4. RESULTADOS E DISCUSSÃO
4.3 Análise de importância de incertezas
Unindo os resultados quantitativos das incertezas e sensibilidade, foi possível determinar o elemento-chave na regionalização dos FC de escassez hídrica para o Semiárido brasileiro pelo modelo AWARE (Figura 28).
Figura 28 – Definição de elemento-chave na regionalização dos FC pelo modelo AWARE
Fonte: Autoria própria (2018).
Com relação às incertezas, a disponibilidade das EF foi o parâmetro mais incerto, em face da consideração da variabilidade temporal nas séries de dados. Em seguida, veio a demanda do ecossistema de Pastor et al. (2014), que ainda utiliza dados de modelagem para obtenção dos valores. Por fim, disponibilidade, demanda humana e da área, todos da ANA, apresentaram-se como variáveis pouco incertas.
No tocante à sensibilidade, novamente a disponibilidade, sendo que dessa vez tanto da ANA quanto do ONS e EF, foi a variável mais sensível. A variável área da ANA também teve influência significativa na sensibilidade, enquanto demanda humana da ANA e demanda do ecossistema de Pastor et al. (2014) tiveram pouca influência.
Dessa maneira, o elemento-chave, ou seja, aquele mais incerto e sensível foi a disponibilidade das EF, de modo que é preciso direcionar os esforços na coleta de dados consistentes para esta variável. Essa determinação levanta o questionamento de até que
ponto vale a pena buscar dados em diferentes fontes para preencher lacunas. No caso da regionalização dos FC, dados brutos de EF sem tratamento foram utilizados para preencher lacunas de dados tratados da ANA e acabaram sendo o maior responsável pela incerteza dos fatores. Essa incerteza não significou que os dados de EF sejam de má qualidade, mas sim que estes levaram em consideração uma variabilidade que não foi considerada nas demais variáveis, distanciando seu desvio padrão dos demais.
Nesse contexto, é interessante determinar a materialidade na avaliação de incertezas na definição do objetivo e escopo do trabalho, de modo a garantir que os dados tenham as mesmas informações disponíveis. Na regionalização dos FC, a disponibilidade da EF foi a mais incerta porque foi aquela que tinha mais informações, de modo que as outras variáveis foram menos incertas essencialmente porque não foi possível quantificar suas incertezas.
Enquanto Wender et al. (2018) puderam determinar prioridades para coleta de dados com base apenas na análise de sensibilidade, neste estudo as incertezas também foram consideradas nessa priorização. Com essa consideração, a variável área, por exemplo, deixou de ser uma prioridade, tendo em vista que é um dado pouco incerto. Nesse contexto, sugere-se a consideração também de incertezas na priorização da coleta de dados.
5. CONCLUSÃO
Com a realização do presente trabalho, foi possível perceber que a regionalização de modelo e fatores de caracterização em AICV é uma grande aliada na difusão da ACV como instrumento de compreensão no quadro de escassez hídrica. Nesse contexto, a avaliação e incorporação de informações de incertezas se faz necessária na consolidação da robustez desses resultados.
A partir dos resultados encontrados foi possível atingir todos os objetivos propostos no início do trabalho. Foi realizada avaliação qualitativa e quantitativa das incertezas e sensibilidade na regionalização dos FC de escassez hídrica pelo modelo AWARE para o Semiárido brasileiro, de modo que foi identificado que a maior fonte de incertezas foram os dados de disponibilidade das EF e a variável mais sensível foi a disponibilidade.
Na regionalização dos FC realizada por Andrade (2018), dados brutos de EF foram utilizados no preenchimento de lacunas de dados tratados da ANA para disponibilidade, acabando por agregar uma variabilidade temporal naturalmente elevada. Como esta variabilidade havia sido desconsiderada em todas as outras variáveis, estes dados acabaram por não estar em consonância com os demais. Assim, foi possível concluir que a consideração da variabilidade temporal foi o principal responsável pelas incertezas nos dados de entrada e, consequentemente, nos dados de saída.
Concomitantemente, tem-se o fato de que algumas variáveis tiveram suas incertezas estimadas por meio da adaptação de abordagens de inventário, por conta da ausência de abordagens específicas voltadas para a avaliação de impacto. Dessa maneira, além da consideração da variabilidade em apenas uma variável, há ainda a possibilidade de as incertezas terem sido subestimadas nas demais, aumentando a discrepância entre os resultados encontrados.
