Beruflich Dokumente
Kultur Dokumente
SÃO PAULO – SP
Instituto Água Sustentável
Julho/2018
ANÁLISE DE SÉRIES TEMPORAIS E MAPEAMENTO DE CARACTERÍSTICAS DAS
ÁGUAS SUBTERRÂNEAS A PARTIR DE DADOS DE MONITORAMENTO
1ª Edição
ANÁLISE DE SÉRIES TEMPORAIS E MAPEAMENTO DE CARACTERÍSTICAS DAS
ÁGUAS SUBTERRÂNEAS A PARTIR DE DADOS DE MONITORAMENTO
SÃO PAULO – SP
Instituto Água Sustentável
Julho/2018
II
AGRADECIMENTOS
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.
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.
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.
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
RESUMO
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.
ÍNDICE DE FIGURAS
Figura 29: Ajuste do modelo PIRFICT para os poços G2, G3, G4 e G5 monitorados entre
setembro de 2014 e agosto de 2016 na Bacia do Guarantã. ............................................... 65
Figura 30: Ajuste do modelo PIRFICT para os poços B1, B4, B6 e B8 monitorados entre
setembro de 2014 e agosto de 2016 na Bacia do Bugre. ..................................................... 66
Figura 31: Ajuste do modelo PIRFICT para os poços S2, S3, S4 e S7 monitorados entre
setembro de 2014 e agosto de 2016 na Bacia do Santana. ................................................. 66
Figura 32: Ajuste do modelo PIRFICT para os poços P1, P2 e P3 monitorados entre
setembro de 2014 e agosto de 2016 na Bacia do Passarinho. ............................................ 67
Figura 33: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT
para os poços G2, G3, G4 e G5 na Bacia do Guarantã. ...................................................... 68
Figura 34: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT
para os poços B1, B4, B6 e B8 na Bacia do Bugre. ............................................................. 68
Figura 35: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT
para os poços S2, S3, S4 e S7 na Bacia do Santana. ......................................................... 69
Figura 36: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT
para os poços P1, P2 e P3 na Bacia do Passarinho. ........................................................... 70
Figura 37: Funções IR ajustadas para evapotranspiração a partir da calibração do modelo
PIRFICT para os poços G2, G3, G4 e G5 na Bacia do Guarantã. ........................................ 71
Figura 38: Funções IR ajustadas para evapotranspiração a partir da calibração do modelo
PIRFICT para os poços B1, B4, B6 e B8 na Bacia do Bugre. .............................................. 72
Figura 39: Funções IR ajustadas para evapotranspiração a partir da calibração do modelo
PIRFICT para os poços S2, S3, S4 e S7 na Bacia do Santana. ........................................... 72
Figura 40: Funções IR ajustadas para evapotranspiração a partir da calibração do modelo
PIRFICT para os poços P1, P2 e P3 na Bacia do Passarinho.............................................. 73
Figura 41: Relação entre NMAS calculados a partir das séries observadas e simuladas. .... 79
Figura 42: Variograma amostral e modelo teórico ajustado aos valores dos tempos de
resposta (Parâmetro A) calculados pelo modelo PIRFICT. ................................................... 81
Figura 43: Variograma amostral e modelo teórico ajustado aos valores de tendências de
elevação (Parâmetro de Tendência Linear) calculados pelo modelo PIRFICT. ..................... 81
Figura 44: Variograma amostral e modelo teórico ajustado aos valores de nível médio (NM)
simulados pelo modelo PIRFICT. ......................................................................................... 81
Figura 45: Mapa do tempo de resposta do lençol freático em função de eventos de
precipitação interpolado por krigagem ordinária. .................................................................. 82
Figura 46: Mapa de tendência de elevação dos níveis freáticos no período de setembro de
2014 a agosto de 2016 interpolado por krigagem ordinária. ................................................. 83
Figura 47: Mapa de níveis médios simulados de alturas do lençol freático interpolado por
krigagem ordinária. .............................................................................................................. 84
Figura 48: Valores preditos por krigagem ordinária vs. valores calculados do tempo de
resposta (esquerda) e gráfico de normalidade dos erros padronizados (direita). ................. 86
Figura 49: Valores preditos por krigagem ordinária vs. valores calculados de tendencoias de
elevação (esquerda) e gráfico de normalidade dos erros padronizados (direita). ................. 87
Figura 50: Valores preditos po krigagem ordinária vs. valores calculados de nível freático
médio (esquerda) e gráfico de normalidade dos erros padrronizados (direita). .................... 88
XIII
ÍNDICE DE TABELAS
LISTA DE ABREVIAÇÕES
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
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.
