Water level EEcSB_G4

0
-2 -0.1 Fitted for all monthly

intervals
-0.2
-0.3
-3 Linear (Water level
-0.4 EEcSB_G4)
-3.5 -0.5
Date
126

0 0.6
-0.5 0.4

0.2
Effect of Rain (m)

-1.5
Depth (m)
0 Water level EEcSB_G5

-2
-2.5 intervals
-3
-3.5 -0.6 Linear (Water level

EEcSB_G5)
-4 -0.8
Date

0 0.2
0.15
-0.2
0.1
-0.4 Long-term trend with ARR
0.05
Effect of Rain (m)
-0.6
0
Depth (m)
-0.8 -0.05 Fitted for all monthly

intervals
-0.1
-1
Effect of rainfall
-0.15
-1.2
EEcSB_G6)
-1.4
-0.25
-1.6 -0.3
Date
127

0 0.2
-0.2
0.1
Effect of Rain (m)

0
Depth (m)
-0.6 Water level EEcSB_G7

-0.1
intervals
-0.2
-1 Effect of rainfall

-1.2
EEcSB_G7)
-1.4 -0.4
Date

0.5 0.6
0.4
0
0.2 Long-term trend with ARR
Effect of Rain (m)
-0.5
0
Depth (m)

-1 -0.2
-0.4 intervals
-1.5
Effect of rainfall
-0.6
-0.8
EEcSB_G8)
-2.5 -1
Date
128

0.4 0.2
0.15
0.2
0.1
0 Long-term trend with ARR
0.05
Effect of Rain (m)

-0.2 0
Depth (m)

-0.05
-0.4
-0.6 -0.15 intervals
-0.2
Effect of rainfall
-0.8
-0.25
-1
Linear (Water level
-0.3 EEcSB_G9)
-1.2 -0.35
Date

for EEcSB_B1 (1 months delay)
0 0.15
0.1
-0.2
Effect of Rain (m)
-0.4
0
Depth (m)
Water level EEcSB_B1

-0.6 -0.05
-0.1 intervals
-0.8
Effect of rainfall
-0.15
-0.2
EEcSB_B1)
-1.2 -0.25
Date
de 2014 e 02 de setembro de 2016 no poço B1.
129

0.15 0.03
0.1 0.02
0.05
0.01
0 Long-term trend with ARR
Effect of Rain (m)

0
-0.05
Depth (m)
Water level EEcSB_B2

-0.1 -0.01

-0.2 intervals
-0.03
-0.25
Effect of rainfall
-0.04
-0.3
Linear (Water level
-0.35 -0.05 EEcSB_B2)
-0.4 -0.06
Date

0 0.0015
0.001
-0.1

Effect of Rain (m)
-0.2
Depth (m)
0 Water level EEcSB_B3

-0.3
intervals
-0.4

-0.0015
EEcSB_B3)
-0.6 -0.002
Date
130

0 0.08
0.06
-0.2
0.04
0.02
Effect of Rain (m)

-0.4
Depth (m)

-0.6 -0.02
-0.04 intervals
-0.8
-0.08
-0.1 EEcSB_B4)
-1.2 -0.12
Date

0 0.06
-0.1 0.04

0.02
Effect of Rain (m)
-0.3
Depth (m)

-0.4
-0.5 intervals
-0.6
-0.7 -0.06 Linear (Water level

EEcSB_B5)
-0.8 -0.08
Date
131

0 0.15
-0.1
0.1
-0.2
-0.3
Effect of Rain (m)

Depth (m)
-0.4 Water level EEcSB_B6

0
-0.5
-0.6 intervals
-0.8
-0.9 EEcSB_B6)
-1 -0.2
Date

0 0.6
-0.2
0.4
-0.4
-0.6
Effect of Rain (m)
Depth (m)

0
-1
-1.2 intervals
-1.6
-1.8 EEcSB_B7)
-2 -0.8
Date
132

0 0.3
-0.2
0.2
-0.4
-0.6
Effect of Rain (m)

0
Depth (m)

-1 -0.1
-1.2 intervals
-0.2
-0.3
-1.6
-0.4
Linear (Water level
-1.8 EEcSB_B8)
-2 -0.5
Date

for EEcSB_S2 (1 months delay)
0 0.6
0.4
-1
Effect of Rain (m)
-2
0
Depth (m)
Water level EEcSB_S2

-3 -0.2
-0.4 intervals
-4
Effect of rainfall
-0.6
-0.8
EEcSB_S2)
-6 -1
Date
de 2014 e 02 de setembro de 2016 no poço S2.
133

0 0.3
-0.5
0.2
-1
-1.5
Effect of Rain (m)

