UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA E DE MATERIAIS
KILVIA DE FREITAS ALVES
AVALIAÇÃO DE INCERTEZA DOS FATORES DE CARACTERIZAÇÃO REGIONALIZADOS PARA ESCASSEZ HÍDRICA NO SEMIÁRIDO BRASILEIRO
DISSERTAÇÃO
CURITIBA 2019
KILVIA DE FREITAS ALVES
AVALIAÇÃO DE INCERTEZA DOS FATORES DE CARACTERIZAÇÃO REGIONALIZADOS PARA ESCASSEZ HÍDRICA NO SEMIÁRIDO BRASILEIRO
Dissertação apresentada ao Programa de Pós-Graduação em Engenharia Mecânica e de Materiais da Universidade Tecnológica do Paraná como requisito parcial para obtenção de título de Mestre em Engenharia – Área de Concentração: Engenharia de Manufatura.
Orientadora: Prof. Dr. Cássia Maria Lie Ugaya
CURITIBA 2019
Dados Internacionais de Catalogação na Publicação
Alves, Kílvia de Freitas
Avaliação de incerteza dos fatores de caracterização regionalizados para escassez hídrica no Semiárido brasileiro / Kílvia de Freitas Alves.-- 2019. 1 arquivo de texto : PDF ; 4,62 MB
Disponível via World Wide Web
Texto em português com resumo em inglês
Dissertação (Mestrado) - Universidade Tecnológica Federal do Paraná. Programa de Pós-Graduação em Engenharia Mecânica e de Materiais. Área de Concentração: Engenharia de manufatura, Curitiba, 2019
Bibliografia: p. 117-121
1. Engenharia mecânica - Dissertações. 2. Monte Carlo, Método de. 3. Teoria de sensibilidade (Matemática). 4. Incerteza - Modelos matemáticos. 5. Processos de fabricação. I. Ugaya, Cássia Maria Lie, orient.
II. Universidade Tecnológica Federal do Paraná - Programa de Pós-graduação em Engenharia Mecânica e de Materiais, inst. III. Título.
CDD: Ed. 22 -- 620.1
Biblioteca Ecoville da UTFPR, Câmpus Curitiba Lucia Ferreira Littiere – CRB 9/1271
TERMO DE APROVAÇÃO DE DISSERTAÇÃO Nº348
A Dissertação de Mestrado intitulada: Avaliação de incerteza dos fatores de caracterização regionalizados para escassez hídrica no Semiárido brasileiro, defendida em sessão pública pela Candidata Kílvia de Freitas Alves, no dia 19 de fevereiro de 2019, foi julgada para a obtenção do título de Mestre em Engenharia, área de concentração: Engenharia de Manufatura, e aprovada em sua forma final, pelo Programa de Pós-Graduação em Engenharia Mecânica e de Materiais – PPGEM.
BANCA EXAMINADORA:
Profª Drª Cássia Maria Lie Ugaya - Presidente - UTFPR Prof. Dr. Hilbeth Parente Azikri de Deus - UTFPR Profª Drª Maria Cléa Brito de Figueirêdo - EMBRAPA
A via original deste documento encontra-se arquivada na Secretaria do Programa, contendo a assinatura da Coordenação após a entrega da versão corrigida do trabalho.
Curitiba, _____de _______________de 20___.
Carimbo e assinatura do Coordenador do Programa
_______________________________________________ Ministério da Educação
Universidade Tecnológica Federal do Paraná Diretoria de Pesquisa e Pós-Graduação
RESUMO
ALVES, Kilvia de Freitas. Avaliação de incerteza dos fatores de caracterização regionalizados para escassez hídrica no Semiárido brasileiro, 2019. Dissertação (Mestrado em Engenharia) – Programa de Pós-Graduação em Engenharia Mecânica e de Materiais, Universidade Tecnológica Federal do Paraná, Curitiba.
Apesar das recomendações da UNEP e SETAC (2016), sensibilidade e incertezas ainda são pouco incorporadas em estudos de ACV, especialmente na obtenção de fatores de caracterização (FC). Andrade (2018) realizou a regionalização dos FC de escassez hídrica pelo modelo AWARE para o Semiárido brasileiro. O objetivo deste estudo é avaliar incertezas e sensibilidade na regionalização dos FC para escassez hídrica no Semiárido brasileiro. A metodologia utilizada para avaliação qualitativa de incertezas foi a pontuação de indicadores de qualidade segundo uma matriz Pedigree (Weidema e Wesnaes, 1996) adaptada. Para a avaliação quantitativa de incertezas, foi utilizada a análise estatística clássica e simulações de Monte Carlo com 10000 iterações para avaliação e propagação de incertezas, respectivamente. Quando houve necessidade de estimativa de parâmetros de incerteza, foram estimados coeficientes de variação segundo Meier (1997) e Sonnemann et al. (2003). Para análise de sensibilidade, foi utilizada a análise de cenários por meio da proposição de 8 cenários com variação de mais e menos 10% de cada uma das quatro variáveis de entrada do modelo AWARE e a análise de sensibilidade unidirecional para compreensão da sua variação. Os dados de disponibilidade de Estações Fluviométricas obtiveram a melhor pontuação na avaliação qualitativa, enquanto a demanda do ecossistema de Pastor et al. (2014) tiveram a pior pontuação. Os resultados da análise quantitativa demonstraram que os dados de disponibilidade das Estações Fluviométricas foram os principais responsáveis pelas incertezas nos dados de entrada e, consequentemente, nos dados de saída. Isso por conta da grande variabilidade temporal típica do Semiárido, que foi considerada nestes dados e desconsiderada nas demais variáveis. Notou-se ainda que a adoção de séries de dados menores levou à redução da média e desvio padrão. Também se observou que FC moderados são mais incertos, enquanto FC mais extremos apresentam menor variação, corroborando com análises anteriores. A variável mais sensível foi a disponibilidade. As agregações levaram a FC mais incertos e sensíveis, porém não houve diferença significativa entre agregações agrícola, não agrícola e genérica. Concluiu-se que a disponibilidade é um elemento-chave na regionalização dos FC para escassez hídrica pelo método AWARE para o Semiárido brasileiro. Concluiu-se também que, a depender do escopo de cada trabalho, podem ser adotadas séries maiores para abranger o comportamento da região ao longo dos anos, ou séries menores, a fim de aproximar-se da situação de escassez atual. Outra opção seria a adoção sempre do pior caso, a fim de evitar escassez em todos os cenários possíveis.
Palavras-chave: AWARE; Propagação de incertezas; Monte Carlo; Análise de Cenários; Sensibilidade; Elemento chave.
ABSTRACT
ALVES, Kilvia de Freitas. Uncertainty assessment of regionalized characterization factors for the water scarcity in the brazilian semiarid region, 2019. Dissertation (Master in Engineering) – Postgraduate Program in Mechanical and Materials Engineering, Federal Technological University of Paraná, Curitiba.
Despite the recommendations, sensitivity and uncertainties are still little incorporated in LCA studies, especially in obtaining characterization factors (CF). Andrade (2018) performed the regionalization of water scarcity CF by the AWARE model for the Brazilian semi-arid region. The mais goal of this study is to evaluate uncertainties and sensitivity in the regionalization of water scarcity CF for the Brazilian semi-arid region.The methodology used for the qualitative evaluation of uncertainties was the score of quality indicators according to an adapted Pedigree matrix (Weidema and Wesnaes, 1996). For the quantitative evaluation of uncertainties, classical statistical analysis and Monte Carlo simulations with 10,000 iterations were used to evaluate and propagate uncertainties, respectively. When estimating uncertainty parameters, coefficients of variation were estimated according to Meier (1997) and Sonnemann et al. (2003). For sensitivity analysis, scenario analysis was used by proposing 8 scenarios with variation of plus and minus 10% of each of the four input variables of the AWARE model and the unidirectional sensitivity analysis to understand its variation. The availability data obtained best score in the qualitative evaluation, while the ecosystem demand of Pastor et al. (2014) had the worse score. The results showed that the availability data of the Fluviometric Stations were mainly responsible for the uncertainties in the input data and, consequently, the output data. This is due to the great temporal variability typical of the Brazilian semi-arid region, which was considered in these data and disregarded in the other variables. It was also noted that the adoption of smaller data series led to the reduction of mean and standard deviation. It was also observed that moderate CF are more uncertain, while more extreme CFs show lower variation, corroborating with previous analyzes. The most sensitive variable was the availability. Aggregations led to more uncertain and sensitive CF, but there was no significant difference between agricultural, non-agricultural and generic aggregates. It was concluded that availability is a key issue in the regionalization of water scarcity by the AWARE model for the Brazilian semi-arid region. It was also concluded that, depending on the scope of each work, larger series can be adopted to cover the region's behavior over the years, or smaller series, in order to approach the current scarcity situation. Another option would be to adopt always the worst case, in order to avoid scarcity in all possible scenarios.
