PRISCILA RAMOS VIEIRA
-de Magister Scientiae.
MINAS GERAIS BRASIL 2018
T
Vieira, Priscila Ramos, 1992-V658d
2018
MG, 2018.
xi, 53 f. : il. (algumas color.) ; 29 cm. Orientador: Fernando Falco Pruski.
ii Clara, mi
iii e a pela mas pela
iv AGRADECIMENTOS
Ao Deu o fim dessa jornada.
de minha espiritualidade
e pela .
vo para vencer e sorrir. Te amo. Aos meus pais Cleide e
e a
que Deus escolheu para mim por todo sempre.
A Pedro, meu companheiro, o mais compreensivo e generoso. Obrigada pelo carinho, zelo e por estar comigo em todos os momentos.
Agradecimento especial ao meu orientador Professor Fernando Pruski, por quem guardo
todo esse tempo.
Aos membros da banca, pela .
pela riqueza de sua auxiliar na
tive muita sorte em ter. Vou sentir saudades!
, Cristiane, Fernanda, Laura, Ligia, Luane, Rayssa e Tarcila, obrigada pela generosidade, apoio, conversas e boas risadas. For
espero que nos encontremos sempre. Aos
Tornaram a rotina mais leve e divertida, sei que aqui encontrei amigos para toda a vida.
quando mais precisei e por sempre se fazer presente na minha vida.
A todos os amigos e familiares, que sempre me apoiaram, torceram pelo meu sucesso, der
v Ao Conselho Nacional de Pesquisa (CNPq), pelo apoio financeiro.
vi BIOGRAFIA
PRISCILA RAMOS VIEIRA, filha de Luis Vagney Gomes Vieira e Rosecleide Ramos Vieira,
de Eng Universidade Federal de Minas Gerais, concluindo em
janeiro de 2016.
Em agosto de 2016 iniciou o curso de Mestrado em
ais, na Universidade Federal de -m 18 de outubro de 2018.
vii RESUMO ...ix ABSTRACT ...xi 1 ...1 2 METODOLOGIA ...3 2.1 estudo ...3 2.2 ...4 2.3 ...5 2.4 Estimativa da capacidade ...6 2.4.1 Demanda fixa ...6 2.4.2 el ...7 2.4.2.1 ...7 2.4.2.2 ...9 2.4.2.3 ...9 2.4.2.4 ...9 2.4.2.5 ...10 2.4.3 ...11 2.4.4 retorno12 2.4.5 ...13 2.4.6 ...14 2.4.7 metodologias de estimativa da CR ...14 2.4.7.1 - Sutcliffe ajustado (E1)...15 2.4.7.2 ...16 2.4.8 ...16 3 ...17 3.1 ...17 3.2 Estimativa da ...20 3.2.1 ...21 3.2.2 ...23 3.2.3 ...26 3.3 ...28 3.3.1 ...28 3.3.2 ...30
viii
3.4 -sutcliffe ...32
4 ...34
...35
ix RESUMO
VIEIRA,
Orientador: Fernando Falco Pruski
o uso
o dimensionamento dessas estruturas seja apropriado ao atendimento das necessidades da e, ao mesmo tempo
bacias h coleta e armazenamento de dados. Diante desse fato,
estudos com vem sendo desenvolvidos como uma alternativa
para estimar a capacidade dos O objetivo desse estudo
de metodologias que utilizam
considerando em
semi . Em um primeiro momento, foram analisadas as estimativas da para uma demanda fixa no tempo
de retorno, para
observados (MSSo) e regionalizados (MSSr), como base comparativa: o m
d . Todas as metodologias foram testadas com diferentes valores de percentagem da dia de longo termo (Qmlt). Em um segundo momento
considerou-a um
diferentes de . As metodologias
analisadas foram avaliadas -Sutcliffe ajustado (E1) e pelo
(MSSo_T e MSSr_T) se destacaram
x
dessas metodologias em locais
xi ABSTRACT
VIEIRA, October, 2018. Design of
reservoir for a semiarid region by the use of synthetic series. Advisor: Fernando Falco Pruski.
The current scenario of water scarcity makes it necessary to implement planning and management practices that increase the water availability and reduce conflicts related to its use. Thus, the implementation of regularization reservoirs represents an effective alternative that allows the redistribution of flows along the time, increasing the water availability during the dry season, which is essential to fulfill seasonal demands throughout the year. Regularization reservoirs also enable the use of potential availability, represented by the long-term average flow. The design of these structures must be appropriate to attend the water demand of the region while being economically viable. One factor that directly interferes in the estimates of reservoir capacity is the lack of fluviometric data due to poor limited collection and storage. Therefore, in order to address these needs, studies with the use of synthetic flows series have been developed as an alternative to estimate the reservoir capacity in ungauged stream sections. The objective of this study was to evaluate the efficiency of methodologies that use synthetic series to design streamflow regulation reservoirs for semi-arid region considering fixed and variable demands. First, we analyzed the reservoir capacity estimates considering a fixed time demand with and without associate a return period, for the methodologies that use the synthetic series from observed (MSSo) and regionalized data (MSSr), and two methods used as comparative basis: reservoir capacity regionalization method (RCRes) and the regionalization method of the regularization curve (RCReg). All methodologies were tested with different percentage values of the streamflow to be regularized. In a second moment, we considered a time-varying demand to estimate the reservoir capacity using the MSSo, MSSr and RCRes methods associated with a frequency factor for three different scenarios of streamflow regularization. The analyzed methodologies were evaluated by the adjusted Nash-Sutcliffe efficiency coefficient (E1) and by the reservoir design quality index (IQD). The methods that use the synthetic series when associated to a return period (MSSo_T and MSSr_T) stood out as the best performances, they estimated values closer to the observed data series showing adequacy in the use of these methodologies to estimate the reservoir capacity for ungauged stream section in semi-arid conditions.