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
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.
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
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.
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
Pulo: é uma mudança súbita na série de dados, com direção positiva ou negativa,
causada geralmente por atividades humanas ou perturbações naturais.
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)
k E[( Z t ) * ( Z t k )]
(5)
0 S Z2
k
k (6)
0
A autocovariância amostral para o passo k pode ser calculada a partir de uma série temporal
por:
nk
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
kc
rk 1 k (8)
n c0
Z t 1 ( Z t 1 ) at (9)
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
Usando o operador de deslocamento para trás B, a equação 9 pode ser reescrita como:
Z t 1 ( BZ t ) at (11)
( B)( Z t ) at (12)
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.
( 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
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:
1 1 2 1 ... p p 1
2 11 2 ... p p 2
. . . ... . (17)
. . . ... .
. . . ... .
p 1 p 1 2 p 2 ... p
1 𝜌1 𝜌2 … 𝜌𝑝−1 𝜙1 𝜌1
𝜌1 1 𝜌1 … 𝜌𝑝−2 𝜙2 𝜌2
. . . … . . .
. . . … . . = . (18)
. . . … . . .
[𝜌𝑝−1 𝜌𝑝−2 𝜌𝑝−3 … 1 ] [𝜙𝑝 ] [𝜌𝑝 ]
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 ]
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)
Z t 1 (Z t 1 ) at 1at 1 (24)
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).
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)
( B)
( d Z t ) at (28)
( B)
( B ) ( B s )
( d sD Z t ) at (29)
( B )( B s )
nk
1
Cˆ xz (k )
nk
(x
t 1
t x )( z t k z ) (30)
k Cˆ xz (k )
ˆ xz (k ) 1 (31)
n Cˆ (0)Cˆ (0)
x z
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
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)
Z t* 0 X t 1 X t 1 2 X t 2 ... ( B) X t (35)
( B) 0 1 B 2 B 2 ... s B s
( B) (36)
( B) 1 1 ( B) 2 B 2 ... r B r
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
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.
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)
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
nk
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).
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.
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).
(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).
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.
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.
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.
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).
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.
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
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
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.
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).
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.
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).
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.
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.
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.
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.
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
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.
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)
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.
N N N
h(t ) h (t ) r (t )
i
*
i i
d i 0
i 0
i 0
N N N (46)
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:
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
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.
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)
t
r (t ) e t r (t t ) 2 r2 e ( t ) W ( )
(52)
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 ) et r (t t ) (53)
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).
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
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
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
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
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
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
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
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
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.
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
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
com ARR
-1
Nível freático EEcSB_G3
-0.1
Ajuste para todos intervalos
-1.5 mensais
-0.2 Efeito da Chuva
-2.5 -0.4
Jun-12 Oct-13 Feb-15 Jul-16
Data
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.
0 0.15
0.1
-0.2
0.05
Têndencia a longo prazo
Efeito da Chuva (m)
0
Nível freático EEcSB_B1
-0.6 -0.05
Ajuste para todos intervalos
mensais
-0.1
-0.8 Efeito da Chuva
-0.15
Linear (Nível freático
-1
EEcSB_B1)
-0.2
-1.2 -0.25
Jun-12 Oct-13 Feb-15 Jul-16
Data
Figura 26: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de
setembro de 2014 e 02 de setembro de 2016 no poço B1.