Keywords: AWARE; Uncertainties propagation; Monte Carlo; Scenario analysis; Sensitivity; Key issue.
LISTA DE FIGURAS
Figura 01 – Base do modelo hidrológico WaterGAP 2.2 21 Figura 02 – Ordem de prioridade de dados de disponibilidade e demanda na
regionalização dos FC do modelo AWARE
22 Figura 03 – Exemplo do cálculo da disponibilidade da ANA 25 Figura 04 – Esquema do cálculo da demanda humana da ANA 30 Figura 05 – Comparação entre bacias WaterGAP 2.2 e delimitações da ANA 33 Figura 06 – Semiárido brasileiro em a) delimitação das UHE e fonte dos dados de
disponibilidade e b) delimitação por RH e seus nomes
38 Figura 07 – Comparação entre modelo AWARE original e regionalizado 38
Figura 08 – Definição de elementos-chave 53
Figura 09 – Fluxograma metodológico 57
Figura 10 – Agregações dos fatores de caracterização do modelo AWARE 65 Figura 11 – Fluxograma da avaliação quantitativa de incertezas 66
Figura 12 – Fluxograma da análise de sensibilidade 69
Figura 13 – Exemplo de distribuição da disponibilidade das EF 73 Figura 14 – Relação entre parâmetros estatísticos e tamanho das séries nos dados de
disponibilidade das EF
77 Figura 15 – Incertezas dos FC mensais genéricos por UHE 86 Figura 16 – FC mensais genéricos por UHE para o Semiárido 87 Figura 17 – Exemplo de distribuição de probabilidade dos FC 92 Figura 18 – Incertezas nos diferentes níveis de agregação do tipo genérica no
Semiárido brasileiro
95 Figura 19 – Incertezas nos diferentes tipos de agregação em nível anual por RH no
Semiárido brasileiro
100 Figura 20 – Dispersão para FC mensais genéricos por UHE e anuais genéricos por
RH no Semiárido brasileiro
102 Figura 21 – Dispersão dos FC de ponto médio em Pfister e Hellweg (2011) 102 Figura 22 – Dispersão nos FC agregados espacialmente em Pfister e Hellweg
(2011)
104 Figura 23 – Incertezas e dispersão dos FC regionalizados por Núñez et al. (2015) 104 Figura 24 – Sensibilidade nos FC mensais genéricos por UHE 107 Figura 25 – Sensibilidade nos diferentes níveis de agregação do tipo genérica no
Semiárido brasileiro
108 Figura 26 – Sensibilidade nos diferentes tipos de agregação em nível anual por RH
no Semiárido brasileiro
109 Figura 27 – Dispersão da sensibilidade relativa por amplitude nos FC mensais
genéricos por UHE
112 Figura 28 – Definição de elemento-chave na regionalização dos FC pelo modelo
AWARE
LISTA DE GRÁFICOS
Gráfico 01 – Comparação dos coeficientes de variação das variáveis de entrada 74 Gráfico 02 – Dispersão entre porcentagem de dados faltantes x desvio padrão para os
dados de disponibilidade das EF
75 Gráfico 03 – Dispersão entre número de anos nas séries x desvio padrão para os dados
de disponibilidade das EF
76 Gráfico 04 – Comparação entre os parâmetros estatísticos para os dados de
disponibilidade das EF
79 Gráfico 05 – Comparação entre os parâmetros estatísticos para os dados de
disponibilidade das EF próximos à origem
80 Gráfico 06 – Comparação entre os parâmetros estatísticos para os dados de
disponibilidade da ANA e NOS
81 Gráfico 07 – Comparação entre os parâmetros estatísticos para os dados de demanda
humana da ANA
82 Gráfico 08 – Comparação entre os parâmetros estatísticos para os dados de demanda
do ecossistema de Pastor et al. (2014)
83 Gráfico 09 – Comparação entre os parâmetros estatísticos para os dados de área da
ANA
83 Gráfico 10 – Comparação entre os parâmetros estatísticos para os FC mensais
genéricos por UHE
88 Gráfico 11 – Dispersão do desvio padrão, coeficiente de variação e amplitude nos FC
mensais genéricos por UHE
89 Gráfico 12 – Dispersão do coeficiente de variação nos FC mensais genéricos por UHE 90 Gráfico 13 – Comparação entre desvio padrão FC mensais genéricos por UHE e suas
agregações
94 Gráfico 14 – Comparação entre os parâmetros estatísticos para os FC anuais genéricos
por UHE
96 Gráfico 15 – Comparação entre os parâmetros estatísticos para os FC mensais
genéricos por RH
97 Gráfico 16 – Comparação entre os parâmetros estatísticos para os FC anuais genéricos
por RH
97 Gráfico 17 – Dispersão da sensibilidade relativa por cenários para os FC mensais
genéricos por UHE
LISTA DE QUADROS
Quadro 01 - Pontuação das ferramentas para avaliação de incertezas 47 Quadro 02 – Pontuação das abordagens para estimativas dos dados 49 Quadro 03 – Pontuação das ferramentas para análise de sensibilidade 52 Quadro 04 – Tipos e ferramentas para lidar com incertezas 55
LISTA DE TABELAS
Tabela 01 – Quantitativo das fontes dos dados na regionalização dos FC 22 Tabela 02 – Estimativa da vazão de referência em cada situação - ANA 23 Tabela 03 – Fonte dos dados para cálculo da disponibilidade da ANA 23 Tabela 04 – Faixa de consumo per capita para correção dos valores de demanda urbana 28
Tabela 05 – Consumo per capita rural 29
Tabela 06 – Demanda para dessendetação animal 29
Tabela 07 – Aspectos das fontes dos dados da regionalização do modelo AWARE 34 Tabela 08 – Identificação de incertezas por fonte de dados 37
Tabela 09 – Tipos de incertezas em diversas áreas 40
Tabela 10 – Tipos de incertezas e fases da ACV 41
Tabela 11 – Objetivos específicos e atividades 56
Tabela 12 – Indicadores, incerteza e pontuação dos dados de disponibilidade e demanda 60 Tabela 13 – Estimativa de coeficiente de variação dos dados segundo Meier (1997) e
Sonnemann et al. (2003)
62 Tabela 14 – Procedimento de avaliação de incertezas dos dados de entrada 63
Tabela 15 – Cenários para análise de sensibilidade 68
Tabela 16 – Pontuação dos indicadores de qualidade dos dados 70 Tabela 17 – Parâmetros estatísticos das variáveis de entrada 72 Tabela 18 – Parâmetros estatísticos nos FC mensais por UHE e suas agregações 90 Tabela 19 – Parâmetros estatísticos nos FC mensais por UHE sem limites do modelo 93 Tabela 20 – Desvio padrão por RH por nível de agregação 99 Tabela 21 – Sensibilidade Relativa nas agregações dos FC 108 Tabela 22 – Valores de sensibilidade relativa com limites do modelo 113
LISTA DE SIGLAS E SÍMBOLOS ACV Avaliação do Ciclo de Vida
AICV Avaliação de Impacto de Ciclo de Vida AL Atlântico Leste
AMD Availability Minus Demand AN Atlântico Nordeste Oriental ANA Agência Nacional das Águas AWARE Available Water Remaining
CRU Climate Research Unit
EF Estação Fluviométrica FC Fator de Caracterização FUNARBE Fundação Artur Bernardes
FUNCEME Fundação Cearense de Meteorologia e Recursos Hídricos IBGE Instituto Brasileiro de Geografia e Estatística
K Fator de dispersão
LPJmL Lund-Potsdam-Jena Managed Land MMA Ministério do Meio Ambiente
ONS Operador Nacional do Sistema Elétrico
PB Parnaíba
Q95 Vazão mínima em 95% do tempo RH Região Hidrográfica
SCBH Sub Comitê de Bacias Hidrográficas SF São Francisco
SIN Sistema Interligado Nacional
SRHU Secretaria de Recursos Hídricos e Ambiente Urbano UHE Unidade Hidrográfica Estadual
VMF Variable Monthly Flow
SUMÁRIO
1. INTRODUÇÃO 13
1.1 Objetivo 16
1.2 Estrutura do trabalho 17
2. REVISÃO DA LITERATURA 18