Sugere-se, então, que em trabalhos futuros relacionados a incertezas em AICV e FC, as variabilidades espaciais ou temporais sejam consideradas em todas as variáveis que venham a ser utilizadas no modelo, de modo a reduzir a discrepância entre as incertezas dos dados de entrada e evitar inconsistência entre estes. No caso de ausência das informações de incertezas de algumas das variáveis, faz-se necessário elaborar abordagens de estimativa direcionadas para a avaliação de impacto. Também pode ser considerada a utilização de um fator de penalização aplicado no cálculo das incertezas
destas variáveis cujos informações são ausentes, a fim de encorajar a disponibilização de informação ao invés de ocultá-las na intenção de reduzir incertezas por conta de ausência de dados.
Analisando o tamanho das sérias históricas utilizadas, observou-se que a adoção de séries de dados menores levou à redução da média e desvio padrão. Dessa maneira, a depender do escopo de cada trabalho, podem ser adotadas séries maiores para abranger o comportamento da região ao longo dos anos, ou seres menores a fim de aproximar-se da situação atual. Outra opção seria a adoção sempre do pior caso, a fim de evitar escassez em todos os cenários possíveis.
No contexto do Semiárido brasileiro, a disponibilidade das EF apresentou-se como variável mais incerta e sensível. Conclui-se, portanto, que a disponibilidade é o elemento-chave na regionalização dos FC, de modo que os maiores esforços devem ser concentrados na obtenção e interpretação desta variável.
Alguns padrões de comportamento já observados em avaliações de incertezas e sensibilidade de FC também foram observados neste estudo. Estes padrões são referentes a maior incerteza em FC moderados que em FC extremos e a maior sensibilidade e incerteza em FC agregados tanto temporal quanto espacialmente. Concluiu-se, portanto, que estes podem ser generalizados e não são inerentes a um ou outro modelo específico.
Por fim, para trabalhos futuros, recomenda-se a realização da avaliação de incertezas e sensibilidade para fatores de caracterização regionalizados para o restante do Brasil e para os FC não regionalizados pelo modelo AWARE. Além disso, sugere-se adoção da metodologia de aplicação de critérios utilizada neste trabalho para definir ferramentas de avaliação de incertezas e sensibilidade em outros fatores de caracterização (regionalizados ou não).
REFERÊNCIAS
ABNT. NBR ISO 14041: Gestão ambiental - Avaliação do ciclo devida - Definição de objetivo e escopo e análise de inventário. São Paulo: ABNT, 2004.
ABNT. NBR ISO 14040: Avaliação do Ciclo de Vida: Princípios e Estrutura. Associação Brasileira de Normas Técnicas, v. 21, 2006.
ABNT. NBR ISO 14044: Gestão Ambiental-Avaliação do ciclo de vida. São Paulo: ABNT, 2009.
ALCAMO, J. et al. Development and testing of the WaterGAP 2 global model of water use and availability. Hydrological Sciences Journal, v. 48, n. 3, p. 317–337, jun. 2003. ALVES, K.F.; UGAYA, C. M. L. Incertezas em AICV: estado da arte. In: VI Congresso Brasileiro sobre Gestão de Ciclo de Vida. UNB, Brasília, 2018.
ANA. Inventário das Estações Fluviométricas, 2009.
ANA. Relatório de Conjuntura dosRecursos Hídricos no Brasil–Informe 2011. ANA. Manual de procedimentos técnicos e administrativos de outorga de direito de uso de recursos hídricos da agência nacional de águas, 2013b.
ANA. Medindo as Águas do Brasil – Noções de Plu e Fluviometria, 2014. ANA. Nota Técnica no 56/2015/SPR, 2015.
ANA. Nota Técnica no 16/2016/SPR, 2016.
ANDRADE, E. P. Regionalização para o semiárido brasileiro de método de avaliação de ciclo de vida para escassez hídrica, 2018.
BARE, J. C. et al. Midpoints versus endpoints: the sacrifices and benefits. The International Journal of Life Cycle Assessment, v. 5, n. 6, p. 319–326, 2000.
BJÖRKLUND, A. E. Survey of approaches to improve reliability in LCA. The International Journal of Life Cycle Assessment, v. 7, n. 2, p. 64, 2002.
BOULAY, A.-M. et al. Consensus Building on the Development of a Stress-Based Indicator for LCA-Based Impact Assessment of Water Consumption: Outcome of the Expert Workshops. The International Journal of Life Cycle Assessment, v. 20, n. 5, p. 577–583, maio 2015.