62
0 0.6
0.4
-1
0.2
0 com ARR
Nível freático EEcSB_S2
-3 -0.2
Ajuste para todos intervalos
mensais
-0.4
-4 Efeito da Chuva
-6 -1
Jun-12 Oct-13 Feb-15 Jul-16
Data
Figura 27: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de
setembro de 2014 e 02 de setembro de 2016 no poço S2.
0 0.3
-0.2 0.2
-0.4 0.1
Efeito da Chuva (m)
-1.6 -0.5
Jun-12 Oct-13 Feb-15 Jul-16
Data
Figura 28: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de
setembro de 2014 e 02 de setembro de 2016 no poço P1.
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.
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.
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
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.
Figura 34: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT
para os poços B1, B4, B6 e B8 na Bacia do Bugre.
69
Figura 35: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT
para os poços S2, S3, S4 e S7 na Bacia do Santana.
Figura 36: Funções IR ajustadas para precipitação a partir da calibração do modelo PIRFICT
para os poços P1, P2 e P3 na Bacia do Passarinho.
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
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.
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:
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
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.
-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.
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
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.
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.
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).
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
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.
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.
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
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).
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.
BOX, G. E. P.; JENKINS, G. M. Time series analysis: forecasting and control. 2.ed. San
Francisco: Holden-Day, 1976. 575 p.
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.
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.
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
FIESP (Federação das Indústrias do Estado de São Paulo). Orientações para a utilização
de Águas subterrâneas no Estado de São Paulo, 2005. 40 p.
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
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
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.
JOHNSTON, K.; KRIVORUCHKO, K.; LUCAS, N.; VER HOEF, J. M. Using ArcGIS
geostatistical analyst. Redlands: Esri, 2001. 300 p.
KARAMOUZ, M.; NAZIF, S.; FALAHI, M. Hydrology and hydroclimatology: principles and
applications. Boca Raton: CRC Press, 2013. 716 p.
KNOTTERS, M. Regionalised time series models for water table depths. Thesis (PhD in
Hydrology) - Wageningen University (WUR), Wageningen, 2001.
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.
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
MELO, A.C. G.; DURIGAN, G. Plano de manejo da Estação Ecológica de Santa Bárbara
(Resumo Executivo). São Paulo: Instituto Florestal, 2009. 25 p.
MOORE, J. E. Field Hydrogeology – A guide for site investigations and report preparation.
London/New York/Boca Raton: CRC Press, 2012. 190 p.
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.
RUBIN, Y. Applied stochastic hydrogeology. New York: Oxford University Press, 2003.
391 p.
100
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.; 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.; 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
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
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
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.
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
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.
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
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.
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
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
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 A2-3: Precipitação observada na ECA instalada na EEcSB entre setembro de 2014 e
agosto de 2016.
Ano Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Total
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**
*total parcial para 1992 a partir de 05/09/2014; ** total parcial para 2016 até 31/08/2016
110
Ano Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Total
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**
*total parcial para 1992 a partir de 05/09/2014; ** total parcial para 2016 até 31/08/2016
111
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
0.2 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 A3-2: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço G2.
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 A3-3: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço G3.
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 A3-4: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço G4.
112
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 A3-5: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço G5.
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 A3-6: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço G6.
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 A3-7: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço G7.
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 A3-8: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço G8.
113
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 A3-9: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço G9.
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 A3-10: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço B1.
1.0 1.0
0.8 0.8
0.6 0.6
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 A3-11: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço B2.
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 A3-12: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço B3.
114
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 A3-13: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço B4.
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 A3-14: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço B5.
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 A3-15: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço B6.
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 A3-16: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço B7.
115
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 A3-17: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço B8.
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 A3-18: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S2.
1.0 1.0
0.8 0.8
0.6 0.6
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 A3-19: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S3.
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 A3-20: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S4.
116
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 A3-21: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S5.
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 A3-22: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S6.
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 A3-23: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S7.
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 A3-24: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S8.
117
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 A3-25: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S9.