2.1. Descrição dos dados e modelos utilizados 18
2.1.1 Modelo AWARE 18
2.1.2 Regionalização do modelo AWARE 21
2.1.3 Conclusão 33
2.2 Incertezas e avaliação do impacto de ciclo de vida 39
2.2.1 Tipos de incertezas em AICV 42
2.2.2 Ferramentas para incorporação de incertezas 44
2.2.3 Conclusão 54
3. MÉTODO 56
3.1 Avaliação de incertezas dos dados e modelo 58
3.1.1 Avaliação qualitativa de incerteza dos dados 58
3.1.2. Avaliação quantitativa de incertezas dos dados 61
3.1.3. Avaliação de incertezas do modelo 66
3.2 Análise de sensibilidade 67
3.3 Comparação das incertezas e sensibilidade dos fatores de caracterização 69
4. RESULTADOS E DISCUSSÃO 70
4.1 Avaliação de incertezas dos dados e modelo 70
4.1.1 Avaliação qualitativa de incerteza dos dados 70
4.1.2 Avaliação quantitativa de incerteza dos dados 72
4.1.3 Avaliação de incerteza do modelo 101
4.2 Análise de sensibilidade 106
4.3 Análise de importância de incertezas 114
5. CONCLUSÃO 116
REFERÊNCIAS 118
ANEXO A – Equações para agregação do modelo AWARE 123
ANEXO B - Valores estimados para incertezas segundo diversas abordagens 124 APÊNDICE A – Fontes dos dados de disponibilidade para as 160 UHE 126 APÊNDICE B – Intervalo de tempo, número de anos e dados faltantes 131
APÊNDICE C – Redução de series das EF 135
APÊNDICE D – Desvio Padrão por UHE 149
APÊNDICE E – Desvio Padrão por RH 159
APÊNDICE F– Sensibilidade Relativa por UHE 160
1. INTRODUÇÃO
O conceito de depleção está relacionado à diminuição das reservas de um recurso, reduzindo sua disponibilidade de atuar como entrada em um sistema de produto. Os impactos diretos da depleção são a redução ao acesso pelas gerações futuras, a sobrecarga de possíveis substitutos e o comprometimento das atividades dependentes. Considerando recursos vitais e insubstituíveis, como a água, é imprescindível investigar as maneiras mais eficientes de preservar estas reservas (SETAC, 1993, p. 67).
No Brasil, existe um desequilíbrio entre a disponibilidade e a demanda de água ao longo do território nacional. Regiões com maior disponibilidade de recursos hídricos não são aquelas com as maiores demandas. Tal distribuição irregular torna algumas regiões mais vulneráveis à escassez hídrica que as demais, como é o caso do Semiárido brasileiro. Assim, a retirada de um mesmo volume de água pode acarretar impactos ambientais diversos em cada região do país (FAO, 2012; ANA, 2013a).
Com a crescente sensibilização em relação às causas ambientais, é cada vez mais frequente a busca por metodologias que auxiliem a compreensão dos impactos ambientais associados a bens e serviços. Uma dessas metodologias é a Avaliação do Ciclo de Vida (ACV), que considera todo o ciclo de vida de um produto ou processo e permite quantificar consumos e emissões referentes à sua produção, uso e descarte (ABNT, 2006, p. 2).
No âmbito da ACV, a etapa de Avaliação de Impacto do Ciclo de Vida (AICV) fornece resultados sobre os impactos ambientais, convertendo dados de inventário em unidades comuns agregadas dentro de uma categoria de impacto. Essa conversão é realizada utilizando fatores de caracterização (FC), que representam a contribuição de determinado recurso no impacto ambiental para a categoria considerada (ABNT, 2006, p. 7, 2009, p. 17).
Estão disponíveis vários modelos que permitem obtenção de fatores de escassez hídrica, dentre os quais, destaca-se o modelo AWARE (BOULAY et al., 2017), recomendado pelo guia da UNEP e SETAC (2016) para fatores globais e por Castro et al. (2018) para o contexto brasileiro.
Os dados de demanda humana e disponibilidade necessários para execução do modelo são obtidos a partir do modelo hidrológico WaterGAP2.21 e os dados de demanda do ecossistema da metodologia de Pastor et al. (2014) (BOULAY et al., 2017, p. 2). Os FC
1
WaterGAP2.2: modelo hidrológico utilizado para estimar consumos mensais de água para atender os setores industrial, doméstico e agrícola (demanda humana) e escoamento superficial e recarga dos aquíferos (disponibilidade) (ALCAMO et al., 2003, p. 320).
gerados são globais em nível de bacias hidrográficas, definidas pelo modelo WaterGAP 2.2 e agregadas por país.
A adoção desse recorte espacial pode, entretanto, afetar a qualidade das avaliações ambientais, quando um único FC é gerado para uma região hidrográfica extensa, sobretudo onde demanda e disponibilidade não são uniformes (Castro et al. 2018; LOUBET et al., 2013, p. 5). Paralelamente, os modelos hidrológicos utilizados ainda possuem limitações, levando à necessidade de desenvolver bases de dados contemplando dados históricos a fim de verificar e aprimorar os cálculos (ALCAMO et al., 2003, p. 333).
Com o intuito de reduzir esses efeitos negativos, estudos de regionalização de fatores de caracterização de escassez hídrica vêm sendo realizados em vários países nos últimos anos. Trabalhos realizados no Chile (PEÑA; HUIJBREGTS, 2014, p. 2) e Espanha (NÚÑEZ et al., 2015, p. 3) promoveram a regionalização de FC do modelo WSI (Water Stress Index) (PFISTER et al., 2009, p. 4098), utilizando bases de dados nacionais. Tais estudos concluíram que a regionalização representou uma melhoria na avaliação de impacto e incentivaram a regionalização em outros países.
Na realidade brasileira de pesquisa e desenvolvimento, a Rede de Pesquisa em Avaliação de Impacto do Ciclo de Vida (RAICV), é composta por pesquisadores engajados no desenvolvimento e aprimoramento dos modelos de AICV no Brasil (RAICV, 2017). A Rede vem promovendo a integração de pesquisadores na regionalização de modelos de avaliação de impacto do ciclo de vida (IBICT, 2017). Neste contexto, Andrade (2018, p. 21) procedeu a regionalização dos FC calculados pelo modelo AWARE para as bacias do Semiárido brasileiro. Os principais aspectos considerados nessa regionalização foram os recortes mais específicos utilizados e a substituição das fontes de dados do WaterGAP 2.2 para dados nacionais provenientes da Agência Nacional de Águas (ANA).
Existem, contudo, incertezas associadas ao escopo e aos modelos utilizados em todas as fases de um estudo de ACV, inclusive na AICV (LLOYD; RIES, 2007, p. 162). A propagação destas pode comprometer a confiabilidade dos resultados e suas aplicações posteriores (BJÖRKLUND, 2002, p. 64; HEIJUNGS; SUH, 2002, p. 140). Apenas através do relato das incertezas é possível uma interpretação adequada dos resultados de um estudo, especialmente devido à natureza comparativa da ACV. Além disso, a compreensão das incertezas facilita uma posterior revisão e aplicação do trabalho por parte de terceiros (UNEP SETAC, 2016, p. 46).
Embora a ISO 14040 (2006, p. 6) recomende a análise de sensibilidade e a avaliação de incertezas em estudos de ACV, ainda são poucas as ferramentas formais disponíveis para execução das mesmas. Ademais, os maiores esforços têm se concentrado nas incertezas na etapa de inventário e não na avaliação de impacto (UNEP SETAC, 2016, p. 50).