BOULAY, A.-M. et al. The WULCA consensus haracterization model for water scarcity footprints: Assessing impacts of water consumption based on available water remaining (AWARE). 2016.
BOULAY, A.-M. et al. The WULCA Consensus Characterization Model for Water Scarcity Footprints: Assessing Impacts of Water Consumption Based on Available Water Remaining (AWARE). The International Journal of Life Cycle Assessment, v. 23, n. 2, p. 368–378, fev. 2018.
CHEHEBE, J. R. Análise do ciclo de vida de produtos: ferramenta gerencial da ISO 14000. [s.l.] Qualitymark Editora Ltda, 1997.
CLAUSET, A.; SHALIZI, C. R.; NEWMAN, M. E. Power-law distributions in empirical data. SIAM review, v. 51, n. 4, p. 661–703, 2009.
DE ALMEIDA CASTRO, A. L. et al. Applicability and Relevance of Water Scarcity Models at Local Management Scales: Review of Models and Recommendations for Brazil. Environmental Impact Assessment Review, v. 72, p. 126–136, set. 2018. DE SCHRYVER, A. M. et al. Uncertainties in the Application of the Species Area Relationship for Characterisation Factors of Land Occupation in Life Cycle Assessment. The International Journal of Life Cycle Assessment, v. 15, n. 7, p. 682– 691, ago. 2010.
FAO. Coping with water scarcity: an action framework for agriculture and food security, 2012.
FINNVEDEN, G.; LINDFORS, L.-G. Data quality of life cycle inventory data—rules of thumb. The International Journal of Life Cycle Assessment, v. 3, n. 2, p. 65–66, 1998.
FRISCHKNECHT, R. et al. Global guidance on environmental life cycle impact assessment indicators: progress and case study. The International Journal of Life Cycle Assessment, v. 21, n. 3, p. 429–442, 2016.
HAIR, J. F. et al. Multivariate data analysis. Uppersaddle River. Multivariate Data Analysis (5th ed) Upper Saddle River, 1998.
HANSSEN, O. J.; ASBJØRNSEN, O. A. Statistical properties of emission data in life cycle assessments. Journal of Cleaner Production, v. 4, n. 3–4, p. 149–157, 1996. HEDBRANT, J.; SÖRME, L. Data vagueness and uncertainties in urban heavy-metal data collection. Water, Air, & Soil Pollution: Focus, v. 1, n. 3, p. 43–53, 2001.
HEIJUNGS, R. A generic method for the identification of options for cleaner products. Ecological Economics, v. 10, p. 69, 1994.
HEIJUNGS, R. Identification of key issues for further investigation in improving the reliability of life-cycle assessments. Journal of Cleaner Production, v. 4, n. 3–4, p. 159–166, 1996.
HEIJUNGS, R. Sensitivity Coefficients for Matrix-Based LCA. The International Journal of Life Cycle Assessment, v. 15, n. 5, p. 511–520, jun. 2010.
HEIJUNGS, R.; HUIJBREGTS, M. A. A review of approaches to treat uncertainty in LCA. In: Anais... In: PROCEEDINGS OF THE IEMSS CONFERENCE, OSNABRUCK. 2004.
HEIJUNGS, R.; KLEIJN, R. Numerical approaches towards life cycle interpretation five examples. The International Journal of Life Cycle Assessment, v. 6, n. 3, p. 141–148, 2001.
HEIJUNGS, R.; SUH, S. The computational structure of life cycle assessment. The Netherlands: Kluwer Academic Publishers, 2002.
HUIJBREGTS, M. A. Application of uncertainty and variability in LCA. The International Journal of Life Cycle Assessment, v. 3, n. 5, p. 273, 1998.
HUIJBREGTS, M. A. et al. Framework for modelling data uncertainty in life cycle inventories. The International Journal of Life Cycle Assessment, v. 6, n. 3, p. 127– 132, 2001.
IGOS, E. et al. How to Treat Uncertainties in Life Cycle Assessment Studies? The International Journal of Life Cycle Assessment, 4 maio 2018. Disponível em: <http://link.springer.com/10.1007/s11367-018-1477-1>. Acesso em: 26 out. 2018. ISO, N. 14044-Gestão Ambiental-Avaliação do ciclo de vida. São Paulo: ABNT, 2006. KENNEDY, D. J.; MONTGOMERY, D. C.; QUAY, B. H. Data quality. The International Journal of Life Cycle Assessment, v. 1, n. 4, p. 199–207, 1996.