1 1
planeta, sendo sua qualidade e quantidade essenciais para o
bem-hidricamente -temporal e
Estima-se que o crescimento populacional
em um aumento da em quase 33% (WWAP, 2018)
as reg semi
por apresentarem uma
al., 2018). Logo, o aumento da demanda
Para dos
a os procure entre a oferta e a demanda
-se como uma alternativa na busca desse , pois
chuvoso e ao longo do diminuem-se
causados pela escassez e potencializa-se al., 2013).
-temporal do escoamento, os lio no
-.
Apesar das negativos tanto
no meio ambiente, ). Por essa
essas estruturas devem ser criteriosamente planejadas de acordo
eles o seu posicionamento, e dimensionamento
2 e devidamente
m a complexidade para estimar o volume a ser armazenado (TAGHI; HALIT; FAZLI, 2009; XU et al., 2017).
Para minimizar a margem de erro
(KURIA; VOGEL, 2015), baseados em
fluv
Dentre as metodologias que estimam a
2012). P permite estimada a um
dimensionamento apenas para demanda de
constante. Regularizar uma demand para a
que os valores a serem ionados ao requerimento
Nesse contexto, a
caminho alternativo para a estimativa d nitorados.
Nunes e Pruski (2015) pro
e que permitam superar Rodrigues (2017)
.
foram realizados sendo
metodologias para outras bacias.
Nesse contexto, o estudo teve por objetivo avaliar o desempenho das metodologias
s n
com base em demandas fixas e is ao longo do tempo em .
3 2 METODOLOGIA
2.1
que 66.319
-caracterizado por uma rede muito pobre de rios, com volumes fracos variabilidade da chuva ao longo do tempo.
as , fazendo com que a esteja
(MAHMOUD et al., 2014)
O estudo desenvolvido por GPRH e IGAM (2012), classificou a bacia do rio
A Figura 1 honha, assim como as
Figura 1.
4
2.2 s
foi baseada as as ou regionalizadas a serem
utilizados para ge devem estar localizada
:
(1)
em que: QSI,d = -1; =
-1 km-2; =
interesse (dado regionalizado), m3 s-1 km-2; =
-1 km-2; n =
tricas consideradas; e ASI = .
Assim, ao repetir o procedimento para cada dia,
estima-tricas da RHH (Figura 2). A aplic
5 Figura 2
Fonte: RODRIGUES (2017)
Os dados de Qmlt,
em que os dados de Qmlt
observados n Segundo Tucci,
(2002) devido a maior
.
2.3
-one- foi
6
-(SSr e SSo), os valores
de qmlt mlt
observados (SO) usando o erro relativo (ER), e :
100 (2)
em que: ER = erro relativo; =
-1 km-2; qmltSo = -1 km-2.
2.4 Estimativa
(CR) foi estimada com base em demandas fixas e
MSSo
(Estimativa da CR baseada ), MSSr (Estimativa da CR
baseada
MSSo_T, MSSr_T, RCRes_T).
associado a um T,
menos propensa a erros relacionados a base de dados.
RCRes foram usadas como base comparativa para
2.4.1 Demanda fixa
0,25; 050; 0,75 e 1) de longo
termo, que potencial da bacia representando
a partir da
7 (3) em que: = r = -1; e Qmlt = de longo termo s-1. 2.4.2 Demanda Para estimar a CR em
foi considerada a demanda de , culturas com
as bacia do Jequitinhonha (IBGE, 2006).
asso
Para estimativa da demanda de para de um sistema de entre o milho e o foram consideradas como data de semeadura 1 de fevereiro para o milho e 1 de outubro para o
O da consumida mensalmente pela dessas culturas e
considerando as de bombeamento a fio foi realizado utilizando-se a :
(4)
em que: qu,i = , L s-1 ha-1;Df = dia
ETpc,j = -1; Pef
= -1; Ea =
da energia
2.4.2.1 potencial da cultura
A (ETpc)
durante suas diversas fases de desenvolvimento foi calculada utilizando-se
8 (5)
em que: ETpc = -1; ET0 =
e Kc = coeficiente da cultura para determinada fase de desenvolvimento, adimensional.
uma cultura . Para sua estimativa
considerou- -Monteith-FAO, dado pela seguin
(ALLEN et al., 1998).
(6)
em que: ET0 = -1 =
-1; Rn = -2 d-1; G = densidade do
fluxo de calor do solo, MJ m-2 d-1; = -1; T =
2 = velocidade do vento a 2 m de altura, m s-1; es =
a = s - ea =
d
da 4 foi feita utilizando-se o software Reference Evapotranspiration Calculator RefEt 3.1.15 (ALLEN, 2013), de dados e
rio Jequitinhonha,
9
2.4.2.2 Efetiva
efetiva. A (Pef) mensais foram estimadas a partir dos dados de
total mensal utilizand
Conservation Service (USDA-SCS), apresentado nas e 7 e 8 (Clarke, 1998).