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 A3-26: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S10.
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 A3-27: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S11.
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 A3-28: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S12.
118
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 A3-29: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço S13.
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 A3-30: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço P1.
1.0 1.0
0.8 0.8
0.6 0.6
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 A3-31: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço P2.
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 A3-32: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço P3.
119
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 A3-33: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço BR1.
1.0 1.0
0.8 0.8
0.6 0.6
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 A3-34: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço BR2.
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 A3-35: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço BR3.
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 A3-36: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço BR4.
120
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 A3-37: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço BR5.
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 A3-38: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço P_alto.
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 A3-39: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço
P_medio.
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 A3-40: 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
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 A3-41: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço GP2.
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 A3-42: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço GP3.
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 A3-43: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço GP4.
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 A3-44: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para o poço GP5.
122
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 A3-45: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para série
PREC_EECSB.
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
Figura A3-46: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para série
PREC_MANDURI.
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
Figura A3-47: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para série
ETP_MANDURI.
123
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 20 40 60 80 100 120 140 160 180 1 20 40 60 80 100 120 140 160 180
Lag Lag
Figura A3-48: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para série
PREC_ECA.
1.0 1.0
0.8 0.8
0.6 0.6
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
Figura A3-49: Funções de autocorrelação (FAC) e autocorrelação parcial (FACP) para série
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
Figura A3-50: Função de correlação cruzada (FCC) para as séries P_MAND e ETP_MAND.
1.0
0.8
0.6
Correlação Cruzada
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Figura A3-51: Função de correlação cruzada (FCC) para as séries P_ECA e ETP_ECA.
124
-0.2
0.2
-0.4
Long-term trend with ARR
-0.8
-0.2 Fitted for all monthly
-1 intervals
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.
0.15
-0.5 0.1
Long-term trend with ARR
0.05
Effect of Rain (m)
Depth (m)
Figura A4-2: 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 G2.
125
0.1
-0.5
Long-term trend with ARR
Figura A4-3: 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.
0.3
-0.5
0.2
-1 Long-term trend with ARR
Effect of Rain (m)
0.1
Depth (m)
Figura A4-4: 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 G4.
126
-0.5 0.4
Figura A4-5: 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 G5.
0.15
-0.2
0.1
-0.4 Long-term trend with ARR
0.05
Effect of Rain (m)
-0.6
0
Water level EEcSB_G6
Depth (m)
Figura A4-6: 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 G6.
127
-0.2
0.1
Figura A4-7: 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 G7.
0.4
0
0.2 Long-term trend with ARR
Effect of Rain (m)
-0.5
0
Depth (m)
Figura A4-8: 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 G8.
128
0.15
0.2
0.1
0 Long-term trend with ARR
0.05
-0.2
Effect of rainfall
-0.8
-0.25
-1
Linear (Water level
-0.3 EEcSB_G9)
-1.2 -0.35
Jun-12 Oct-13 Feb-15 Jul-16
Date
Figura A4-9: 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 G9.
0.1
-0.2
0.05 Long-term trend with ARR
Effect of Rain (m)
-0.4
0
Depth (m)
Figura A4-10: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro
de 2014 e 02 de setembro de 2016 no poço B1.
129
0.1 0.02
0.05
0.01
0 Long-term trend with ARR
Figura A4-11: 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 B2.
0.001
-0.1
-0.2
Depth (m)
Figura A4-12: 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 B3.
130
0.06
-0.2
0.04
Long-term trend with ARR
0.02
Figura A4-13: 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 B4.
-0.1 0.04
-0.3
Depth (m)
Figura A4-14: 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 B5.
131
-0.1
0.1
-0.2
0.05 Long-term trend with ARR
-0.3
Figura A4-15: 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 B6.
-0.2
0.4
-0.4
0.2 Long-term trend with ARR
-0.6
Effect of Rain (m)
Depth (m)
Figura A4-16: 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 B7.