A maioria dos resultados de AICV não contém informações quantitativas acerca das incertezas, mesmo que, idealmente, uma ACV deva conter informações sobre todos os tipos de incerteza e variabilidade em todas as suas fases (HUIJBREGTS, 1998, p. 273) para a tomada de decisões consistentes (UNEP SETAC, 2016, p. 50). A disponibilização de estimativas de incerteza e variabilidade em FC permite a incorporação destas melhorias na avaliação dos produtos (HUIJBREGTS, 1998, p. 273).
Alves e Ugaya (2018, p. 2) avaliaram a incorporação de incertezas e sensibilidade em AICV por meio de uma revisão sistemática. As autoras constataram que dos 63% que procederam avaliação de incertezas e/ou análise de sensibilidade, apenas 2% eram voltados para FC. Estes estudos foram realizados para as categorias de ocupação da terra (DE SCHRYVER et al., 2010), acidificação terrestre (ROY et al., 2014), toxicidade (WENDER et
al., 2018) e escassez hídrica (PFISTER; HELLWEG, 2011; NÚÑEZ et al., 2015).
De Schyver et al. (2010) analisaram a incerteza dos parâmetros e das escolhas em fatores de caracterização para uso da terra para a Grã-Bretanha por meio de análise de cenários. Os autores concluíram que a diferença entre os cenários foi justificada em 40% pela fonte dos dados e 60% pela escolha de dados regionalizados.
No estudo de Roy et al. (2014), foram quantificadas e comparadas a variabilidade espacial e a incerteza estatística em FC para acidificação terrestre em escala global. Conclui-se que a variação espacial nos fatores de caracterização foi muito maior que a incerteza estatística dos dados e sugeriu-se a avaliação regionalizada das emissões.
Vale ressaltar que a variabilidade é atribuída à variação natural dos valores, enquanto as incertezas representam imprecisões em medições, ausência de dados, pressupostos e etc. A variabilidade dos parâmetros pode ser uma fonte de incertezas (HUIJBREGTS, 1998, p. 273; BJÖRKLUND, 2002, p. 64).
Wender et al. (2018) apresentaram uma abordagem baseada em análise de sensibilidade para priorizar a coleta de dados em fatores de caracterização de toxicidade. Os autores puderam compreender o comportamento dos fatores e determinar os parâmetros que mais os influenciam.
No contexto da escassez hídrica, Pfister e Hellweg (2011) e Núñez et al. (2015) avaliaram incertezas e sensibilidade em fatores de caracterização do modelo WSI. Pfister e Hellweg (2011, p. 3) avaliaram as incertezas dos parâmetros calculados para ponto médio e ponto final em Pfister et al. (2009), promovendo avaliação quantitativa quando aplicável. Neste estudo, também foi considerada a variabilidade espacial e a agregação em nível de país. O estudo concluiu que os valores para ponto médio são mais robustos em comparação aos de ponto final e que a agregação espacial aumenta significativamente as incertezas.
No estudo de Núñez et al. (2015), foi realizada a avaliação de incerteza e análise de sensibilidade para FC regionalizados de escassez hídrica na Espanha, também calculados pelo modelo WSI. Os autores concluíram que regiões com baixo estresse hídrico se apresentaram menos sensíveis a incertezas e o maior desvio padrão foi encontrado em áreas de estresse hídrico moderado.
Para o modelo AWARE, Boulay et al. (2017, p.10) afirmam que os modelos hidrológicos são incertos tanto para o cálculo da disponibilidade quanto demanda humana. Apesar de não haver avaliação quantitativa de incerteza ou sensibilidade, os autores afirmam que a demanda do ecossistema é o valor mais incerto, especialmente em regiões onde a demanda é próxima da disponibilidade (altos FC).
Por conseguinte, UNEP e SETAC (2016, p. 50) em seu guia recomendam fortemente que as decisões informadas sejam baseadas em resultados de caracterização numérica e consideração de incertezas no contexto da AICV. Particularmente para desenvolvedores de modelos, é altamente recomendável uma análise de variabilidade e incerteza dos fatores de caracterização para valores absolutos e agregados.
1.1 Objetivo
O objetivo geral deste trabalho é avaliar incertezas e sensibilidade na regionalização dos fatores de caracterização de escassez hídrica no Semiárido brasileiro pelo modelo AWARE.
Para tanto, os objetivos específicos do estudo são:
1. Identificar as principais fontes de incertezas e a(s) ferramenta(s) mais adequada(s) para avaliá-las;
2. Realizar a avaliação qualitativa e quantitativa das incertezas e sensibilidade dos fatores de caracterização regionalizados e;
1.2 Estrutura do trabalho
No capítulo 1, concluiu-se que, para difundir o uso da ACV na compreensão do quadro de escassez hídrica no Brasil, é importante promover a regionalização dos fatores de caracterização e a incorporação de informações de incertezas aos seus resultados.
No capítulo 2, será apresentada uma revisão bibliográfica explorando o modelo AWARE e as fontes dos dados utilizados no cálculo dos fatores de caracterização regionalizados, para identificação das fontes de incertezas no modelo. Serão ainda descritos os tipos e fontes de incertezas existentes em AICV e quais ferramentas podem ser utilizadas para compreendê-las. Ao final deste capítulo serão definidas as ferramentas para avaliação de incertezas e análise de sensibilidade no presente estudo por meio do estabelecimento de critérios que relacionam as características dos dados e modelos regionalizados com as particularidades de cada ferramenta.
O capítulo 3 será dedicado à descrição dos métodos utilizados no desenvolvimento do trabalho. Primeiramente, será detalhada a avaliação qualitativa de incerteza dos dados utilizados na regionalização dos FC. Em seguida será descrita a avaliação quantitativa de incertezas destes dados, mediante avaliação dos dados de entrada, propagação de incertezas e avaliação dos dados de saída. Complementarmente, será explicada a avaliação de incerteza do modelo. Por fim, será descrita a análise de sensibilidade utilizada.
No capítulo 4 constará a apresentação e interpretação dos resultados encontrados com a aplicação dos métodos previamente descritos. Serão apresentados e discutidos os resultados das avaliações qualitativa e quantitativa de incertezas dos dados e do modelo. Posteriormente, os resultados da análise de sensibilidade também serão discutidos. Também serão apresentados os resultados da análise de importância de incertezas com a determinação do elemento-chave.
Finalmente, serão abordadas no capítulo 5 as conclusões deste estudo, considerando a importância de fornecer informações de incerteza sobre fatores de caracterização e como isto pode afetar a busca por dados e aplicação do modelo. Serão ainda feitas sugestões para trabalhos futuros com o intuito de melhorar e explorar ainda mais as análises realizadas neste estudo.
2. REVISÃO DA LITERATURA
Para avaliar as incertezas decorrentes da regionalização dos FC para escassez hídrica no Semiárido brasileiro, é necessária a compreensão de dois tópicos importantes: a) o modelo adotado bem como a coleta e tratamento dos dados empregados no AWARE e na sua regionalização efetuada por Andrade (2018); e b) os tipos de incertezas em AICV, como estas se manifestam e como lidar com as mesmas.
2.1. Descrição dos dados e modelos utilizados
A obtenção dos FC foi realizada utilizando o modelo AWARE, um modelo de ponto médio2 que considera a disponibilidade e a demanda (dividida em demanda humana e demanda do ecossistema) por água em uma determinada área.
2.1.1 Modelo AWARE
O modelo AWARE propõe avaliar o potencial relativo de privação de água para seres humanos e para os ecossistemas em uma determinada região (BOULAY et al., 2017, p. 16). A partir deste, é possível calcular fatores de caracterização que representam a quantidade de água disponível em determinada área de estudo após as demandas de seres humanos e ecossistemas serem atendidas em comparação com uma média mundial (BOULAY et al., 2017, p. 2).
As demandas e a disponibilidade são calculadas em m3/mês, de modo que o AMD (em inglês, Availability Minus Demand) é dado em m3/m2·mês e representa o volume restante de água disponível para uso por unidade de tempo (em meses) e área (em m2) (BOULAY et al., 2017, p. 8).
O valor de AMD pode ser calculado segundo a equação 1 abaixo:
( )
(1)
AMD = Disponibilidade menos demanda (m3/m2·mês); Disponibilidade = Disponibilidade natural (m3/mês);
Demanda humana = Demanda de água para usos humanos (m3/mês);
2
Ponto médio: ponto na cadeia causa-efeito (mecanismo ambiental) de uma categoria de impacto, antes do ponto final, no qual fatores de caracterização ou indicadores podem ser derivados para refletir a importância relativa de emissões ou consumos (BARE et al., 2000, p. 319).