(7)
(8)
em que: Pef = , mm -1; e Pt = , mm -1.
2.4.2.3 de
ocorre perdas no sistema. Nesse estudo foi adotado o valor de
igual a 0,85 por
, de acordo com a , sendo esse o sistema comumente
utilizado para as
2.4.2.4 Fator relativo horas de bombeamento por dia
O f representa uma
estabelecidas tarifas diferenciadas ao dos, domingos e feriados nacionais, as
h
imediatamente anterior e posterior ao horas. Assim, a tarifa
10 2.4.2.5 a ser regularizada
representada, em teoria, pela Qmlt, no entanto, para
ev
correspondente a mais de 60% da Qmlt. A regularizados deve-se
, no estado de 7,10, segundo
- de 2012. Desta forma, o volume
(9)
em que: Vmax. disp = volume m3); X =
percentual da Qmlt; e f 536 105).
Foram adotados
(Tabela 1)
culturas do milho e do (Tabela 2).
s de (60% Qmlt 50%Q7,10) (50% Qmlt 50%Q7,10) (40% Qmlt 50%Q7,10) uitinhonha Milho
Fev Mar Abr Mai Jun Out Nov Dez
- 0,00891 0,02628 0,03433 0,02464 0,00014 0,03927 -
11 (10)
em que: Danual = -2; qu,i =
-1.km-2; e
(11)
em que: APIj,k = anual =
anual = demanda de -(12) em que: = -1; = u,i = -1 km-2.
2.4.3 Capacidade do com o uso de sem com o
de retorno
Para o dimensionamento da capacidade dos
obter o valor do o qual foi calculado
(MDA). volume de
ser regularizada. Considera- ,
12 em cada ano
.
2.4.4 Capacidade do com o uso de associadas ao de
retorno (T), foram usadas , : (13) em que: CRT = hm3; = = adimensional; e, s = adimensional. tic -ano,
obtendo--se assim a CR associada ao T.
- -se apenas um volume de d e Pruski (2015). -na Figura 3 incluindo -se a
Para aprimorar a foram
Log-13 Normal tipo III, Pearson tipo III, e,
Log-de dados observados foram utilizadas as .
1970 1971 >>>>>>>>>>>> 2000 - 2000)
1971 >>>>>>>>>>>> 2000 1970 1 (1971 - 1970)
-1 2000 1971 >>>>>>>>>>>> 1999
Figura 3 temporais.
Fonte: Nunes e Pruski (2015)
2.4.5 Capacidade do pelo da r da curva de
r Assim, s sem monitoramento, (14) em que: f = = = e = s-1). CR e a
14
2.4.6 Capacidade do pelo da da capacidade do
proposta por Rodrigues (2017), altera-um T.
Calculou-que na bacia do Jequitinhonha, equivale a 600 mm (Peq600) (GPRH; IGAM, 2012).
(15)
em que: Peq600 -1); P =
= k = fator de
O modelo de utilizado foi o potencial, representado
(16)
em que: CRT,D = e c e d =
.
2.4.7 das metodologias de estimativa da CR
d que
. As metodologias propostas foram avaliadas por dois o de Nash-Sutcliffe modificado
15 (E1) e o de qualidade de dimensionamento de (IQD). Os valores de CR
obtidos a partir dos dados da observada (SO) foram adotados como para das metodologias.
2.4.7.1 Coeficiente de de Nash- Sutcliffe ajustado (E1)
O de Nash- Sutcliffe (E)
, conhecido
NashSutcliffe indica o ajustamento dos dados simulados aos observados, podendo variar de
-D
(LEGATES; McCABE, 1999). Para contornar esse efeito, Legates e McCabe (1999)
1) ( ), mais adequado
, to, como
considera o
superestimativas ou subestimativas, importantes no dimensionamento da capacidade de
(17)
em que: = estimada para a , com base
, -1 km-2; = estimada para a
, com base , -1 km-2; = valores
16 2.4.7.2 de qualidade de dimensionamento de (IQD)
O IQD, proposto no estudo de Rodrigues (2017), dado por:
(18)
em que: IQD = =
+ = _= erro
= fator peso cujo valor adotado foi -1,5.
ou subestimativas sendo que
calculada pelos dados observados, o ER +),
-), caracterizando uma subestimativa. No caso da ia de
subestimativas deve-se multiplicar o ER_ pelo fator de peso (FP) equivalente a -1,5 que aumenta
o erro em 50% e o torna positivo. Na realiza-se o dos ERs, agora positivos, de todas consideradas, com o intuito de verificar a metodologia que apresenta menor de ER e, consequentemente, maior IQD. Nesse estudo, as demandas foram estimadas para a e, como nesses casos trabalhar com riscos baixos, o IQD foi utilizado para avaliar a qualidade do dimensionamento de
2.4.8 Dados
lores da Peq600 e Qmlt regionalizados foram obtidos em GPRH e IGAM (2012). De acordo com a
, adotou- anos com
falhas superiores a 5% foram descartados. Na Tabela 3
encontram-17 Tabela 3
3 3.1
Os resultados relativos aos valores de qmlt
respectivos erros relativos mlt
encontram-se na Figura 4.
