INTEGRATED AND SUSTAINABLE MANAGEMENT OF TRANSBOUNDARY WATER RESOURCES IN THE AMAZON RIVER BASIN CONSIDERING CLIMATE VARIABILITY AND CHANGE

(1)

Amazon Cooperation Treaty Organization

Global Environment Facility

United Nations Environment Programme

INTEGRATED AND SUSTAINABLE MANAGEMENT OF TRANSBOUNDARY WATER RESOURCES IN THE AMAZON RIVER BASIN CONSIDERING

CLIMATE VARIABILITY AND CHANGE ACTO/GEF/UNEP

GEF-AMAZON

COMPONENT-III RESPONSE STRATEGIES

SUBPROJECT-III.2 SPECIAL PRIORITIES ON ADAPTATION

Activity III.2.1 Climate Change, Adaptation Capacity and Risk Governance in the Transboundary Purus River Sub-basin of the project “Integrated and Sustainable Management of Transboundary Water Resources in the Amazon River Basin Considering Climate Variability and Climate Change”

Bolivia, Brasil, Colombia, Ecuador, Guyana, Perú, Surinam y Venezuela

(2)

Modelo Operacional Documentado de Governança de Risco para a Bacia do Rio

Purus (Atividade III.2.1)

Rômulo Magalhães de Sousa

(3)

RELATÓRIO DO PRODUTO 03 PARA PROJETO GEF AMAZONAS

SUMÁRIO EXECUTIVO

Este relatório apresenta o Modelo Operacional de Governança de Risco para a Avaliação de Impacto de Mudança Climática, Capacidade de Adaptação e Medida de Respostas para a Bacia do Rio Purus, através da descrição da sua concepção e descrição detalhada, que documenta seu desenvolvimento, utilização e aplicação. O Modelo Operacional de Governança de Risco foi desenvolvido com a utilização da Lógica Fuzzy para tratar os aspectos de incerteza e a complexidade inerentes aos sistemas ambientais.

O modelo é composto por módulos de identificação e estimativa de ameaças, avaliação de exposição e vulnerabilidade, identificação de capacidade institucional e de adaptação, e de avaliação do risco, a partir da qual é possível criar as estratégias de resposta para minimizar os impactos esperados com a mudança climática.

1. Introdução

A metodologia utilizada na construção do modelo operacional e no modelo computacional seguem os conceito de governança de risco definidos previamente no framework conceitual de governança de risco apresentando no primeiro relatório parcial, e no modelo computacional apresentado no segundo relatório parcial. O modelo conceitual (Fig. 1) utilizado se fundamentou inicialmente nas premissas do International Risk Governance Council (IRGC, 2006), porém foram adequados para atender as necessidades e complexidades peculiares do referido projeto.

O modelo operacional utiliza os dados de precipitação dos principais municípios que se localizam na calha rio Purus, além do município de Sena Madureira que se localiza as margens do rio Iaco, que é um afluente do Purus, porém está muito próximo ao rio Purus, sofrendo diretamente as consequências oriundas dos eventos de cheia e seca do rio Purus. O município de Rio Branco também está contemplado no modelo, por estar às margens do rio Acre, também afluente do Purus, e por se tratar da maior cidade da bacia do Purus, e dentro das escalas espaciais amazônicas, este município exerce bastante influência de Sena Madureira, o que do ponto de vista hídrico essa influência não é trivial.

O modelo operacional faz uma interface com os modelos climatológico e

hidrológico que forneceram uma previsão de chuvas desses municípios e da cota do rio

Purus para as regiões do Alto, Médio e Baixo Purus, de 2015 a 2025. Como os modelos

de precipitação e cota se referem a tendência, os limites de mínimo e máximo foram

considerados pelo modelo como as ocorrências de eventos extremos. Além dos dados

climáticos e hidrológicos, dados relativos a capacidade institucional e a capacidade de

adaptação, que foram coletados nas pesquisas de campo e nos workshops realizados

(4)

com o stakeholders, são utilizados pelo modelo operacional. Assim como, as informações relativas as exposições e vulnerabilidades dos alvos das ameaças decorrentes dos eventos extremos.