132
-0.2
0.2
-0.4
0.1 Long-term trend with ARR
-0.6
Figura A4-17: 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 B8.
0.4
-1
0.2 Long-term trend with ARR
Effect of Rain (m)
-2
0
Depth (m)
Figura A4-18: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro
de 2014 e 02 de setembro de 2016 no poço S2.
133
-0.5
0.2
-1
0.1 Long-term trend with ARR
-1.5
Figura A4-19: 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 S3.
-0.2
0.02
-0.4
0.01 Long-term trend with ARR
Effect of Rain (m)
-0.6
Depth (m)
Figura A4-20: 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 S4.
134
-0.2 0.2
-0.4
0.1 Long-term trend with ARR
-0.4
Linear (Water level
-1.6 EEcSB_S5)
-1.8 -0.5
Jun-12 Oct-13 Feb-15 Jul-16
Date
Figura A4-21: 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 S5.
-0.2
0.2
-0.4
0.1 Long-term trend with ARR
-0.6
Effect of Rain (m)
0
Depth (m)
Figura A4-22: 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 S6.
135
0.1 0.03
0 0.02
Long-term trend with ARR
-0.1
Figura A4-23: 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 S7.
0.4
-0.5
-1
Depth (m)
Figura A4-24: 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 S8.
136
-0.2 0.3
-0.4 0.2
Long-term trend with ARR
-0.6 0.1
Figura A4-25: 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 S9.
-0.2
0.2
-0.4
0.1 Long-term trend with ARR
Effect of Rain (m)
-0.6
Depth (m)
Figura A4-26: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro
de 2014 e 02 de setembro de 2016 no poço S10.
137
0.1
-0.5
0.05 Long-term trend with ARR
Figura A4-27: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro
de 2014 e 02 de setembro de 2016 no poço S11.
-0.5
0.4
-1
0.2 Long-term trend with ARR
Effect of Rain (m)
-1.5
Depth (m)
Figura A4-28: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro
de 2014 e 02 de setembro de 2016 no poço S12.
138
0 0.2
-0.2
0.1 Long-term trend with ARR
-0.4
Linear (Water level
-1.4 Eeco_SB_S13)
-1.6 -0.5
Aug-12 Dec-13 Apr-15 Sep-16
Date
Figura A4-29: 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 S13.
-0.2 0.2
-0.6 0
Depth (m)
-1.4 -0.4
Linear (Water level
EEcSB_P1)
-1.6 -0.5
Jun-12 Oct-13 Feb-15 Jul-16
Date
Figura A4-30: Ajuste do modelo HARTT à série de observações do nível freático entre 05 de setembro
de 2014 e 02 de setembro de 2016 no poço P1.
139
-0.5 1
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
Jun-12 Oct-13 Feb-15 Jul-16
-4 -2
Date
Figura A4-31: 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 P2.
-0.5 1
Figura A4-32: 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 P3.
140
-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
0.6
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.
-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
0.5
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-2: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço G2 entre 05 de setembro de 2014 e 02 de setembro de 2016.
141
-0.5
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-3: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço G3 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-4: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço G4 entre 05 de setembro de 2014 e 02 de setembro de 2016.
142
-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
1.5
1
0.5
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-5: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço G5 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-0.2 Prediction
Observations
-0.4
Groundwater level (m-ref)
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-6: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço G6 entre 05 de setembro de 2014 e 02 de setembro de 2016.
143
-0.4
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-7: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço G7 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-0.4
Groundwater level (m-ref)
-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
0.5
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-8: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço G8 entre 05 de setembro de 2014 e 02 de setembro de 2016.
144
-0.2
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-9: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço G9 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-0.6
Groundwater level (m-ref)
-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
0.2
Figura A5-10: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço B1 entre 05 de setembro de 2014 e 02 de setembro de 2016.
145
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A511: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço B2 entre 05 de setembro de 2014 e 02 de setembro de 2016.
0.1 Prediction
Observations
0
Groundwater level (m-ref)
-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
0.2
0.1
0
-0.1
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-12: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço B3 entre 05 de setembro de 2014 e 02 de setembro de 2016.