0
Depth (m)
-2 Water level EEcSB_S3

-2.5 -0.1
-3 intervals
-0.2
-0.3
-4
-0.4
Linear (Water level
-4.5 EEcSB_S3)
-5 -0.5
Date

0 0.03
-0.2
0.02
-0.4
Effect of Rain (m)
-0.6
Depth (m)
0 Water level EEcSB_S4

-0.8

intervals
-1.2
-1.4
-1.6 EEcSB_S4)
-1.8 -0.04
Date
134

0 0.3
-0.2 0.2
-0.4
Effect of Rain (m)

-0.6
0
Depth (m)
Water level EEcSB_S5

-0.8
-0.1
-1 Fitted for all monthly
-0.2 intervals
-1.2
Effect of rainfall
-0.3
-1.4
-0.4
Linear (Water level
-1.6 EEcSB_S5)
-1.8 -0.5
Date

0 0.3
-0.2
0.2
-0.4
-0.6
Effect of Rain (m)
0
Depth (m)
-0.8 Water level EEcSB_S6

-1 -0.1
-1.2 intervals
-0.2
-0.3
-1.6
-0.4
Linear (Water level
-1.8 EEcSB_S6)
-2 -0.5
Date
135

0.2 0.04
0.1 0.03
0 0.02
-0.1
Effect of Rain (m)

0.01
Depth (m)
-0.2 Water level EEcSB_S7

0
-0.3
-0.4 intervals
-0.02
-0.6 -0.03
Linear (Water level
-0.7 -0.04 EEcSB_S7)
-0.8 -0.05
Date

0 0.6
0.4
-0.5

Effect of Rain (m)
-1
Depth (m)
0 Water level EEcSB_S8

-1.5
intervals
-2

-0.6
EEcSB_S8)
-3 -0.8
Date
136

0 0.4
-0.2 0.3
-0.4 0.2
-0.6 0.1
Effect of Rain (m)

Depth (m)
-0.8 0 Water level EEcSB_S9

-1 -0.1
-1.2 -0.2 intervals
-1.6 -0.4
Linear (Water level
-1.8 -0.5 EEcSB_S9)
-2 -0.6
Date

for Eeco_SB_S10 (1 months delay)
0 0.3
-0.2
0.2
-0.4
Effect of Rain (m)
-0.6
Depth (m)
0 Water level Eeco_SB_S10

-0.8

intervals
-1.2
-1.4
-1.6 Eeco_SB_S10)
-1.8 -0.4
Date
137

0 0.15
0.1
-0.5
Effect of Rain (m)

0
Depth (m)
-1 Water level Eeco_SB_S11

-0.05
-1.5 intervals
-0.1
Effect of rainfall
-0.15
-2
-0.2
Linear (Water level
Eeco_SB_S11)
-2.5 -0.25
Date

0 0.6
-0.5
0.4
-1
Effect of Rain (m)
-1.5
Depth (m)
0 Water level Eeco_SB_S12

-2

intervals
-3
-3.5
-4 Eeco_SB_S12)
-4.5 -0.8
Aug-12 Dec-13 Apr-15 Sep-16
Date
138

0.2 0.3
0 0.2
-0.2
Effect of Rain (m)

-0.4
0
Depth (m)
Water level Eeco_SB_S13

-0.6
-0.1
-0.2 intervals
-1
Effect of rainfall
-0.3
-1.2
-0.4
Linear (Water level
-1.4 Eeco_SB_S13)
-1.6 -0.5
Aug-12 Dec-13 Apr-15 Sep-16
Date

for EEcSB_P1 (1 months delay)
0 0.3
-0.2 0.2
-0.4 0.1 Long-term trend with ARR

Effect of Rain (m)
-0.6 0
Depth (m)
Water level EEcSB_P1

-0.8 -0.1
-1 -0.2 intervals
Effect of rainfall
-1.2 -0.3
-1.4 -0.4
Linear (Water level
EEcSB_P1)
-1.6 -0.5
Date
de 2014 e 02 de setembro de 2016 no poço P1.
139

0 1.5
-0.5 1

0.5
Effect of Rain (m)

-1.5 Water level EEcSB_P2
Depth (m)
0
-2 Fitted for all monthly
-0.5 intervals
-2.5
Effect of rainfall
-1
-3
Linear (Water level
-1.5 EEcSB_P2)
-3.5
-4 -2
Date

0 1.5
-0.5 1
-1 0.5 Long-term trend with ARR

Effect of Rain (m)
Depth (m)
-1.5 0 Water level EEcSB_P3

intervals
-2.5 -1 Effect of rainfall
-3 -1.5 Linear (Water level

EEcSB_P3)
-3.5 -2
Date
140
A. 5 Ajustes do modelo PIRFICT às séries de nível freático
Results of series G1_ECA_P_ETP_LT

Prediction
Observations
-0.4
Groundwater level (m-ref)
-0.6
-0.8
-1
-1.2
-1.4
-1.6
0.8 PREC_ECA_1
Rise (m)
0.6
0.4
0.8 ETP_ECA_1
Rise (m)
0.6
0.4
0.8 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.6
0.4
0.2
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-1: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço G1 entre 05 de setembro de 2014 e 02 de setembro de 2016.