LAMBIE, J. C. Measurement of flow velocity-area methods. [s.l: s.n.]
LLOYD, S. M.; RIES, R. Characterizing, Propagating, and Analyzing Uncertainty in Life‐Cycle Assessment: A Survey of Quantitative Approaches. Journal of Industrial Ecology, v. 11, n. 1, p. 161–179, 2007.
LOUBET, P. et al. Assessing water deprivation at the sub-river basin scale in LCA integrating downstream cascade effects. Environmental science & technology, v. 47, n. 24, p. 14242–14249, 2013.
MEIER, M. A. Eco-efficiency evaluation of waste gas purification systems in the chemical industry. 1997.
NÚÑEZ, M. et al. Spatial and Temporal Specific Characterisation Factors for Water Use Impact Assessment in Spain. The International Journal of Life Cycle Assessment, v. 20, n. 1, p. 128–138, jan. 2015.
ONS. Submódulo 25.2: Apuração dos dados, 2009.
ONS. Submódulo 9.2: Acompanhamento, análise e tratamento dos dados hidroenergéticos do Sistema Interligado Nacional, 2016.
PASTOR, A. V. et al. Accounting for Environmental Flow Requirements in Global Water Assessments. Hydrology and Earth System Sciences, v. 18, n. 12, p. 5041– 5059, 11 dez. 2014.
PEÑA, C. A.; HUIJBREGTS, M. A. J. The Blue Water Footprint of Primary Copper Production in Northern Chile: Water Footprint of Primary Copper Production. Journal of Industrial Ecology, v. 18, n. 1, p. 49–58, fev. 2014.
PFISTER, S.; HELLWEG, S. Uncertainty in characterization factors of water consumption impacts on water scarcity (midpoint) & human health (endpoint) including variability-induced uncertainty of spatially aggregated characterization factors. In: LC- Impact project report. 2011.
PFISTER, S.; KOEHLER, A.; HELLWEG, S. Assessing the Environmental Impacts of Freshwater Consumption in LCA. Environmental Science & Technology, v. 43, n. 11, p. 4098–4104, jun. 2009.
POHL, C. et al. Imprecision and uncertainty in LCA. In: Life Cycle Assessment (LCA)—Quo vadis? [s.l.] Springer, 1996. p. 51–68.
ROY, P.-O. et al. Characterization Factors for Terrestrial Acidification at the Global Scale: A Systematic Analysis of Spatial Variability and Uncertainty. Science of The Total Environment, v. 500–501, p. 270–276, dez. 2014.
SAKAI, S.; YOKOYAMA, K. Formulation of sensitivity analysis in life cycle assessment using a perturbation method. Clean technologies and environmental policy, v. 4, n. 2, p. 72–78, 2002.
SAUR, K. et al. How to handle uncertainties and assumptions in interpreting LCA results? [s.l.] SAE Technical Paper, 1998.
SETAC. A conceptual framework for life cycle impact assessment, 1993. SETAC. Life-Cycle Impact Assessment: The State-of-the-Art., 1997.
SLOB, W. Uncertainty analysis in multiplicative models. Risk Analysis, v. 14, n. 4, p. 571–576, 1994.
SONNEMANN, G. W.; SCHUHMACHER, M.; CASTELLS, F. Uncertainty assessment by a Monte Carlo simulation in a life cycle inventory of electricity produced by a waste incinerator. Journal of Cleaner Production, v. 11, n. 3, p. 279–292, 2003. SRHU; FUNARBE. Relatório final dos coeficientes técnicos de recursos hídricos das atividades industrial e agricultura irrigada., 2011.
STEEN, B. On uncertainty and sensitivity of LCA-based priority setting. Journal of Cleaner Production, v. 5, n. 4, p. 255–262, 1997.
THUNNISSEN, D. P. Uncertainty classification for the design and development of complex systems. In: Anais... In: 3RD ANNUAL PREDICTIVE METHODS CONFERENCE. 2003.
UNEP, U. N. E. P. Global Guidance Principles for Life Cycle Assessment Database: A Basis for Greener Processes and Products, 2011. .
USEPA. Guidelines for Assessing the Quality of Life Cycle Inventory Analysis., 1995.