ER percentual das duas -30 -15 0 15 30 45 60 0 2 4 6 8 10 5411 0002 5419 5000 5430 0000 5439 0000 5450 0000 5453 0000 5458 0000 5459 0000 5471 0000 5478 0000 5495 0000 ER (% ) qmlt (L s -1km -2) qmlt (SO) qmlt (SSo) qmlt (SSr)
Erro Percentual (SSo) Erro Percentual (SSr)
Longitude Latitude 54110002 4100 54195000 23815 54300000 1252 54390000 11000 54500000 16230 54530000 39394 54580000 45819 54590000 1283 54710000 53298 54780000 63300 54950000 67769
18 De maneira geral, os valores qmlt
para a SSo e 12% para a SSr. Analisando a Figura 4, verifica-tendenciosidade dos valores de qmlt
ie original
-Na Figura 5, -se os valores de qmlt tanto dos dados observados
quanto dos regionalizados obtidos por GPRH e IGAM, 2012. 54590000 e 54110002 em que os dados de qmlt apresentam os maiores erros percentuais
estando mais distantes dos valores observados, os maiores percentuais nas estimativas da qmlt regionalizada.
Figura 4 podem ser explicadas pelos desvios entre os valores estimados e os observados que ocorrem no processo
espe observada (qmlt_O), regionalizada (qmlt_R) e
ER percentu
mlt mensais estimados com base n
, -30 -15 0 15 30 45 60 0 2 4 6 8 10 5411 0002 5419 5000 5430 0000 5439 0000 5450 0000 5453 0000 5458 0000 5459 0000 5471 0000 5478 0000 5495 0000 ER (% ) qmlt (L s -1km -2) qmlt_O qmlt_R ER percentual
19 demais. (a) (b) SSr e -5 0 5 10 15 20 25 0 2 4 6 8 10 12 14
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
ER (% ) qmlt (L s -1km -2)
qmlt(SO) qmlt(SSO) SSR ER Sso ER SSr
-25 -20 -15 -10 -5 0 5 10 15 0 2 4 6 8 10 12
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
ER (% ) qm lt (L s -1km -2)
20 Considerando que o conhecimento acerca d
, possibilita o
. Observa-se na Figura 6 que o uso de dados de qmlt representativos na
mlt observados.
meses de estiagem.
Na Figura 6b, a qmlt rros percentuais abaixo de 15%
considerando erros positivos e negativos em metade dos meses, atingindo valor igual a 19% na SSo e
-foram encontrados nos meses onde ocorreram as apresentado na Figura 6a.
Diante do exposto, os valores de qmlt
0 e 54950000, assim como
Na Figura 6 que a maior
basicamente em cinco meses dando
dos outros sete meses do ano seja dependente do que se consegue arma citada.
3.2
Na estimativa da CR considerando demanda fixa,
utilizou-Para as estimativas da CR com o uso da MSSo_T e da MSSr_T, as s das diferentes FDPs (Gumbel, Pearson III, Log Normal II, Log Normal III e Log Pearson III) indicaram , diferentes respostas ao ajuste de dados. Considerando = 0,25 e 0,5 e T = 10, 40, 70 e 100, foram obtidas capacidades dos
21
, 48%
(Tabela 4 para os os (0,75 e 1), foram obtidas capacidades dos
com , onde Pearson 3 se destacou com melhor
desempenho em 52% ). Desta forma, por representarem as
com estas foram fixadas para
estimativa da CR e novos valores foram obtidos.
Tabela 4 com melhor desempenho para cada regra de
Regra Log
Normal III Gumbel Pearson III Pearson III Normal III Log Pearson III Log Normal IILog
48 45 7 52 26 3 19
3.2.1 Estimativa da capacidade do
A CR foi calculada pelas metodologias propostas, e sendo (Figura 7), representativa do
Comparando-se os valores de CR -se que, as
metodologias RCReg, M estarem associadas a
T considerado.
-superestimativas com destaque para
MSSr, que
= 0,75.
22 CR mostra-se de boa aplicabilidade com estimativa de valores mais representativos.
(a) (b)
(c) (d)
0,50 (b), 0,75 (c) e 1,00 (d) para a est
a MSSr, o uso de metodologias que consideram o T mais representativo, uma
modificado. Embora o uso das metodologias com o uso do T seja mais complexo uma vez que
200 280 360 440 520 10 40 70 100 C R (h m ³) 1400 1700 2000 2300 2600 10 40 70 100 C R h m ³) 4000 4700 5400 6100 6800 7500 8200 10 40 70 100 C R (h m ³) 10000 18000 26000 34000 42000 50000 58000 10 40 70 100 C R (h m ³)
23 Dentre as metodologias que fazem uso do T, a MSSo_T e MSSr_T tiveram melhores
0,5 e 1,0 para os Ts = 70 e 100 em que o apresentou as maiores 0.75. superestimativas, apesar de p 3.2.2 da estimativa da capacidade do s s (pontos) de T (10, 40, 70 e 100 anos), por
para ca , que representa
considerando as estimativas de
a Figura 8a e as que o consideram na Figura 8b. Analisando estas figuras
observa-aqueles ). Os erros
percentuais das meto
quanto em subestimativas, tal como o que ocorre com os erros percentuais da RHH. Assim, reafirma-se que as metodologias que fazem uso do T possibilitam estimativas de valores de CR mais representativos.