Prediction
0 Observations
-0.5
-1
-1.5
-2
2
PREC_ECA_1
Rise (m)
1.5
-0.2
ETP_ECA_1
Rise (m)
-0.4
-0.6
-0.8
1.5 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.5
0
Date
141

0
Prediction
Observations
-0.5
Groundwater level (m-ref) -1
-1.5
-2
1.8
1.6 PREC_ECA_1
Rise (m)
1.4
1.2
1
0.8
0.6
-0.1 ETP_ECA_1
Rise (m)
-0.2
-0.3
-0.4
1.5
Linear_trend (21/09/14 - 30/07/16)
Rise (m)
0.5
0
Date

Prediction
Observations
-1
-1.5
-2
-2.5
-3
2
PREC_ECA_1
Rise (m)
1.5
0 ETP_ECA_1
Rise (m)
-0.1
-0.2
2
Linear_trend (21/09/14 - 30/07/16)
1.5
Rise (m)
1
0.5
0
Date
142

Prediction
Observations
-1

-1.5
-2
-2.5
-3
-3.5
PREC_ECA_1
2.5
Rise (m)
1.5
-0.1 ETP_ECA_1
Rise (m)
-0.2
-0.3
2 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
1.5
1
0.5
0
Date
-0.2 Prediction
Observations
-0.4
-0.6
-0.8
-1
-1.2
-1.4
PREC_ECA_1
5.2
Rise (m)
5
4.8
4.6
-0.5
ETP_ECA_1
Rise (m)
-0.6
-0.7
1
Linear_trend (21/09/14 - 30/07/16)
Rise (m)
0.5
0
Date
143

Prediction
-0.2 Observations
-0.4

-0.6
-0.8
-1
-1.2
-1.4
12.8 PREC_ECA_1
Rise (m)
12.6
12.4
12.2
ETP_ECA_1
-1.8
Rise (m)
-1.9
-2
0.8
Linear_trend (21/09/14 - 02/07/16)
0.6
Rise (m)
0.4
0.2
0
Date

0 Prediction
Observations
-0.2
-0.4
-0.6
-0.8
-1
-1.2
-1.4
-1.6
-1.8
-2
3 PREC_ECA_1
Rise (m)
2.5
2
0.8 ETP_ECA_1
0.7
Rise (m)
0.6
0.5
0.4
1.5 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.5
0
Date
144

Prediction
0 Observations
-0.2

-0.4
-0.6
-0.8
-1
-1.2
9.8 PREC_ECA_1
Rise (m)
9.6
9.4
9.2
-1.7
ETP_ECA_1
Rise (m)
-1.8
-1.9
-2
0.8 Linear_trend (21/09/14 - 30/07/16)
Rise (m)
0.6
0.4
0.2
0
Date
Results of series B1_ECA_P_ETP_LT

Prediction
-0.5 Observations
-0.6
-0.7
-0.8
-0.9
-1
-1.1
-1.2
PREC_ECA_1
0.6
Rise (m)
0.4
0.2
0.15
ETP_ECA_1
0.1
Rise (m)
0.05
0
-0.05
0.4 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.2

Date
exógenas no poço B1 entre 05 de setembro de 2014 e 02 de setembro de 2016.
145

Prediction
0.1 Observations

-0.1
-0.2
-0.3
-0.4
1.1 PREC_ECA_1
Rise (m)
1
0.9
0.8
-0.2 ETP_ECA_1
Rise (m)
-0.3
-0.4
0.3
Linear_trend (21/09/14 - 30/07/16)
0.2
Rise (m)
0.1
0
-0.1
Date
Figura A511: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
0.1 Prediction
Observations
0
-0.1
-0.2
-0.3
-0.4
-0.5
-0.6
1.4
PREC_ECA_1
Rise (m)
1.2
-0.3 ETP_ECA_1
Rise (m)
-0.4
-0.5
0.3 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.2
0.1
0
-0.1
Date
146

Prediction
Observations
0

-0.2
-0.4
-0.6
-0.8
-1
1.2
PREC_ECA_1
Rise (m)
1
0.8
0.6
-0.1 ETP_ECA_1
Rise (m)
-0.2
-0.3
-0.4
0.6 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.4
0.2
0
Date