WEIDEMA, B. P.; BAUER, C.; HISCHIER, R.; MUTEL, C.; NEMECEK, T.; REINHARD, J.; VADENBO, C. O.; WERNET, G. Overview and methodology. Data quality guideline for the ecoinvent database version 3. Ecoinvent Report 1(v3). St. Gallen: The ecoinvent Centre. 2013.
WEIDEMA, B. P.; WESNAES, M. S. Data quality management for life cycle inventories—an example of using data quality indicators. Journal of cleaner production, v. 4, n. 3–4, p. 167–174, 1996.
WENDER, B. A. et al. Sensitivity-Based Research Prioritization through Stochastic Characterization Modeling. The International Journal of Life Cycle Assessment, v. 23, n. 2, p. 324–332, fev. 2018.
ANEXO A – Equações para agregação do modelo AWARE ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑
CF_agri FC para consumo agrícola ws Bacia hidrográfica y Ano
CF_non_agri FC para consumo não agri. c País m Mês
ANEXO B – Valores estimados para incertezas segundo diversas abordagens Weidema et al.
(2013)
Desvio padrão para dados de inventário 0 para indicador de qualidade dos dados 1
0,00002 a 0,0006 para indicador de qualidade dos dados 2 0,001 a 0,008 para indicador de qualidade dos dados 3 0,0006 a 0,04 para indicador de qualidade dos dados 4 0,002 a 0,12 para indicador de qualidade dos dados 5 Hanssen e
Asbjørnsen (1996)
Desvio padrão para variação em emissões
20-50% para produtos modificados de um produtor
50-100% para produtos modificados de diferentes produtores 50% para diferentes produtos de um produtor
50-100% para diferentes produtos de diferentes produtores Kennedy et al.
(1996)
Parâmetros de distribuição Beta e pontos finais de intervalo para parâmetros de entrada
(5,5) e ± 10% para indicador de qualidade dos dados 5 (4,4) e ± 15% para indicador de qualidade dos dados 4,5 (3,3) e ± 20% para indicador de qualidade dos dados 4 (2,2) e ± 25% para indicador de qualidade dos dados 3,5 (1,1) e ± 30% para indicador de qualidade dos dados 3 (1,1) e ± 35% para indicador de qualidade dos dados 2,5 (1,1) e ± 40% para indicador de qualidade dos dados 2 (1,1) e ± 45% para indicador de qualidade dos dados 1,5 (1,1) e ± 50% para indicador de qualidade dos dados 1 Finnveden e
Lindfors (1998)
Limites superior e inferior (x/fator e x * fator) para parâmetros de inventário
Fator 2 para recursos não-renováveis centrais
Fator 10 ou mais para recursos renováveis menos centrais Mesmo que entrada para saídas calculadas a partir de entradas Fator 10 para outra energia relacionada a emissões do ar Fator 10-100 ou maior para outras emissões específicas Fator 10 para quantidade total de resíduos sólidos Muito alta para tipos específicos de resíduos sólidos
Saur et al. (1998) Desvio padrão para erro de primeira ordem baseado na aquisição dos dados
± 2,5% para erro muito pequeno ± 5% para erro pequeno
± 10% para erro moderado
15% para erro grande
Desvio padrão para erro de segunda ordem baseado na fonte dos dados e representatividade
± 2,5% para dados excelentes (ex: dados de um projeto específico)
± 5% para dados muito bons (ex: dados primários recentes) ± 7,5% para dados bons (ex: dados secundários recentes) ± 10% para dados medianos (ex: dados de literatura recentes) ± 15% para dados fracos (ex: dados primários antigos) ± 20% para dados ruins (ex: dados secundários recentes) ± 25% para dados muito ruins (ex: dados de literatura antigos) Hedbrant e
Sörme (2001)
Intervalos para dados técnicos, sociais e ambientais
(x/1,1, x * 1,1): nível de dados 1 (dados locais de autoridades) (x/1,33, x*1,33) nível de dados 2 (dados regionais ou nacionais
de autoridades)