Demanda do ecossistema = Demanda de água para manutenção do ecossistema (m3/mês); e Área = Área (m2).
O fator de caracterização (FC) é então calculado por meio da normalização do valor do AMD para uma região em função da média ponderada para todo o mundo, em função de 11050 bacias hidrográficas em doze meses (0,0136 m3/m2·mês) (BOULAY et al., 2017, p. 9), segundo a equação 2 abaixo:
̅̅̅̅̅̅̅
(2)
FC = Fator de caracterização (em inglês, Characterization Factor) (adimensional); AMDi = Disponibilidade menos demanda para a região i de estudo (m3/m2·mês); e AMDmédia mundial = Média global para disponibilidade menos demanda (m3/m2·mês).
Os fatores de caracterização obtidos são expressos em m3eq. mundial/m3i. Os FC variam em uma escala de 0,1 a 100, sendo 0,1 a melhor situação e 100, a pior (existe 100 vezes menos água disponível após atendimento da demanda em relação à média global). O FC igual a 1 significa que o AMD da região é igual ao AMD global, que é calculado em função de toda a água disponível no planeta e a soma de todas as demandas mundiais para usos humanos e dos ecossistemas. Portanto, este valor não deve ser utilizado para regiões que não possuem dados (BOULAY et al., 2017, p. 12).
Quando a demanda é igual ou superior à disponibilidade (AMD igual ou menor que zero), a equação 1 não é mais contínua e não pode ser interpretada da mesma maneira, posto que fornece um valor de AMD negativo. O FC é então determinado como igual a 100 (pior situação), posto que a água disponível não é suficiente para suprir as necessidades de seres humanos e ecossistemas que povoam o local (BOULAY et al., 2017, p. 8).
No modelo AWARE, também são feitos cortes para limitar a influência potencial de valores extremamente altos ou baixos (BOULAY et al., 2017, p. 8), segundo as equações 3 e 4 abaixo:
(4) O FC dado pela equação 2 é calculado em nível de bacias hidrográficas mensalmente. Esses valores também podem ser agregados em nível geográfico e/ou temporal, para uso agrícola ou uso doméstico/industrial (BOULAY et al., 2017, p. 14). Nestes processos, o uso agrícola é diferenciado porque ocorre de maneira mais intensa em certas regiões e em determinados meses (FRISCHKNECHT et al., 2016, p. 104).
As agregações são ponderadas pelo consumo, ou seja, pela demanda humana na região. Para a agregação agrícola, é então considerada a demanda humana para fins agrícolas, enquanto para a agregação não agrícola, são consideradas as demais demandas humanas (urbana, rural, animal e industrial). Há ainda a agregação padrão, que não diferencia os consumos agrícola ou não agrícola e realiza a ponderação utilizando a soma de todas as demandas humanas (BOULAY et al., 2017, p. 14).
A agregação temporal (FC anuais em vez de mensais) é definida pelas equações 5, 6 e 7 abaixo: ∑ (5) ∑ (6) ∑ (7)
C_agr = Consumo agrícola (m3/mês);
C_n_agr = Consumo não agrícola (m3/mês); e C_tot = Consumo total (m3/mês);
Há ainda a possibilidade de agregação espacial e combinação de ambas as agregações, realizadas de maneira análoga. As demais equações encontram-se no Anexo A.
Os fatores de caracterização pelo modelo AWARE original foram calculados utilizando estimativas mensais de demanda humana e disponibilidade de água do modelo hidrológico WaterGAP2.2 (Figura 01).
Figura 01 – Base do modelo hidrológico WaterGAP 2.2 População Renda Tecnologia Clima Modelo global de uso da água Demanda de água Doméstica Industrial
Agrícola Estresse hídrico
da bacia hidrográfica Cobertura vegetal Clima Modelo hidrológico global Disponibilidade de água Escoamento Recarga
Fonte: Alcamo et al. (2003).
O recorte espacial adotado no modelo AWARE original é proveniente do modelo WaterGAP2.2. Neste modelo, todo o mundo é divido em um recorte mais específico de células de 0,5º x 0,5º e então agrupado em bacias hidrográficas de tamanho variável. Posteriormente, essas bacias são agrupadas em países, formando o recorte mais amplo do modelo (ALCAMO et al., 2003, p. 10).
2.1.2 Regionalização do modelo AWARE
Na regionalização dos FC do modelo AWAERE para o Semiárido brasileiro, Andrade (2018) calculou a disponibilidade preferencialmente a partir de dados da ANA, porém, nos casos de dados faltantes, foram complementados com dados do Operador Nacional do Sistema Elétrico (ONS) e de Estações Fluviométricas (EF). A demanda humana foi calculada a partir de dados coletados pela Agência Nacional das Águas (ANA) e a demanda do ecossistema foi obtida com base na metodologia de Pastor et al. (2014) (Figura 02):
Figura 02 – Ordem de prioridade de dados de disponibilidade e demanda na regionalização dos FC do modelo AWARE
Fonte: Andrade (2018).
O resumo quantitativo da utilização das bases de dados acima descritas está resumido por Região Hidrográfica (RH) - Atlântico Leste (AL), Atlântico Nordeste Oriental (AN), Parnaíba (PB) e São Francisco (SF) - na Tabela 01 abaixo:
Tabela 01 – Quantitativo das fontes dos dados na regionalização dos FC
Região Hidrográfica Dados e fontes AL AN PB SF Total Disponibilidade ANA anual 14 37 2 6 59 ANA 5 1 11 25 42 EF 12 28 2 14 56 NOS 3 0 0 0 3
Dem. humana ANA 34 66 15 45 160
Dem. do ecossistema Pastor et al. (2014) 34 66 15 45 160 Fonte: Autoria própria (2018).
a.1) Disponibilidade (ANA, 2016)
Para cálculo da disponibilidade hídrica (descrita na Nota Técnica 16/2016/SPR) são consideradas as vazões nos diferentes tipos de trechos de rio e reservatórios inseridos na região de estudo (Tabela 02) (ANA, 2013b, p. 43).
Tabela 02 – Estimativa da vazão de referência em cada situação - ANA
Situação Vazão de referência
A) Trecho de rio sem influência (em condições naturais)
Vazão natural com alta permanência no tempo (Q95)3 ou vazão definida como referência por estudo hidrológico específico.
B1) Reservatório de regularização Vazão regularizada com garantia de 95% (Q95) ou vazão definida como referência por estudo hidrológico específico.
B2) Reservatório do setor energético Vazão natural com alta permanência no tempo (Q95) no local da barragem.
B3) Reservatório operando a fio d´água Tratamento particular.
C) Trecho de rio a jusante do reservatório Vazão mínima defluente do reservatório logo a montante somada à vazão natural incremental com alta permanência no tempo (Q95)
Fonte: ANA (2013b).
Para estimativa das vazões dos trechos inseridos em rio e reservatórios, além do mapeamento e localização destes últimos, a ANA utiliza informações de diversos órgãos, listados na Tabela 03 (ANA, 2016, p. 2):
Tabela 03 – Fonte dos dados para cálculo da disponibilidade da ANA
Dados Fontes
Estimativa de vazão dos trechos de rio
Estudo específico ANA (2016) Plano Nacional de Recursos
Hídricos
MMA (2016)
Localização e mapeamento dos reservatórios
Base de Dados de Reservatório
Mapeamento de espelhos d'água
ANA (2013)
FUNCEME, Ministério da Integração e ANA (2014)
3
Dados Fontes Estimativa da vazão dos
reservatórios
SCBH açudes ANA (2016)
Sistema Interligado Nacional SIN (2016) Vazão natural mínima afluente
- série de 1930 a 2011
ONS (2011)
Fonte: ANA (2016).
É possível perceber que foi então realizada a integração de diversas bases de dados, promovendo as devidas atribuições e ajustes, quando necessário, e formando uma base única. Também são considerados dados de séries históricas da disponibilidade, posto que é válido considerar o comportamento de um curso d’água ao longo dos anos na compreensão de seu comportamento atual.