Prediction
0.1 Observations
0
-0.1
-0.2
-0.3
-0.4
-0.5
-0.6
-0.7
-0.8
0.8 PREC_ECA_1
Rise (m)
0.6
0.4
ETP_ECA_1
-0.1
Rise (m)
-0.2
-0.3
0.6
Linear_trend (21/09/14 - 30/07/16)
0.4
Rise (m)
0.2
0
Date
147

0.1
Prediction
0 Observations
-0.1
-0.2

-0.3
-0.4
-0.5
-0.6
-0.7
-0.8
-0.9
1.2 PREC_ECA_1
Rise (m)
0.8
0.6
0.05
ETP_ECA_1
0
Rise (m)
-0.05
-0.1
-0.15
0.6
Linear_trend (21/09/14 - 30/07/16)
Rise (m)
0.4
0.2
0
Date

0
Prediction
-0.2 Observations
-0.4
-0.6
-0.8
-1
-1.2
-1.4
-1.6
-1.8
-2
3.5 PREC_ECA_1
Rise (m)
2.5
ETP_ECA_1
Rise (m)
0.3
0.2
0.1
Linear_trend (21/09/14 - 30/07/16)
1
Rise (m)
0.5
0
Date
148

-0.4 Prediction
Observations
-0.6
-0.8

-1
-1.2
-1.4
-1.6
-1.8
-2
2
PREC_ECA_1
Rise (m)
1.5
1
0.15
ETP_ECA_1
0.1
Rise (m)
0.05
0
-0.05
0.8 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.6
0.4
0.2
0
Date
Results of series S2_ECA_P_ETP_LT

Prediction
-3 Observations
-3.5
-4
-4.5
-5
PREC_ECA_1
2
Rise (m)
1.5
1
0.2
ETP_ECA_1
Rise (m)
0.1
1.5 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.5
0
Date
exógenas no poço S2 entre 05 de setembro de 2014 e 02 de setembro de 2016.
149

Prediction
Observations
-2.5

-3
-3.5
-4
-4.5
2.5 PREC_ECA_1
Rise (m)
1.5
-0.6 ETP_ECA_1
Rise (m)
-0.8
-1
-1.2
1.5 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
1
0.5
0
Date

-0.2
Prediction
Observations
-0.4
-0.6
-0.8
-1
-1.2
-1.4
-1.6
1.4
PREC_ECA_1
1.2
Rise (m)
1
0.8
0.6
-0.2
ETP_ECA_1
Rise (m)
-0.4
-0.6
0.8 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.6
0.4
0.2
0
Date
150

-0.2 Prediction
Observations
-0.4
-0.6

-0.8
-1
-1.2
-1.4
-1.6
-1.8
19.4 PREC_ECA_1
Rise (m)
19.2
19
18.8
18.6
-1.15
ETP_ECA_1
-1.2
Rise (m)
-1.25
-1.3
-1.35
1 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.5
0
Date
Results of series S6_ECA_P_ETP_LTP

Prediction
-0.4
Observations
-0.6
-0.8
-1
-1.2
-1.4
-1.6
-1.8
16.2
16 PREC_ECA_1
Rise (m)
15.8
15.6
15.4
15.2
-0.2 ETP_ECA_1
Rise (m)
-0.25
-0.3
-0.35
1 Linear_trend (10/10/14 - 30/07/16)

Rise (m)
0.5
0
Jan15 May15 Sep15 Jan16 May16
Date
151
0.2 Prediction
Observations
0.1

-0.1
-0.2
-0.3
-0.4
-0.5
-0.6
-0.7
-0.8
1
PREC_ECA_1
Rise (m)
0.8
0.6
0.4
ETP_ECA_1
-0.2
Rise (m)
-0.3
-0.4
-0.5
0.6
Linear_trend (21/09/14 - 30/07/16)
Rise (m)
0.4
0.2
0
Date

0 Prediction
Observations
-0.5
-1
-1.5
-2
-2.5
-3
199.5 PREC_ECA_1
Rise (m)
199
198.5
198
-81.2 ETP_ECA_1
Rise (m)
-81.4
-81.6
-81.8
-82
0.8 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.6
0.4
0.2
0
Date
152
0 Prediction
Observations
-0.2
-0.4

-0.6
-0.8
-1
-1.2
-1.4
-1.6
-1.8
-2
19 PREC_ECA_1
Rise (m)
18.5
18
-5.8 ETP_ECA_1
Rise (m)
-6
-6.2
1
Linear_trend (21/09/14 - 30/07/16)
Rise (m)
0.5
0
Date

-0.2
Prediction
Observations
-0.4
-0.6
-0.8
-1
-1.2
-1.4
-1.6
-1.8
158.8
158.6 PREC_ECA_1
Rise (m)
158.4
158.2
158
157.8
-76.2
ETP_ECA_1
-76.4
Rise (m)
-76.6
-76.8
0.4 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
0.2