146
-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
0.4
0.2
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-13: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço B4 entre 05 de setembro de 2014 e 02 de setembro de 2016.
0
Groundwater level (m-ref)
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-14: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço B5 entre 05 de setembro de 2014 e 02 de setembro de 2016.
147
-0.1
-0.2
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-15: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço B6 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-0.4
Groundwater level (m-ref)
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-16: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço B7 entre 05 de setembro de 2014 e 02 de setembro de 2016.
148
-0.8
-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
0.6
0.4
0.2
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-17: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço B8 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-3.5
-4
-4.5
-5
PREC_ECA_1
2
Rise (m)
1.5
1
0.2
ETP_ECA_1
Rise (m)
0.1
0.5
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-18: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S2 entre 05 de setembro de 2014 e 02 de setembro de 2016.
149
-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
0.5
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-19: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S3 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-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
0.6
0.4
0.2
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-20: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S4 entre 05 de setembro de 2014 e 02 de setembro de 2016.
150
-0.6
-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
0.5
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-21: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S5 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-0.6
Groundwater level (m-ref)
-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
0.5
0
Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-22: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S6 entre 05 de setembro de 2014 e 02 de setembro de 2016.
151
0.2 Prediction
Observations
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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-23: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S7 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-0.5
Groundwater level (m-ref)
-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
0.6
0.4
0.2
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-24: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S8 entre 05 de setembro de 2014 e 02 de setembro de 2016.
152
0 Prediction
Observations
-0.2
-0.4
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-25: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S9 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-0.6
Groundwater level (m-ref)
-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
0.2
Figura A5-26: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S10 entre 05 de setembro de 2014 e 02 de setembro de 2016.
153
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-27: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S11 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-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
Figura A5-28: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S12 entre 05 de setembro de 2014 e 02 de setembro de 2016.
154
-0.2
-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
Figura A5-29: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço S13 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-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
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-30: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço P1 entre 05 de setembro de 2014 e 02 de setembro de 2016.
155
-1.5
-2
-2.5
-3
2 PREC_ECA_1
Rise (m)
1.5
2 ETP_ECA_1
Rise (m)
1.5
1
0.5
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-31: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço P2 entre 05 de setembro de 2014 e 02 de setembro de 2016.
-1
Groundwater level (m-ref)
-1.5
-2
-2.5
-3
2.5 PREC_ECA_1
Rise (m)
1.5
2
ETP_ECA_1
Rise (m)
1.5
1
0.5
0
Sep14 Jan15 May15 Sep15 Jan16 May16
Date
Figura A5-32: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço GP3 entre 05 de setembro de 2014 e 02 de setembro de 2016.
156
-1
-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
Figura A5-33: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço BR1 entre 03 de dezembro de 2010 e 02 de setembro de 2016.
-1
Groundwater level (m-ref)
-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
exógenas no poço BR2 entre 03 de dezembro de 2010 e 02 de setembro de 2016.
157
-1
-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
Figura A5-35: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço BR3 entre 03 de dezembro de 2010 e 02 de setembro de 2016.
-1
Groundwater level (m-ref)
-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
Figura A5-36: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço BR4 entre 03 de dezembro de 2010 e 02 de setembro de 2016.
158
-1
-1.5
-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
Figura A5-37: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço BR5 entre 03 de dezembro de 2010 e 02 de setembro de 2016.
-0.6
Groundwater level (m-ref)
-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
Figura A5-38: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço P_ALTO entre 03 de março de 2010 e 04 de março de 2015.
159
-0.1
-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
Figura A5-39: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço P_MEDIO entre 03 de março de 2010 e 04 de março de 2015.
-0.5
Groundwater level (m-ref)
-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
Figura A5-40: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço GP1 entre 05 de junho de 2011 e 04 de março de 2015.
160
-0.5
-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
Figura A5-41: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço GP2 entre 05 de junho de 2011 e 04 de março de 2015.