Tais séries de dados são baseadas em dados de Estações Fluviométricas e estão disponíveis na base de dados da ANA, contudo não há descrição sobre seu uso e tratamento. Dessa maneira, não foi possível determinar qual intervalo de tempo das séries das EF foi utilizado bem como se houve imputação de dados ou retirada de dados discrepantes. Os dados de disponibilidade da ANA, portanto, baseiam-se em séries históricas das EF, contudo estas não especificadas.
No presente estudo, serão denominados ―dados de disponibilidade da ANA‖ os dados médios mensais de disponibilidade fornecidos diretamente pela ANA para o ano de 2016, enquanto ―dados de disponibilidade de EF‖ são os dados de disponibilidade brutos levantados diretamente em EF.
A partir desta base, foram então realizadas as demais etapas de identificação de trecho e associação da vazão a cada um deles em função da situação (ANA, 2016, p. 6).
Para exemplificar, a Figura 03 demonstra como é calculada a disponibilidade hídrica em um trecho de rio em uma região do Mato Grosso do Sul. Na Figura, os contornos em azul correspondem à hidrografia, enquanto os contornos em laranja são os limites municipais. Nesta situação, existe uma confluência dos trechos A e B, levando a um trecho único C. Como o cálculo da vazão é incremental, as vazões nos pontos A e B são então somadas para obtenção da vazão no trecho C. Caso houvesse um reservatório no ponto de confluência, a vazão do mesmo também seria somada para obter a vazão no ponto imediatamente a jusante.
Figura 03 – Exemplo do cálculo da disponibilidade da ANA
Fonte: Adaptado de ANA (2013).
O resultado da Nota Técnica 16/2016/SPR é apresentado em arquivo tipo shapefile de todo o Brasil, de acesso livre. O arquivo apresenta tabela de atributos contendo informações sobre vazão de referência no trecho e disponibilidade hídrica média por microbacia ottocodificada, que são somados para obter os dados por UHE. As séries de dados das EF também são de acesso livre, contudo não se sabe qual período de dados foi utilizado no cálculo da disponibilidade pela ANA.
Em alguns casos, os dados são mensais e, em outros, anuais. Profissionais da ANA afirmam que não há erro significativo no uso de dados anuais, posto que são regiões onde a variação da disponibilidade entre os meses do ano é baixíssima. Ainda assim, os dados anuais foram utilizados apenas em último caso, após o preenchimento de lacunas com dados do ONS e EF.
Cerca de 63% dos dados de disponibilidade mensais e anuais utilizados por Andrade (2018) na regionalização dos FC para o Semiárido brasileiro foram provenientes da base de dados da ANA.
a.2) Disponibilidade (ONS)
A base de dados do ONS foi a primeira opção adotada para preenchimento de lacunas nos dados de disponibilidade. Na base do ONS, dados relativos aos sistemas produtores de energia são diariamente coletados e processados, obtendo assim vazões incrementais por estação georreferenciada (ONS, 2016, p. 6).
Como os dados são referenciados por estações (pontos) e não regiões (áreas), foi necessário utilizar as coordenadas geográficas para identificar a estação localizada em cada UHE em questão (ANDRADE, 2018, p. 84). No caso de haver mais de uma estação na mesma UHE, foi considerada aquela mais próxima ao exutório, posto que esta considera possíveis usos ao longo da UHE.
Os dados são disponibilizados de maneira livre, contudo não foi possível encontrar detalhes sobre o procedimento de obtenção e tratamento específico. Em contrapartida, são disponibilizadas as diretrizes gerais para coleta de dados e avaliação de consistência por parte do ONS, como um meio de garantir a qualidade dos dados (ONS, 2009, p. 5).
As séries de dados que originaram as médias também estão disponíveis e são baseadas em dados de EF, porém, assim como para ANA, não é possível precisar o período de tempo destas séries que foi considerado no cálculo. Também não há descrição sobre possíveis tratamentos estatísticos adotados.
Os dados do ONS são referentes apenas a algumas regiões, posto que o órgão é voltado para o sistema energético, focando seus esforços em áreas em que há produção de energia. Por conta desta limitação, apenas 2% dos dados de disponibilidade utilizados foram provenientes da base do ONS.
a.3) Disponibilidade - Estações Fluviométricas
A última alternativa para dados de disponibilidade faltantes foi o uso de dados de estações fluviométricas (EF) que se baseiam em informações relativas à vazão e cota de rios coletadas em diversos pontos, denominados estações. Estes dados são coletados por diversas entidades e compilados e codificados pela ANA, de acordo com a região, metodologia de coleta, órgão responsável, dentre outras informações (ANA, 2009, p. 9).
Os dados de cota podem ser coletados por meio de escala para observação do nível da água, por meio de registrador (linígrafo) ou utilizando telemetria. Existem ainda estações onde outros dados são coletados, como parâmetros para qualidade da água, por exemplo (ANA, 2009, p. 12).
A coleta por observação acontece por meio da leitura direta de uma régua linimétrica graduada a cada 1 cm. As réguas são dispostas em série à margem do rio, seguindo sua seção transversal, de modo que uma régua inicia ao final da outra (ANA, 2014, p. 10). Este processo pode ser realizado de maneira menos manual por meio de linígrafos, dispositivos automáticos que registram continuamente o nível da água em uma seção. Há ainda estações mais
automatizadas, chamadas estações telemétricas. Tais estações são compostas por plataformas de coletas de dados, que possuem sensores e registros que coletam os dados de cota e chuva e os enviam automaticamente para a ANA, onde ocorre o processamento dos mesmos para disponibilização futura (ANA, 2014, p. 19).
Os dados de cota são coletados diariamente e são utilizados para obter os dados de vazão por meio da curva-chave. Curva-chave é a representação gráfica da relação entra a vazão e o nível de água de um rio em um determinado ponto do curso d’água e permite estimar a descarga em determinada seção fluvial a partir da leitura de nível em régua linimétrica ou linígrafos. A obtenção da curva-chave se dá por meio de relações exponenciais ou polinomiais, geralmente, podendo em uma mesma situação serem utilizadas mais de uma relação para adaptação das curvas. As curvas-chaves são definidas, inicialmente, para interpolação, porém a extrapolação destas também é amplamente empregada (LAMBIE, 1978).
Dessa maneira, é possível obter dados de vazão incremental mensal de acesso livre e cujas séries de dados também estão disponíveis. Nesse caso, os dados disponibilizados são dados brutos, ou seja, apenas as séries de dados sem nenhum tratamento. Assim, Andrade (2018) calculou a média mensal dos valores disponíveis e não realizou nenhum tratamento estatístico dos dados. A autora cedeu gentilmente todas as informações relativas ao período de tempo considerado para cálculo da disponibilidade em cada EF.
Os dados de EF são disponibilizados por estação para todo o Brasil, de modo que as vazões foram associadas à UHE mais próxima, assim como para dados do ONS (ANDRADE, 2018, p. 84). Em torno de 35% dos dados de disponibilidade utilizados na regionalização foram provenientes de estações fluviométricas.
b) Demanda Humana (ANA, 2015)
A Nota Técnica nº 56/2015/SPR da ANA apresenta a última atualização dos dados de demanda até a data de início da regionalização publicada em 2016 com dados referentes ao ano de 2013. As demandas são estimadas para o ano vigente, de modo que séries históricas não são consideradas no cálculo. Os dados considerados são aqueles relativos aos usos consuntivos4, sendo estes: demanda urbana, demanda rural, demanda animal, demanda industrial e demanda agrícola (ANA, 2015, p. 3).
As demandas foram obtidas da seguinte maneira:
4
b.1) Demanda urbana: é calculada considerando a população local, o consumo per
capita e o coeficiente de retorno. A projeção da população urbana foi feita para o ano de
2013, com base nos dados do censo de 2010 realizado pelo IBGE. O consumo máximo per
capita urbano utilizado foi proveniente do Plano Nacional de Saneamento Básico do IBGE
corrigido5 de acordo com a população (Tabela 04). O coeficiente de retorno aplicado foi de 0,8 na vazão retirada para abastecimento humano urbano obtido a partir da ONS (ANA, 2015, p. 5–6).