Date
153

Prediction
Observations
-0.5

-1
-1.5
-2
-2.5
2 PREC_ECA_1
Rise (m)
1.5
-0.4
-0.6 ETP_ECA_1
Rise (m)
-0.8
-1
-1.2
-1.4
1.5
Linear_trend (21/09/14 - 30/07/16)
Rise (m)
0.5
0
Date

-1.5
Prediction
Observations
-2
-2.5
-3
-3.5
-4
PREC_ECA_1
2
Rise (m)
1.5
-0.1 ETP_ECA_1
Rise (m)
-0.2
-0.3
-0.4
-0.5
2 Linear_trend (07/11/14 - 30/07/16)
Rise (m)
1.5
1
0.5
0
Jan15 Apr15 Jul15 Oct15 Jan16 Apr16 Jul16
Date
154

0.2
Prediction
Observations
0
-0.2

-0.4
-0.6
-0.8
-1
-1.2
-1.4
2
PREC_ECA_1
Rise (m)
1.5
ETP_ECA_1
-0.2
Rise (m)
-0.3
-0.4
-0.5
1 Linear_trend (07/11/14 - 30/07/16)
Rise (m)
0.5
0
Jan15 Apr15 Jul15 Oct15 Jan16 Apr16 Jul16
Date
Results of series P1_ECA_P_ETP_LT

Prediction
Observations
-0.4
-0.6
-0.8
-1
-1.2
-1.4
2
PREC_ECA_1
1.8
Rise (m)
1.6
1.4
1.2
0.25 ETP_ECA_1
Rise (m)
0.2
0.15
0.1
0.05
0.8
Linear_trend (21/09/14 - 30/07/16)
0.6
Rise (m)
0.4
0.2
0
Date
exógenas no poço P1 entre 05 de setembro de 2014 e 02 de setembro de 2016.
155

Prediction
Observations
-0.5

-1
-1.5
-2
-2.5
-3
2 PREC_ECA_1
Rise (m)
1.5
2 ETP_ECA_1
Rise (m)
1.5
1.5 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
1
0.5
0
Date
exógenas no poço P2 entre 05 de setembro de 2014 e 02 de setembro de 2016.

Prediction
-0.5
Observations
-1
-1.5
-2
-2.5
-3
2.5 PREC_ECA_1
Rise (m)
1.5
2
ETP_ECA_1
Rise (m)
1.5
1.5 Linear_trend (21/09/14 - 30/07/16)

Rise (m)
1
0.5
0
Date
exógenas no poço GP3 entre 05 de setembro de 2014 e 02 de setembro de 2016.
156
Results of series BR1_MAND_P_ETP

-0.5 Prediction
Observations
-1

-1.5
-2
-2.5
-3
-3.5
7
PREC_MAND_1
Rise (m)
-0.9 ETP_MAND_1
Rise (m)
-1
-1.1
-1.2
2011 2012 2013 2014 2015 2016
Date
exógenas no poço BR1 entre 03 de dezembro de 2010 e 02 de setembro de 2016.

-0.5 Prediction
Observations
-1
-1.5
-2
-2.5
-3
6 PREC_MAND_1
Rise (m)
-0.4
ETP_MAND_1
-0.5
Rise (m)
-0.6
-0.7
2011 2012 2013 2014 2015 2016
Date
Figura A534: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
157

Prediction
-0.5
Observations
-1

-1.5
-2
-2.5
-3
-3.5
7
PREC_MAND_1
Rise (m)
4
-1.2
ETP_MAND_1
-1.3
Rise (m)
-1.4
-1.5
-1.6
2011 2012 2013 2014 2015 2016
Date

Prediction
-0.5
Observations
-1
-1.5
-2
-2.5
-3
-3.5
7
PREC_MAND_1
6
Rise (m)
-1.3 ETP_MAND_1
-1.4
Rise (m)
-1.5
-1.6
-1.7
2011 2012 2013 2014 2015 2016
Date
158

-0.5
Prediction
Observations
-1
-1.5

-2
-2.5
-3
-3.5
PREC_MAND_1
5
Rise (m)
3
-1.4
ETP_MAND_1
-1.6
Rise (m)
-1.8
-2
2011 2012 2013 2014 2015 2016
Date
Results of series P_ALTO_MAND_P_ETP

Prediction
Observations
-0.4
-0.6
-0.8
-1
-1.2
-1.4
1.5
PREC_MAND_1
Rise (m)
0.5
-0.3
ETP_MAND_1
-0.4
Rise (m)
-0.5
-0.6
-0.7
2011 2012 2013 2014 2015
Date
exógenas no poço P_ALTO entre 03 de março de 2010 e 04 de março de 2015.
159
Results of series P_MEDIO_MAND_P_ETP