-0.5
Groundwater level (m-ref)
-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
Figura A5-42: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço GP3 entre 05 de junho de 2011 e 04 de março de 2015.
161
-0.4
-0.6
-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
Figura A5-43: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço GP4 entre 05 de junho de 2011 e 04 de março de 2015.
-0.2
-0.4
Groundwater level (m-ref)
-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
Figura A5-44: Ajuste do modelo PIRFICT à série de observações do nível freático e demais variáveis
exógenas no poço GP5 entre 05 de junho de 2011 e 04 de março de 2015.
162
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%.
Figura A6-2: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço G2 com intervalo de confiança de 5%.
163
Figura A6-3: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço G3 com intervalo de confiança de 5%.
Figura A6-4: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço G4 com intervalo de confiança de 5%.
164
Figura A6-5: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço G5 com intervalo de confiança de 5%.
Figura A6-6: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço G6 com intervalo de confiança de 5%.
165
Figura A6-7: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço G7 com intervalo de confiança de 5%.
Figura A6-8: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço G8 com intervalo de confiança de 5%.
166
Figura A6-9: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço G9 com intervalo de confiança de 5%.
Figura A6-10: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço B1 com intervalo de confiança de 5%.
167
Figura A6-11: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço B2 com intervalo de confiança de 5%.
Figura A6-12: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço B3 com intervalo de confiança de 5%.
168
Figura A6-13: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço B4 com intervalo de confiança de 5%.
Figura A6-14: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço B5 com intervalo de confiança de 5%.
169
Figura A6-15: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço B6 com intervalo de confiança de 5%.
Figura A6-16: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço B7 com intervalo de confiança de 5%.
170
Figura A6-17: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço B8 com intervalo de confiança de 5%.
Figura A6-18: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S2 com intervalo de confiança de 5%.
171
Figura A6-19: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S3 com intervalo de confiança de 5%.
Figura A6-20: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S4 com intervalo de confiança de 5%.
172
Figura A6-21: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S5 com intervalo de confiança de 5%.
Figura A6-22: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S6 com intervalo de confiança de 5%.
173
Figura A6-23: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S7 com intervalo de confiança de 5%.
Figura A6-24: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S8 com intervalo de confiança de 5%.
174
Figura A6-25: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S9 com intervalo de confiança de 5%.
Figura A6-26: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S10 com intervalo de confiança de 5%.
175
Figura A6-27: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S11 com intervalo de confiança de 5%.
Figura A6-28: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S12 com intervalo de confiança de 5%.
176
Figura A6-29: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço S13 com intervalo de confiança de 5%.
Figura A6-30: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço P1 com intervalo de confiança de 5%.
177
Figura A6-31: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço P2 com intervalo de confiança de 5%.
Figura A6-32: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço P3 com intervalo de confiança de 5%.
178
Figura A6-33: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço BR1 com intervalo de confiança de 5%.
Figura A6-34: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço BR2 com intervalo de confiança de 5%.
179
Figura A6-35: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço BR3 com intervalo de confiança de 5%.
Figura A6-36: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço BR4 com intervalo de confiança de 5%.
180
Figura A6-37: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço BR5 com intervalo de confiança de 5%.
Figura A6-38: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço P_ALTO com intervalo de confiança de 5%.
181
Figura A6-39: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço P_MEDIO com intervalo de confiança de 5%.
Figura A6-40: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço GP1 com intervalo de confiança de 5%.
182
Figura A6-41: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço GP2 com intervalo de confiança de 5%.
Figura A6-42: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço GP3 com intervalo de confiança de 5%.
183
Figura A6-43: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço GP4 com intervalo de confiança de 5%.
Figura A6-44: Simulações (1000 realizações) do modelo PIRFICT a partir de séries de precipitação de
janeiro de 1987 a agosto de 2016 no poço GP5 com intervalo de confiança de 5%.
184
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