consideram o T tem os maiores erros relativos na maior
superestimativas em seis. A da RHH em
subestimativas, o que o caracteriza como o mais inadequado o
24
54110002 54195000 54300000 54390000 54500000 54530000 54580000 54590000 54710000 54780000 54950000
(a)
54110002 54195000 54300000 54390000 54500000 54530000 54580000 54590000 54710000 54780000 54950000
(b)
(a) e que utilizam o T (b). -100 -50 0 50 100 150 200 250 ER (% ) -100 -50 0 50 100 150 200 250 ER (%)
ER_RHH_MSSo_T ER_RHH_MSSr_T ER_RHH_RCRes_T ER_RHH_MSSo_T ER_RHH_MSSr_T ER_RHH_RCRes_T ER_RHH_MSSo_T ER_RHH_MSSr_T ER_RHH_RCRes_T ER_RHH_MSSo ER_RHH_MSSr ER_RHH_RCReg ER_RHH_RCRes ER_RHH_MSSo ER_RHH_MSSr ER_RHH_RCReg ER_RHH_RCRes
25 -se nas superestimativas, que foram altas
, MSSo e MSSr mantiveram o melhor desempenho para as estimativas da CR.
ias nas superestimativas (Figura 8a).
Dentre os modelos que consideram o T, o modelo RCRes_T apresentou, em geral, as
(Figura 8 o apresentou
-se a vantagem
preditiva da CR com o uso das metodologias cas.
o que apesar das maior
ente que
mento (maior custo do projeto), e subdimensionamento
visando o dimensionamento mais adequado, analisando os riscos e valorizando o conceito de
-ior, Segundo Hauschild
mais relevantes. de estimativa da CR
consideram o T apresentam desempenho notoriamente inferior aos que o consideram, devendo a, o RCRes_T apresenta , sendo
os apresentados por Rodrigues (2017), que analisou estas metodologias para o dimensionamento de reserva -bacia do Paracatu.
26 3.2.3 baseada das metodologias de estimativa da CR
Na Figura 9 encontram-se os valores de E1
ogias que RCReg, por ser a mais
Silva et al. (2008) afirmam que quando o valor de E1 for maior que 0,75, o desempenho
d 1
Figura 9. E1
valores mais baixos de E1, sendo
s = 0,75 e 1,00. , os resultados
s iguais 0,5, 0,75 e 1,00 e bom apenas para =
MSSr_T, o E1 s =
s = 0,75 e 1, para os quais o regime
-metodologias, com menores valores de E1, = 0,75.
os os T analisados. Assim como para o E1, for
metodologias que fazem uso do T e da RCReg. 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 E1
27 .
O IQD permite avaliar as metodologias de estimativa da CR, de modo que, quanto mais alto o valor de IQD, melhor o
E1,
Observa-se que a metodologia RCReg apresentou os menores valores de IQD em todos
os para 0,75, como Rodrigues (2017). A
metodologia RCRes_T, assim como para o E1, manteve-se com valores menores que MSSo_T
e MSSr_T, (Figura 10), , indicando
inferioridade da RCRes_T s
RCReg.
-se o desempenho das metodologias MSSo_T e MSSr_T, que apresentaram os maiores valores de IQD e E1, sendo
Tais resultados demonstram que
os dados regionalizados consequentemente no
O uso de m que agregam melhorias nas estimativas da CR
essas estruturas possibilitam o No
entanto, a 0 2 4 6 8 10 12 IQ D
28 de aspectos, que devem ser mensurados, analisados e discutidos, devendo-se verificar principalmente a finalidade para a qual
3.3 Estimativa da capacidade do Na estimativa da CR
ao T.
de , diferentes respostas ao ajuste de dados.
CR melhor
desempenho, %
dos casos (Tabela 5). Desta forma, optou-se pelo uso da dist .
Tabela 5
Pearson III Log Normal III
116 16
3.3.1 Estimativa da capacidade do
Na Figura 11 MSSo, MSSr,
RCRes, MSSo_T, MSSr_T e RCRes_T comportamento das demais.
Dados da CR
mento mensal, importante es com variabilidade sazonal, como ocorre no semi
29 (a) (b) (c) Figura 11 de ( 40% Qmlt 50% Q7,10) (a), ( 50% Qmlt 50% Q7,10) (b), (60% Qmlt 50% Q7,10
O comportamento exibido pelas CR estimadas foi semelhante nos avaliados. As metodologias RCRes e RCRes_T exibiram o pior desempenho
estimativas da CR pelo MSO_T, com as maiores subestimativas (Figura 11) proporcionando
Analisando-se s valores estimados pelos
em se 1.100 1.300 1.500 1.700 1.900 5 10 15 20 C R (h m ³) 1500 1800 2100 2400 2700 5 10 15 20 C R (h m ³) 2.300 2.650 3.000 3.350 3.700 5 10 15 20 C R (h m ³)
30 aumenta o T, tiveram
MSSr_T se sobr
verificou-se que, o uso de metodologias que se associam a um T, apesar de apresentar
os resultados de Rodrigues (2017). De acordo
mensionamento de 3.3.2 da estimativa da capacidade do Na Figura 12, s s (pontos) de mlt 50% Q7,10), (50% Qmlt 50% Q7,10) e ( 60% Qmlt 50% Q7,10)) e , e
Nas Figuras 12a e 12b,
apresentados os erros para para as que o
consideram, respectivamente.