0.1 Prediction
Observations
-0.1

-0.2
-0.3
-0.4
-0.5
-0.6
PREC_MAND_1
0.8
Rise (m)
0.6
0.4
0.2
ETP_MAND_1
-0.2
Rise (m)
-0.3
-0.4
2011 2012 2013 2014 2015

Date
exógenas no poço P_MEDIO entre 03 de março de 2010 e 04 de março de 2015.
Results of series GP1_MAND_P_ETP

0 Prediction
Observations
-0.5
-1
-1.5
-2
6 PREC_MAND_1
5.5
Rise (m)
4.5
0.05 ETP_MAND_1
Rise (m)
-0.05
-0.1
2012 2013 2014 2015

Date
exógenas no poço GP1 entre 05 de junho de 2011 e 04 de março de 2015.
160

0 Prediction
Observations
-0.5

-1
-1.5
-2
7
PREC_MAND_1
6.5
Rise (m)
5.5
ETP_MAND_1
0.8
Rise (m)
0.7
0.6
2012 2013 2014 2015
Date

0
Prediction
Observations
-0.5
-1
-1.5
-2
6
PREC_MAND_1
5.5
Rise (m)
4.5
1.4 ETP_MAND_1
Rise (m)
1.3
1.2
1.1
2012 2013 2014 2015
Date
161

0
Prediction
Observations
-0.2
-0.4
-0.6

-0.8
-1
-1.2
-1.4
-1.6
-1.8
-2
PREC_MAND_1
5
Rise (m)
4.5
3.5
ETP_MAND_1
1.6
Rise (m)
1.5
1.4
1.3
2012 2013 2014 2015
Date

Prediction
0 Observations
-0.2
-0.4
-0.6
-0.8
-1
-1.2
-1.4
-1.6
-1.8
-2
4.5
PREC_MAND_1
4
Rise (m)
3.5
0.6
ETP_MAND_1
Rise (m)
0.5
0.4
2012 2013 2014 2015

Date
162
A. 6 Simulações do modelo PIRFICT a partir da séries PREC_EEcSB
Figura A6-1: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço G1 com intervalo de confiança de 5%.
163
164
165
166
janeiro de 1987 a agosto de 2016 no poço B1 com intervalo de confiança de 5%.
167
168
169
170
janeiro de 1987 a agosto de 2016 no poço S2 com intervalo de confiança de 5%.
171
172
173
174
175
176
janeiro de 1987 a agosto de 2016 no poço P1 com intervalo de confiança de 5%.
177
178
janeiro de 1987 a agosto de 2016 no poço BR1 com intervalo de confiança de 5%.
179
180
janeiro de 1987 a agosto de 2016 no poço P_ALTO com intervalo de confiança de 5%.
181
janeiro de 1987 a agosto de 2016 no poço P_MEDIO com intervalo de confiança de 5%.
janeiro de 1987 a agosto de 2016 no poço GP1 com intervalo de confiança de 5%.
182
183
184
A. 7 Estatísticas das simulações do modelo PIRFICT