Tabela 04 – Faixa de consumo per capita para correção dos valores de demanda urbana Consumo per capita (L/hab/dia)
População < 10000 10000 – 100000 100000 – 500000 > 500000 Valor mínimo 120 150 180 200 Intermediário 160 180 220 230 Intermediário 200 220 250 270 Intermediário 240 260 280 300 Intermediário 280 300 320 340 Valor máximo 320 340 360 380 Fonte: ANA (2015).
b.2) Demanda rural: também é calculada considerando a população local, o consumo
per capita e o coeficiente de retorno. A projeção da população urbana foi feita para o ano de
2013, com base nos dados do censo de 2010 realizado pelo IBGE. O consumo máximo per
capita rural é dado em função dos estados em classificação realizada pela ANA (Tabela 05).
O coeficiente é de 0,5 (inferior ao urbano por conta da ausência de saneamento), também obtido a partir da ONS (ANA, 2015, p. 6).
5
A correção consiste em identificar a faixa de valores (em função da população) em que o valor dado do PNSB e adotar o valor superior.
Tabela 05 – Consumo per capita rural
Estado Consumo per capita
(L/hab/dia)
AL, GO, PI 70
AC, BA, CE, DF, ES, MA, MS, MT, PA, PB, PE, PR, RN, RO, SE, SC, TO
100
AM, AP, MG, RJ, RS, RR, SP 125
Fonte: ANA (2015).
b.3) Demanda animal: para seu cálculo são necessários dados sobre o rebanho local, consumo para dessedentação e coeficiente de retorno. Foram utilizados dados do IBGE de rebanho por município para o ano de 2013. A estimativa de consumo de água por rebanho foi feita segundo a metodologia adotada pela SUDENE6, ponderando a demanda de água por espécie em relação ao bovino (Tabela 06). O coeficiente de retorno é de 0,2 na vazão retirada, segundo a ONS (ANA, 2015, p. 6). Não são considerados outros usos além da dessedentação dos animais.
Tabela 06 – Demanda para dessedentação animal Tipos de rebanho Dessedentação (L/dia)
Bovinos 50
Bubalinos 50
Equinos, muares e asininos 40
Suínos 10 Ovinos e caprinos 8 Coelhos 0,25 Avinos 0,20 Fonte: ANA (2015). 6
b.4) Demanda industrial: foram consideradas as outorgas (subterrâneas e superficiais) da ANA e dos estados até julho de 2014. O coeficiente de retorno aplicado foi de 0,8 na vazão retirada para uso industrial, definido pelo ONS (ANA, 2015, p. 7).
b.5) Demanda agrícola: a demanda para irrigação foi calculada pela multiplicação do coeficiente mensal de irrigação pela área irrigada do município. Os coeficientes utilizados são de consumo e retirada mensal, provenientes do estudo da SRHU e FUNARBE (2011). Foram então calculadas as demandas máximas mensais, a média do período mais seco, a média dos meses em que há irrigação e a média anual. A área irrigada foi calculada por dados de pivô central, Planos de Recursos Hídricos e demais métodos de irrigação (ANA, 2015, p. 7).
A demanda total em uma determinada região equivale, portanto, à soma das demandas individuais supracitadas. Todos os dados de demanda humana foram encontrados na base de dados da ANA, dispensando uso de bases alternativas para dados faltantes.
Para ilustrar, a Figura 04 abaixo corresponde a um resumo do processo de obtenção da demanda humana pela ANA. As informações de demandas urbana, rural, animal, industrial e agrícola são sobrepostas, em função de sua regionalização (urbana e rural por município, animal por rebanho e industrial e agrícola pontualmente). Dessa maneira, obtém-se um mapa com todas as informações de demanda, que pode ser recortado como desejado.
Figura 04 – Esquema do cálculo da demanda humana da ANA Demanda agrícola Demanda industrial Demanda animal Demanda rural Demanda urbana Tabela de atributos Demanda urbana m3 Demanda rural m3 Demanda animal m3 Demanda industrial m3 Demanda agrícola m3 Tabela de atributos Demanda urbana m3 Demanda rural m3 Demanda animal m3 Demanda industrial m3 Demanda agrícola m3
Fonte: Autoria própria (2018).
As demandas agrícolas variam ao longo do ano, contudo as não agrícolas são consideradas as mesmas em todos os meses do ano em cada região, posto que sofrem variação praticamente imperceptível. As informações são disponibilizadas da mesma maneira que os dados de disponibilidade da ANA, em shapefile por microbacia ottocodificada para todo o Brasil. Neste caso, a principal diferença é que não são consideradas séries históricas na
obtenção destes dados. 100% dos dados de demanda humana utilizados na regionalização foram provenientes da base de dados da ANA.
c) Demanda do ecossistema
Para cálculo da demanda do ecossistema, foram consideradas as demandas para atender os fluxos ambientais, resultado da quantificação de água necessária para manter o ecossistema ribeirinho local (PASTOR et al., 2014, p. 5047). A manutenção desse ecossistema é avaliada a partir de requisitos mínimos para manter condições consideradas ―justas‖ (estado ecológico variando de boas a pobres condições), em um fluxo sem influência humana (PASTOR et al., 2014, p. 5044).
Segundo Boulay et al. (2017, p. 9), parte-se do pressuposto que as condições justas em relação às condições primitivas sejam correspondentes ao estado atual dos ecossistemas, posto que a maioria já se encontra degradada quando comparada ao estado sem intervenção humana.
Essa demanda é calculada a partir da média de um método de fluxo ambiental (PASTOR et al., 2014, p. 5041). Neste caso, o método utilizado é o VMF (Variable Monthly
Flow, em português, Fluxo Mensal Variável) descrito por Pastor et al. (2014, p. 5041).
VMF é um método hidrológico paramétrico validado em diversas eco regiões do mundo. Sua metodologia segue a variabilidade natural das descargas de rio definindo fluxos ambientais em nível mensal. Ainda que existam outros métodos que consideram fluxo mensal, o VMF apresenta como vantagem o ajuste temporal deste fluxo por meio de algoritmos que o classificam em alto, médio e baixo, considerando a variabilidade ao longo do ano (PASTOR
et al., 2014, p. 5048).
O método VMF considera que a demanda para a manutenção do ecossistema varia de 30 a 60% de acordo com a temporada, estipulando um mínimo de 30% do fluxo médio mensal e impondo maiores restrições para temporadas de baixo fluxo. É, portanto, atribuída uma porcentagem de reserva de 60% do fluxo médio mensal para os ecossistemas durante temporadas de baixo fluxo, e um mínimo de 30% para alto (PASTOR et al., 2014, p. 5048).
Os valores de demanda do ecossistema são, então, dados em porcentagem, diferente dos valores de disponibilidade e demanda humana, dados pela ANA. Enquanto os valores disponibilizados pela ANA são valores absolutos de volume de água, o percentual de demanda do ecossistema deve ser aplicado à disponibilidade de água mensal.
Assim como para a demanda humana, os valores percentuais são os mais recentes possíveis e não possuem séries históricas associadas. A obtenção destes percentuais é feita a
partir do cálculo do fluxo médio mensal. Pastor et al. (2014) utilizou o modelo LPJmL
(Lund-Potsdam-Jena managed land) que simula o fluxo de rio global em uma resolução espacial de
0,5º por 0,5º por dia, a partir de dados climático do CRU TS 2.1 (Climatic Research Unit) para calcular este fluxo.
Os dados para o Semiárido brasileiro para o ano de 2016 foram gentilmente disponibilizados pela autora em shapefile, divididos em células de demandas mensais que foram transformadas em pontos e então atribuídas às UHE em que estavam contidas (ANDRADE, 2018, p. 85). 100% dos dados de demanda do ecossistema utilizados por Andrade (2018) na regionalização foram provenientes do estudo de Pastor et al. (2014).
d) Área
A área considerada neste estudo foi retirada do arquivo shapefile disponibilizado pela ANA com os dados supracitados de disponibilidade e demanda humana no software QGIS 2.18.8.
Na regionalização realizada por Andrade (2018, p. 41), foram adotados dois recortes utilizados pela ANA: Regiões Hidrográficas e Unidades Hidrográficas Estaduais. As Regiões Hidrográficas são recortes mais amplos e são compostas por bacias, grupos de bacias ou sub-bacias hidrográficas próximas, com características naturais, sociais e econômicas similares. O Semiárido é composto por 4 Regiões Hidrográficas, sendo estas: Atlântico Leste (AL), Atlântico Nordeste Oriental (AN), Parnaíba (PB) e São Francisco (SF) (ANA, 2016).