A metodologia RCRes apresentou as m
mais acentuados de
superestimativas e subestimativas da CR em seis dos
maiores erros relativos para a RHH. As ampl
Comparando--se um desempenho com
31 54110002 54195000 54300000 54390000 54500000 54530000 54580000 54590000 54710000 54780000 54950000 (a) 54110002 54195000 54300000 54390000 54500000 54530000 54580000 54590000 54710000 54780000 54950000 (b) Figura 12. -40 -20 0 20 40 60 80 100 120 ER (% ) -40 -20 0 20 40 60 80 100 120 ER (% )
ER_RHH_MSSo ER_RHH_MSSr ER_RHH_RCRes ER_RHH_MSSo ER_RHH_MSSr ER_RHH_RCRes ER_RHH_MSSo ER_RHH_MSSr ER_RHH_RCRes
ER_RHH_MSSo_T ER_RHH_MSSr_T ER_RHH_RCRes_T ER_RHH_MSSo_T ER_RHH_MSSr_T ER_RHH_RCRes_T ER_RHH_MSSo_T ER_RHH_MSSr_T ER_RHH_RCRes_T
32
Conforme 00 (Figura 11
do T, promoveu ganhos nas est
aproximadamente 70% da em geral, o
acentuados tanto nas superestimativas os
MSSo_T e MSSr_T.
As metodologias MSSo_T e MSSr_T apresentaram, em geral, valores de erros percentuais , com amplitudes menores demonstrando menor risco de
Os resultados observados indicam que
estimativas de CR mais distantes dos
.
3.4 de Nash-sutcliffe
Na Figura 13, 1 o de demanda
-se apenas os resultados referentes
A metodologia RCRes_T, foi inferior aos As
metodologias MSSo_T e MSSr_T apresentaram os melhores desempenhos sem exibir uma na capacidade preditiva de acordo com a d
33 Figura 13. E1
em conformidade com as Figuras 11 e 12, am a um T (MSSo_T e MSSr_T) obtiveram melhor desempenho nas estimativas da CR, com resultados semelhantes entre si. Desta forma, assim como em demandada fixas no tempo, o uso de dados regionalizados
representativo uso no dimensionamento de
de modo equivalente ao uso dos 0 0,2 0,4 0,6 0,8 1 40%Qmlt 50%Qmlt 60%Qmlt E1 MSSO_T MSSR_T RCRes_T
34 4
Um dos principais dilemas com vistas trata-se do
dimensionamento racional deste, assim, deve-se determinem o
e para satisfazer uma determinada
demanda. Outro aspecto que gera dificuldades quanto a estimativa da capacidade dos associado a das
dados
Nesse contexto, a no
dimensionamento No presente estudo,
, apresentaram o melhor desempenho com menores impactos
tem , representando uma ferramenta importante na
35
. Rio de Janeiro, p.12, 2007.
ALE, S.; BOWLING, L.C.; OWENS, P.R.; BROUDER, S.M.; FRANKENBERGER, J.R. Development and application of a distributed modeling approach to assess the watershedscale impact of drainage water management. Agricultural Water Management, v. 107, p. 23-33, 2012.
ALLEN, R. G. Ref-ET- Reference evapotranspiration calculator, 3.1.15. Idaho: University of Idaho Research and Extension Center Kimberly, 2013.
ALLEN, R. G.; PEREIRA, L. S.; RAES, D.; SMITH, M. Crop evapotranspiration: guidelines for computing crop water requirements. Rome: FAO: Irrigation and Drainage - 56, 1998. BARBOSA, A. R. R Notas de aula da disciplina Hidrologia Aplicada. Universidade Federal de Ouro Preto, 9p., 2011.
BIEMANS, H.; VAN S, H.; KABAT, P. Water and Climate Risks: A Plea for Climate Proofing of Water Development Strategies and Measures. Co-operative Programme on Water and Climate Wageningen, 38 p. Netherlands, 2006.
CLARKE, D. CropWat for Windows: user guide. University of Southampton, Southampton, UK. 1998
do Rio Jequitinhonha diretrizes IBGE, Salvador, 1997. 64 p
GPRH IGAM.
Processo de outorga no Estado de Minas Gerais. , 2012.
Water use in semi-arid Northeastern Brazil Modeling and scenario analysis. Kassel world water series, 3, 2000.
IBGE. ://sidra.ibge.gov.br/Tabela/1179>.
Acesso em: 20/09/2017. IBIO -
Doce,
em:<http://www.cbhdoce.org.br/wp-content/uploads/2015/01/RP1-_-V6-01-4-2013.pdf> Acesso em: 24 out 2017.
KITE, G. W. Frequency and Risk Analyses in Hydrology. Water Resources Publications, Littleton, Colorado, 257 p. 1988.
36
KURIA, F.; VOGEL, R. Uncertainty analysis for water supply reservoir yields, Journal of Hydrology, v. 529, p. 257-264, 2015.
LEGATES, D. R.; MCCABE JR, G. J. Evaluating the use of" goodness-of-fit" measures in hydrologic and hydroclimatic model validation. Water Resources Research, v. 35, n.1, p. 233-241, 1999.
MAHMOUD, W.H., ELAGIB, N.A., GAESE, H., HEINRICH, J. Rainfall conditions and rainwater harvesting potential in the urban area of Khartoum. Resourses, Conservation and Recycling. v. 91, p. 89-99, 2014.