Tabela A7-1: Níveis freáticos médios mais baixos (NMMB) simulados pelo modelo PIRFICT.
Poço NMMB 5% NMMB 50% NMMB 95%
G1 -1.46 -1.42 -1.37
G2 -1.77 -1.71 -1.66
G3 -1.75 -1.70 -1.65
G4 -2.66 -2.60 -2.53
G5 -3.34 -3.26 -3.18
G6 -1.22 -1.18 -1.14
G7 -1.10 -1.07 -1.05
G8 -1.78 -1.74 -1.69
G9 -0.91 -0.89 -0.87
B1 -1.01 -1.00 -0.98
B2 -0.29 -0.28 -0.28
B3 -0.40 -0.38 -0.37
B4 -0.75 -0.73 -0.71
B5 -0.60 -0.58 -0.57
B6 -0.74 -0.73 -0.71
B7 -1.63 -1.59 -1.56
B8 -1.64 -1.62 -1.60
S2 -5.00 -4.93 -4.86
S3 -4.25 -4.18 -4.11
S4 -1.34 -1.31 -1.28
S5 -1.45 -1.41 -1.38
S6 -1.59 -1.56 -1.53
S7 -0.51 -0.49 -0.46
S8 -2.70 -2.64 -2.58
S9 -1.65 -1.62 -1.57
S10 -1.54 -1.52 -1.49
S11 -2.11 -2.05 -1.99
S12 -3.97 -3.89 -3.81
S13 -1.19 -1.16 -1.13
P1 -1.26 -1.24 -1.22
P2 -3.00 -2.93 -2.86
P3 -2.85 -2.78 -2.71
BR1 -3.75 -3.62 -3.49
BR2 -3.59 -3.48 -3.36
BR3 -3.63 -3.50 -3.39
BR4 -3.63 -3.50 -3.38
BR5 -3.47 -3.34 -3.22
P_alto -1.23 -1.20 -1.17
P_medio -0.50 -0.48 -0.46
GP1 -2.14 -2.10 -2.06
GP2 -2.02 -1.97 -1.92
GP3 -2.11 -2.05 -1.99
GP4 -2.15 -2.09 -2.03
GP5 -2.06 -1.99 -1.93
185
Tabela A7-2: Níveis freáticos médios mais altos (NMMA) simulados pelo modelo PIRFICT.
Poço NMMA 5% NMMA 50% NMMA 95%
G1 -0.57 -0.52 -0.48
G2 -0.30 -0.25 -0.19
G3 -0.38 -0.33 -0.28
G4 -0.94 -0.88 -0.82
G5 -1.30 -1.21 -1.12
G6 -0.35 -0.31 -0.27
G7 -0.34 -0.31 -0.29
G8 -0.29 -0.25 -0.20
G9 -0.11 -0.09 -0.07
B1 -0.60 -0.59 -0.57
B2 0.00 0.01 0.02
B3 -0.04 -0.03 -0.01
B4 -0.09 -0.07 -0.05
B5 -0.05 -0.03 -0.01
B6 -0.14 -0.13 -0.11
B7 -0.30 -0.27 -0.23
B8 -0.62 -0.60 -0.58
S2 -3.43 -3.36 -3.30
S3 -2.63 -2.56 -2.49
S4 -0.51 -0.47 -0.44
S5 -0.40 -0.36 -0.33
S6 -0.52 -0.49 -0.46
S7 0.06 0.08 0.11
S8 -1.01 -0.94 -0.88
S9 -0.40 -0.36 -0.32
S10 -0.70 -0.68 -0.65
S11 -0.72 -0.66 -0.60
S12 -2.02 -1.95 -1.87
S13 -0.16 -0.12 -0.09
P1 -0.45 -0.43 -0.41
P2 -1.01 -0.94 -0.88
P3 -0.88 -0.82 -0.75
BR1 -2.10 -1.97 -1.84
BR2 -1.99 -1.87 -1.76
BR3 -2.00 -1.88 -1.77
BR4 -2.01 -1.89 -1.77
BR5 -1.96 -1.84 -1.72
P_alto -0.75 -0.72 -0.69
P_medio -0.20 -0.18 -0.17
GP1 -0.93 -0.90 -0.85
GP2 -0.78 -0.73 -0.69
GP3 -0.87 -0.81 -0.75
GP4 -0.90 -0.85 -0.78
GP5 -0.85 -0.79 -0.73
186
Tabela A7-3: Níveis freáticos médios (NM) simulados pelo modelo PIRFICT.
Poço NM 5% NM 50% NM 95%
G1 -0.98 -0.94 -0.91
G2 -1.01 -0.97 -0.93
G3 -1.04 -1.00 -0.97
G4 -1.76 -1.72 -1.68
G5 -2.27 -2.21 -2.15
G6 -0.75 -0.73 -0.70
G7 -0.70 -0.68 -0.67
G8 -0.97 -0.94 -0.92
G9 -0.49 -0.48 -0.46
B1 -0.79 -0.78 -0.78
B2 -0.14 -0.13 -0.13
B3 -0.21 -0.20 -0.19
B4 -0.41 -0.39 -0.38
B5 -0.31 -0.30 -0.29
B6 -0.42 -0.41 -0.41
B7 -0.92 -0.90 -0.89
B8 -1.10 -1.09 -1.08
S2 -4.18 -4.13 -4.08
S3 -3.40 -3.35 -3.31
S4 -0.91 -0.89 -0.87
S5 -0.89 -0.87 -0.84
S6 -1.03 -1.01 -0.99
S7 -0.21 -0.19 -0.18
S8 -1.81 -1.77 -1.74
S9 -1.00 -0.97 -0.95
S10 -1.10 -1.08 -1.07
S11 -1.39 -1.35 -1.31
S12 -2.93 -2.88 -2.83
S13 -0.65 -0.63 -0.61
P1 -0.83 -0.82 -0.80
P2 -1.89 -1.85 -1.81
P3 -1.79 -1.74 -1.69
BR1 -2.84 -2.72 -2.62
BR2 -2.70 -2.61 -2.52
BR3 -2.72 -2.63 -2.53
BR4 -2.73 -2.63 -2.53
BR5 -2.63 -2.52 -2.42
P_alto -0.98 -0.95 -0.93
P_medio -0.34 -0.33 -0.32
GP1 -1.50 -1.48 -1.45
GP2 -1.35 -1.33 -1.30
GP3 -1.44 -1.41 -1.37
GP4 -1.48 -1.44 -1.40
GP5 -1.41 -1.37 -1.32