Já as Unidades Hidrográficas Estaduais são recortes mais específicos e provém de divisões dentro de cada um dos estados brasileiros em função do planejamento dos recursos hídricos por parte dos órgãos estatais responsáveis. O Semiárido, como um todo, possui 160 Unidades Hidrográficas Estaduais (ANA, 2016).
A comparação entras as bacias do modelo hidrológica WaterGAP 2.2 e as delimitações adotadas são mostradas na Figura 05:
Figura 05 – Comparação entre bacias WaterGAP 2.2 e delimitações da ANA
Fonte: Andrade (2018). 2.1.3 Conclusão
Em face das informações apresentadas, notou-se que o modelo AWARE foi adotado por Andrade (2018) sem alterações nas equações e nem em seus limites, de modo que a regionalização consiste na substituição apenas dos dados que o alimentam e no recorte espacial adotado.
Em sua regionalização para a realidade do Semiárido brasileiro, as fontes de dados utilizadas por Andrade (2018) foram diversas, de modo que foram submetidas a tratamentos e pressupostos diversos, resumidos na Tabela 07 abaixo:
Tabela 07 – Aspectos das fontes dos dados da regionalização do modelo AWARE Variável Disponibilidade Disponibilidade Disponibilidade Demanda
Humana
Dem. do
ecossistema Área
Fonte dos dados ANA ONS EF ANA Pastor et al.
(2014) ANA
Dados faltantes (%) 37 95 0 0 0 0
Tipos de dados Contínuos Contínuos Contínuos Contínuos Contínuos Contínuos
Unidade dos dados m3 m3 m3 m3 % m2
Método de obtenção Calculado com base em medições Calculado com base em medições Medido Calculado com base em medições Calculado com base em modelagem Medido Descrição do
tratamento Detalhado Superficial N.A. Detalhado Superficial N.A.
Disponibilidade Gratuito Gratuito Gratuito Gratuito Cedidos pela
autora Gratuito Resolução espacial Microbacia
ottocodificada Estação Estação
Microbacia ottocodificada Célula 0,5º x 0,5º Microbacia ottocodificada
Resolução temporal Mensal/Anual Mensal Diário Mensal Mensal N.A
Período de dados Séries temporais não especificadas Séries temporais não especificadas Séries temporais
precisas N.A. N.A. N.A
A disponibilidade hídrica foi fornecida pela Agência Nacional das Águas (ANA) tendo sido gerada a partir de dados das estações fluviométricas (EF) da rede brasileira de monitoramento. Para esses dados fornecidos pela ANA, foram disponibilizadas as médias mensais ou anuais por UHE, contudo não há especificação sobre o período das séries históricas consideradas.
Devido a 73% das bacias apresentarem somente valores anuais de disponibilidade na base de dados fornecida pela ANA, foi consultada a base de dados do ONS para preenchimento destas lacunas. No entanto, 95% das bacias ainda não foram localizadas na base do ONS, de modo que se realizou levantamento direto das séries históricas em EF localizadas no exutório dessas bacias, e procedeu-se ao cálculo das disponibilidades médias mensais e anuais. Ainda assim, 26% dos dados utilizados foram valores anuais de disponibilidade na base de dados fornecida pela ANA.
As demandas humanas e do ecossistema foram calculadas com base em modelos empíricos e não foram consideradas séries de dados nesse processo. A demanda humana foi fornecida pela ANA, enquanto a demanda do ecossistema por Pastor et al. (2014), em 100% dos casos. A área foi medida a partir do arquivo em shapefile fornecido pela ANA.
Todos os dados são contínuos, mensurados em m3, exceto a demanda do ecossistema, que é dada em porcentagem a ser aplicada ao valor da disponibilidade (Pastor et al., (2014) e a área dada em m2.
Com relação à resolução espacial, os dados de disponibilidade e demanda humana fornecidos pela ANA foram relativos a microbacias ottocodificadas (ANDRADE, 2018, p. 83), polígonos que representam a menor unidade espacial adotada pela ANA. Já para os dados de disponibilidade obtidos diretamente das EF e do ONS, a resolução foi em estações, que representam pontos e não polígonos como as microbacias, carecendo de extrapolação dos valores. Por fim, os dados de Pastor et al. (2014) foram fornecidos em células de 0,5 x 0,5º, que, apesar de serem também dados em polígonos, carecem de adaptação dos limites para ajustar-se às delimitações das UHE da ANA.
Com relação à resolução temporal, os dados de disponibilidades foram diários, enquanto os demais foram majoritariamente mensais. Alguns dados de disponibilidade e demanda humana não agrícola da ANA foram anuais, de modo que o mesmo valor foi repetido para todos os meses do ano. Estes dados foram disponibilizados assim por conta da baixíssima variação que ocorre entre os meses nesses casos.
Em face das informações apresentadas com base na literatura, foi possível identificar quais incertezas poderiam ser quantificadas para cada fonte de dados (Tabela 08).
Tabela 08 – Identificação de incertezas por fonte de dados
Variável Disponibilidade Disponibilidade Disponibilidade Demanda Humana ecossistema Dem. do Área
Fonte dos dados ANA ONS EF ANA Pastor et al.
(2014) ANA In ce rte za d os p ar âme tr os Imprecisão dos
dados Não Não Não Não Não Sim
Lacuna de dados Não Não Sim Não Não Não
Dados não
representativos Não Não Não Não Não Não
V ar iab il id ad es Variabilidade
temporal Não Não Sim Não Não N.A.
Variabilidade
espacial Não Não Não Não Não N.A.
Variabilidade entre fontes e
objetos
Não Não Não Não Não N.A.
O recorte espacial empregado por Andrade (2018) seguiu a espacialização realizada pelo órgão nacional responsável, a ANA, para o Semiárido brasileiro (160 UHE em 4 RH). Na Figura 06 abaixo são apresentadas as UHE e a fonte dos dados de disponibilidade de cada uma (Figura 06a) e as RH que compõe o Semiárido brasileiro (Figura 06b).
Figura 06 – Semiárido brasileiro em a) delimitação das UHE e fonte dos dados de disponibilidade e b) delimitação por RH e seus nomes
a) UHE do Semiárido e fonte dos dados de disponiblidade b) RH do Semiárido
Fonte: Autoria própria (2018).
As diferenças inerentes aos dados utilizados e recorte do modelo AWARE original e regionalizado por Andrade (2018) são resumidas na Figura 07 abaixo:
Figura 07 – Comparação entre modelo AWARE original e regionalizado
2.2 Incertezas e avaliação do impacto de ciclo de vida
No contexto da Avaliação do Ciclo de Vida, incerteza refere-se à combinação de erros nas aferições e especificações de modelo (SETAC, 1997, p. 90) e surge pela falta de conhecimento sobre o verdadeiro valor de uma variável (BJÖRKLUND, 2002, p. 64).
O efeito cumulativo de erros e incertezas ao longo das fases de uma ACV é potencialmente significante no resultado do estudo (SETAC, 1997, p. 90). Sua confiabilidade e aplicações posteriores são, portanto, diretamente influenciadas pela qualidade dos dados, adaptação do modelo e escolhas metodológicas adotadas (BJÖRKLUND, 2002, p. 64).
Negligenciar as incertezas e suas implicações em cada uma das fases pode levar a decisões equivocadas e percepção imprópria do perfil ambiental de um produto ou processo (USEPA, 1995, p. 71). Logo, existe uma clara necessidade de avaliar a influência das incertezas nos resultados intermediários e finais em uma ACV (SETAC, 1997, p. 90).
Existem diversos tipos de incertezas, definidas e classificadas de maneiras diferentes, a depender do campo de estudo (THUNNISSEN, 2003, p. 1–2). Apesar de apresentarem divergência na nomenclatura, tais definições apresentam conceitos muitas vezes sobrepostos e repetidos. A diferença na classificação é decorrente da necessidade de enfatizar os aspectos mais impactantes para cada área em particular, a fim de guiar as técnicas e ferramentas para tratar incertezas (THUNNISSEN, 2003, p. 1–2). No contexto deste estudo, será adotada a classificação de Björklund (2002, p. 64), por apresentar maior variedade de incertezas no campo de ACV, abrangendo aspectos negligenciados por outros.
Na Tabela 09 são apresentados os diferentes tipos de incerteza em ACV segundo Bjöklund (2002, p. 64-65) e as respectivas nomenclaturas em demais áreas.