PAOLICCHI, L. T. I. C.; PINTO, G. L. N. Improving drought management in the Brazilian semiarid through crop forecasting. Agricultural Systens, v.160, p. 21-130, 2018.
MULLER, M. F; THOMPSON, S. E. Comparing statistical and process-based flow duration curve models in ungauged basins and changing rain regimes, Hidrology and Earth System Sciences, v. 20, p. 669-683, 2016.
NAGHETTINI, M., PINTO, E. J. A. tica. Belo Horizonte: CPRM. 561 p, 2007.
NUNES, A. DE A.; PRUSKI, F. F. Improving the determination of reservoir capacities for drought control. Stochastic Environmental Research and Risk Assessment, v. 29, n. 1, p. 183-191, 2015.
RODRIGUES, N. C.
-
SILVA, P.M.O.; MELLO, C.R.; SILVA, A.M.; COELHO, G.
Revista Brasileira de Engenharia v. 12, n. 3, p. 258-265, 2008.
TAGHI, S.M.; HALIT, A.; FAZLI, O. Operation analysis of Eleviyan irrigation reservoir dam by optimization and stochastic simulation. Stoch Environ Res Risk Assess, v.23, p.1187 1201, 2009.
TUCCI, C. E. M. . Editora da Universidade/UFRGS, 256p. 2002.
TUCCI, C. E. M. 4.ed. Porto Alegre: Editora da UFRGS,
2012. 943 p.
XU, B.; BOYCE, S. E.; ZHANG, Y.; LIU, Q. Stochastic programming with a joint chance constraint model for reservoir refill operation considering flood risk. Journal of Water Resources Planning and Management, v. 143, n. 1, p. 04016067, 2017.
37
WANG, X.; HUANG, G.; LIN, Q.; NIE, X.; CHENG, G.; FAN, Y.; LI, Z.; YAO, Y.; SUO, M. A stepwise cluster analysis approach for downscaled climate projection A Canadian case study. Environmental Modelling & Software. v. 49, p. 141 151, 2013.
WWAP (United Nations World Water Assessment Programme). . Paris, UNESCO, 2018.
ZHANG, H. G. et al. Potential effects of climate change on runoff in the Yellow River Basin of China. Transactions of the ASABE, v. 50, p. 911-918, 2007.
39 (a) (b) (c) (d) Figura 1A - 13 19 25 31 37 10 40 70 100 C R (h m ³) 90 145 200 255 310 10 40 70 100 C R (h m ³) 300 800 1300 1800 2300 10 40 70 100 C R (h m ³) 1200 2400 3600 4800 6000 10 40 70 100 C R (h m ³)
40
(a) (b)
(c) (d)
Figura 2A - Capacidades do
(d) na com demanda fixa. 80 130 180 230 280 10 40 70 100 C R (h m ³) 500 700 900 1100 1300 10 40 70 100 C R (h m ³) 2000 2500 3000 3500 4000 10 40 70 100 C R (h m ³) ) 8000 13000 18000 23000 28000 10 40 70 100 C R (h m ³)
41
(a) (b)
(c) (d)
Figura 3A - 0,25 (a), 0,50 (b), 0,75 (c) e 1,00
(d) na com demanda fixa. 4 6,5 9 11,5 14 10 40 70 100 C R (h m ³) 26 36 46 56 66 10 40 70 100 C R (h m ³) 150 165 180 195 210 10 40 70 100 C R (h m ³) 390 590 790 990 1190 10 40 70 100 C R (h m ³)
42
(a) (b)
(c) (d)
Figura 4A -
(d) na com demanda fixa. 60 80 100 120 140 10 40 70 100 C R (h m ³) 270 350 430 510 590 10 40 70 100 C R (h m ³) 900 1200 1500 1800 2100 10 40 70 100 C R (h m ³) 4000 6200 8400 10600 12800 10 40 70 100 C R (h m ³)
43
(a) (b)
(c) (d)
Figura 5A -
(d) na com demanda fixa. 80 105 130 155 180 10 40 70 100 C R (h m ³) 440 560 680 800 920 10 40 70 100 C R (h m ³) 1200 1600 2000 2400 2800 10 40 70 100 C R (h m ³) 6000 9000 12000 15000 18000 10 40 70 100 C R (h m ³)
44
(a) (b)
(c) (d)
Figura 6A -
(d) na com demanda fixa. 170 250 330 410 490 10 40 70 100 C R (h m ³) 1000 1350 1700 2050 2400 10 40 70 100 C R (h m ³) 2300 3500 4700 5900 7100 10 40 70 100 C R (h m ³) 15000 21000 27000 33000 39000 10 40 70 100 C R (h m ³)
45 .