(x/2, x*2) nível de dados 3 (dados nacionais oficiais reduzidos para nível local)
(x/4, x*4) nível de dados 4 (estimativas de autoridades) (x/10, x*10) nível de dados 5 (dados gerais)
Meier (1997); Sonnemann et al. (2003)
Coeficiente de variação para poluentes retirados de bases de dados
2% se determinado estequiometricamente
10% para dados atuais de emissões medidas ou processos bem conhecidos de emissões
20% para substâncias bem definidas ou parâmetros de soma 30% para dados de um componente específico obtidos por
APÊNDICE A – Fontes dos dados de disponibilidade para as 160 UHE
UHE Fonte Nome EF RH
15_3 ANA anual NA Atlântico Nordeste Oriental 15_4 ANA anual NA Atlântico Nordeste Oriental 16_1 ANA anual NA Atlântico Nordeste Oriental 16_2 ANA anual NA Atlântico Nordeste Oriental 16_3 ANA anual NA Atlântico Nordeste Oriental 16_4 ANA anual NA Atlântico Nordeste Oriental 16_5 ANA anual NA Atlântico Nordeste Oriental 16_6 ANA anual NA Atlântico Nordeste Oriental 16_7 ANA anual NA Atlântico Nordeste Oriental 16_8 ANA anual NA Atlântico Nordeste Oriental
Acarau EF EF - Santana
doAcaraú Atlântico Nordeste Oriental Afluentes do Rio
Preto ANA NA São Francisco
Alto Jaguaribe EF EF - Sítio Patos
Alto Jaguaribe Atlântico Nordeste Oriental Alto Rio
Jequitinhonha ANA Anual NA Atlântico Leste Alto Rio São
Francisco ANA NA São Francisco
Apodi Mossoro EF EF - Mossoró Atlântico Nordeste Oriental Bacias do Leste:
Rio Buranhém ANA Anual NA Atlântico Leste Bacias do Leste:
Rio Itanhém ANA Anual NA Atlântico Leste Bacias do Leste:
Rio Itaúnas ANA Anual NA Atlântico Leste Bacias do Leste:
Rio Jucuruçu ANA Anual NA Atlântico Leste Bacias do Leste:
Rio Peruípe ANA Anual NA Atlântico Leste Baixo Jaguaribe ANA anual NA Atlântico Nordeste Oriental
Banabuiu ANA anual NA Atlântico Nordeste Oriental Boqueirao ANA anual NA Atlântico Nordeste Oriental
Brígida EF EF- Jacaré São Francisco
Camaragibe EF EF - Matriz de
Camaragibe 2 Atlântico Nordeste Oriental Canindé EF EF - Francisco
Ayres Parnaíba
Capiá ANA anual NA São Francisco
Capibaribe EF
EF - são Lourenço da Mata
2
Atlântico Nordeste Oriental
Carnaíba de Dentro ANA NA São Francisco Catu ANA anual NA Atlântico Nordeste Oriental Caueira/Abaís ANA Anual NA Atlântico Leste
Ceara_Mirim EF EF - Ceará Mirim Atlântico Nordeste Oriental CELMM ANA anual NA Atlântico Nordeste Oriental
Coreau EF EF - Pesqueiro
Coreau Atlântico Nordeste Oriental Corrente e Riachos
do Ramalho, Serra Dourada e Brejo
Velho
ANA NA São Francisco
Coruripe EF EF - Camaçari Atlântico Nordeste Oriental Curimatau PB EF EF - Fazenda
Alagamar Atlântico Nordeste Oriental Curimatau RN EF EF - Pedro Velho Atlântico Nordeste Oriental
Curu EF EF - Melância
Curu Atlântico Nordeste Oriental De Contas EF EF - Ubaitaba-
Jusante Atlântico Leste Difusas da
Barragem de Boa Esperança
ANA NA Parnaíba
Difusas do Alto
Parnaíba ANA NA Parnaíba
Difusas do Baixo
Parnaíba ANA NA Parnaíba
Difusas do Litoral
ANOR ANA anual NA Atlântico Nordeste Oriental Difusas do Litoral
(PB) ANA Anual NA Parnaíba
Difusas do Médio
Parnaíba ANA NA Parnaíba
Dos Frades, Buranhém e Santo Antônio EF EF - Ponte BR- 101 Atlântico Leste Entorno da Represa de Três Marias
ANA NA São Francisco
Garças ANA anual NA São Francisco
GI1 EF EF - Brejão Atlântico Nordeste Oriental
GI2 ANA anual NA São Francisco
GI3 ANA NA São Francisco
GI4 ANA NA São Francisco
GI5 EF EF- Fazenda São
Miguel São Francisco
GI6 ANA anual NA São Francisco
da Boa Vista
GI8 EF EF - Juazeiro São Francisco
GI9 ANA anual NA Atlântico Nordeste Oriental GL1 ANA anual NA Atlântico Nordeste Oriental GL2 EF EF - Pirapama Atlântico Nordeste Oriental