Análise de Séries Temporais PDF

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Análise de Séries Temporais PDF

Hochgeladen von

Copyright:

Verfügbare Formate

ANÁLISE DE SÉRIES TEMPORAIS E MAPEAMENTO DE CARACTERÍSTICAS DAS

ÁGUAS SUBTERRÂNEAS A PARTIR DE DADOS DE MONITORAMENTO

RODRIGO LILLA MANZIONE

RODRIGO LILLA MANZIONE

Todos os direitos desta edição são

Autor: Rodrigo Lilla Manzione

Para Monica e Bruna

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

Aos alunos da UNESP/Ourinhos que participaram dos trabalhos de campo (Anderson L. S.

Aos alunos do Curso de Pós-graduação em Agronomia – Área de concentração em Irrigação

Ao Instituto Florestal do Estado de São Paulo por permitir a realização da pesquisa

Aos demais colegas e servidores da UNESP/Ourinhos e da UNESP/FCA-Botucatu que de

Assim, aprovado o recurso junto a Fundação de Amparo à Pesquisa do Estado de São

Rodrigo Lilla Manzione

aplicabilidade de modelos de séries temporais com diferentes formulações conceituais à

Digno de nota, porém, é ressaltar a sua preocupação, ao tecer considerações sobre os

De parabéns o Instituto “Água Sustentável” pela edição desta importante contribuição ao

Paulo M. Barbosa Landim

A análise de séries temporais aplicada ao estudo de dados de monitoramento do nível

PALAVRAS-CHAVE: modelagem estocástica, águas subterrâneas, modelo HARTT, modelo

KEY-WORDS: stochastic modelling, groundwater, HARTT model, PIRFICT model,

Figura 1: Representação esquemática de um modelo de função de transferência com um

Tabela 1: Comportamento característico das funções ACP e PACF para diferentes

AIC – critério de informação de Akaike

1. INTRODUÇÃO E JUSTIFICATIVA .......................................................................... 1

Para equilibrar interesses econômicos e ambientais, é importante conhecer a dinâmica do

desenvolvimento sustentável (OAS/GEF, 2001), assegurando a qualidade e a quantidade de

Uma linha comum em estudos ambientais é a necessidade metodológica de ferramentas

Dessa forma, o presente estudo pretende colaborar no entendimento das seguintes

- É possível modelar a relação dinâmica entre o saldo hídrico

- As variações sazonais dos níveis de precipitação (e evapotranspiração) interferem

- Qual o tempo no qual os níveis apresentam alguma alteração após um evento de

- Quais os principais elementos que interferem na oscilação dos níveis freáticos na

- Quais as características das oscilações dos níveis freáticos em diferentes bacias

- Como mapas de características de interesse do sistema de águas subterrâneas

 Calibração de modelos de função de transferência de ruído para compreensão da

 Entender os mecanismos de oscilação dos níveis freáticos em aquíferos livres,

3. 1 A necessidade de modelos para gestão dos recursos hídricos subterrâneos

A gestão de recursos hídricos superficiais e subterrâneos requer o uso de técnicas de

O uso de um modelo é justificado quando se pretende representar um sistema e a forma

Os modelos determinísticos seguem equações e leis da física que envolve o processo em

Teorias e abordagens hidrológicas estocásticas desenvolveram-se consideravelmente nos

para abastecimento urbano ou até dimensionamento de complexos industriais. Rubin (2003)

Os cenários futuros sobre incertezas climáticas também impulsionaram a popularização e

3. 2 Modelagem de séries temporais em águas subterrâneas

O objetivo inicial da análise de séries temporais é a realização de inferências sobre as

considerado no planejamento desses recursos.

Diversos métodos estocásticos e esquemas de modelagem têm sido desenvolvidos para

Uma série temporal é um conjunto de observações arranjadas cronologicamente (HIPEL;

 Tendência: é uma mudança unidirecional gradual, podendo aumentar ou diminuir ao

 Periodicidade: é a variação cíclica da série temporal hidrológica, repetida em

 Ergocidade: significa que as estruturas de autocovariância e autocorrelação não

 Aleatoriedade: é resultado da incerteza natural do processo estocástico, podendo ser

Na prática, a maioria das séries temporais é não estacionária. Em processos onde

Em um processo estacionário, a hipótese estatística assumida é a estacionariedade de

A média é definida como o valor esperado de Zt:

A autocovariância para o passo k é definida por:

Para o passo 0 a auto covariância é igual a variância. A função de autocorrelação (FAC)

3. 2. 2 Modelos de séries temporais

PROCESSOS AUTOREGRESSIVOS (AR)