(a) (b)
(c) (d)
Figura 7A - Capacidades
(d) na com demanda fixa. 6 9 12 15 18 10 40 70 100 C R (h m ³) 25 40 55 70 85 10 40 70 100 C R (h m ³) 110 160 210 260 310 10 40 70 100 C R (h m ³) 370 670 970 1270 1570 10 40 70 100 C R (h m ³)
46
(a) (b)
(c) (d)
Figura 8A - de 0,25 (a), 0,50 (b), 0,75 (c) e 1,00
(d) na com demanda fixa. 200 300 400 500 600 10 40 70 100 C R (h m ³) 1400 1775 2150 2525 2900 10 40 70 100 C R (h m ³) 4500 5500 6500 7500 8500 10 40 70 100 C R (h m ³) 15000 27000 39000 51000 63000 10 40 70 100 C R (h m ³)
47
(a) (b)
(c) (d)
Figura 9A -
(d) na 78000 com demanda fixa. 250 330 410 490 570 10 40 70 100 C R )h m ³) 1700 2050 2400 2750 3100 10 40 70 100 C R (h m ³) 5600 6400 7200 8000 8800 10 40 70 100 C R (h m ³) 19000 29000 39000 49000 59000 10 40 70 100 C R (h m ³)
48
(a) (b)
(c) (d)
Figura 10A -
(d) na com demanda fixa. 280 360 440 520 600 10 40 70 100 C R (h m ³) 1800 2200 2600 3000 3400 10 40 70 100 C R (h m ³) 5800 6650 7500 8350 9200 10 40 70 100 C R (h m ³) 20000 30000 40000 50000 60000 10 40 70 100 C R (h m ³)
49 (a) (b) (c) (d) (e) (f) Figura 1B - de ( 40% Qmlt 50% Q7,10) (a), ( 50% Qmlt 50% Q7,10) (b), (60% Qmlt 50% Q7,10 110002 e ( 40% Qmlt 50% Q7,10) (d), ( 50% Qmlt 50% Q7,10) (e), (60% Qmlt 50% Q7,10) (f) 195000 considerando demanda 100 120 140 160 180 5 10 15 20 C R (h m ³) 140 165 190 215 240 5 10 15 20 C R (h m ³) 200 230 260 290 320 5 10 15 20 C R (h m ³) 500 570 640 710 780 5 10 15 20 C R (h m ³) 1000 1150 1300 1450 1600 5 10 15 20 C R (h m ³) 1000 1150 1300 1450 1600 5 10 15 20 C R (h m ³)
50 (a) (b) (c) (d) (e) (f) Figura 2B - ( 40% Qmlt 50% Q7,10) (a), ( 50% Qmlt 50% Q7,10) (b), (60% Qmlt 50% Q7,10 300000 e ( 40% Qmlt 50% Q7,10) (d), ( 50% Qmlt 50% Q7,10) (e), (60% Qmlt 50% Q7,10) (f) 390000 . 100 120 140 160 180 5 10 15 20 C R (h m ³) 35 42 49 56 63 5 10 15 20 C R (h m ³) 49 59 69 79 89 5 10 15 20 C R (h m ³) 230 290 350 410 470 5 10 15 20 C R (h m ³) 350 420 490 560 630 5 10 15 20 C R (h m ³) 510 600 690 780 870 5 10 15 20 C R (h m ³)
51 (a) (b) (c) (d) (e) (f) Figura 3B - ( 40% Qmlt 50% Q7,10) (a), ( 50% Qmlt 50% Q7,10) (b), (60% Qmlt 50% Q7,10 500000 e ( 40% Qmlt 50% Q7,10) (d), ( 50% Qmlt 50% Q7,10) (e), (60% Qmlt 50% Q7,10) (f) 530000 360 430 500 570 640 5 10 15 20 C R (h m ³) 550 640 730 820 910 5 10 15 20 C R (h m ³) 780 890 1.000 1.110 1.220 5 10 15 20 C R (h m ³) 900 1.050 1.200 1.350 1.500 5 10 15 20 C R (h m ³) 1.350 1.550 1.750 1.950 2.150 5 10 15 20 C R (h m ³) 1.900 2.200 2.500 2.800 3.100 5 10 15 20 C R (h m ³)
52 (a) (b) (c) (d) (e) (f) Figura 4B - ( 40% Qmlt 50% Q7,10) (a), ( 50% Qmlt 50% Q7,10) (b), (60% Qmlt 50% Q7,10 580000 e ( 40% Qmlt 50% Q7,10) (d), ( 50% Qmlt 50% Q7,10) (e), (60% Qmlt 50% Q7,10) (f) para a est 590000 1.100 1.220 1.340 1.460 1.580 5 10 15 20 C R (h m ³) retorno(anos) 1600 1750 1900 2050 2200 5 10 15 20 C R (h m ³) 2.300 2.500 2.700 2.900 3.100 5 10 15 20 C R (h m ³) 32 39 46 53 60 5 10 15 20 C R (h m ³) 49 56 63 70 77 5 10 15 20 C R (h m ³) 66 76 86 96 106 5 10 15 20 C R (h m ³)
53 (a) (b) (c) (d) (e) (f) Figura 5B - ( 40% Qmlt 50% Q7,10) (a), ( 50% Qmlt 50% Q7,10) (b), (60% Qmlt 50% Q7,10 710000 e ( 40% Qmlt 50% Q7,10) (d), ( 50% Qmlt 50% Q7,10) (e), (60% Qmlt 50% Q7,10) (f) para a 950000 1.400 1.600 1.800 2.000 2.200 5 10 15 20 C R (h m ³) 1.900 2.200 2.500 2.800 3.100 5 10 15 20 C R (h m ³) 2.900 3.300 3.700 4.100 4.500 5 10 15 20 C R (h m ³) 1.500 1.750 2.000 2.250 2.500 5 10 15 20 C R (h m ³) 2.200 2.500 2.800 3.100 3.400 5 10 15 20 C R (h m ³) 3.200 3.600 4.000 4.400 4.800 5 10 15 20 C R (h m ³)