Os alvos das ameaças que foram considerados pelo modelo, são a agricultara de terra de firma, a agricultura de várzea, o extrativismo, a pesca, os recursos hídricos, especificamente a qualidade da água para o consumo e o lazer, a criação de animais e a infraestrutura de moradias das populações.

Fig. 1 – Modelo Conceitual de Governança de Risco: Avaliação de Impacto de Mudança Climática, Capacidade de Adaptação e Medida de Respostas.

Em linhas gerais, um Sistema de Inferência Fuzzy, ou FIS (Fuzzy Inference

System), é formato por variáveis de entrada e saída, uma base de regras Fuzzy, e um

motor de inferência. As variáveis de entrada e saída são formadas por conjuntos Fuzzy,

que são definidos através de termos linguísticos, e são utilizados para determinar os

graus de pertinências das variáveis apresentadas ao sistema. Através dos graus de

pertinência o motor de inferência identifica quais a regras Fuzzy são acionadas para

cada entrada. Em seguida, as regras acionadas determinam quais os conjuntos Fuzzy

da(s) variável(eis) de saída irão compor a área para cálculo do resultado do FIS (Luger,

2004).

(5)

regiões diferentes da Bacia, em decorrência da peculiaridade de cada uma. Ao todo foram elaboradas 16.918 regras Fuzzy, com a menor base de regras contendo 9 regras e a maior base contendo 6.561 regras.

O resultado do modelo são os graus de riscos a que estão expostos os alvos das ameaças decorrentes dos eventos extremos, no período de 2015 a 2015 para os municípios da calha do rio Purus. Estas informações são apresentadas através de gráficos.

Este relatório está estruturado da seguinte forma. Na seção 2 está descrita a implementação dos catorze FIS, descrevendo as variáveis de entrada e saída, os conjuntos fase e apresentando algumas visões de superfície das regras criadas. Na seção 3 é apresentado os resultados gerados pelo modelo. E na seção 4 são realizadas algumas considerações.

2. Implementação do Modelo Operacional

O Modelo Operacional de Governança de Risco (Anexo A) foi desenvolvido em MATLAB versão R2014b (8.4.0.150421) sob a licença número 990217, com a utilização do toolbox de Lógica Fuzzy.

Os catorze FIS desenvolvidos para compor o modelo operacional estão relacionados abaixo e descritos nas subseções a seguir:

 Identificação de Ameaça proveniente de Precipitação;

 Identificação de Ameaça proveniente de Cota do Rio do Alto Purus;

 Identificação de Ameaça proveniente de Cota do Rio do Médio Purus;

 Identificação de Ameaça proveniente de Cota do Rio do Baixo Purus;

 Identificação de Vulnerabilidade na Agricultura de Terra Firme;

 Identificação de Vulnerabilidade na Agricultura de Várzea;

 Identificação de Vulnerabilidade no Extrativismo Vegetal;

 Identificação de Vulnerabilidade na Pesca;

 Identificação de Vulnerabilidade na Criação de Animais;

 Identificação de Vulnerabilidade na Qualidade da Água;

 Identificação de Vulnerabilidade na Infraestrutura de Habitação;

 Identificação da Capacidade Institucional;

 Identificação da Capacidade de Adaptação; e,

 Avaliação do Risco.

(6)

2.1. FIS de Identificação de Ameaça proveniente de Precipitação

O FIS de identificação de ameaça proveniente de precipitação possui quatro variáveis de entrada, que recebem as médias de chuvas de cada trimestre, e gera os graus de ameaça para cada trimestre, através da aplicação de 625 regras Fuzzy, conforme apresentado pela Fig. 2. As médias trimestrais são apresentadas para cada ano do intervalo de 2015 a 2025. Este FIS é aplicado para todos os municípios.

Fig. 2 – Arquitetura do FIS de identificação de ameaças decorrentes de precipitação.

Cada uma das variáveis de entrada é formada por cinco conjuntos Fuzzys denominados pelos termos linguísticos ‘Muito_Fraca’, ‘Fraca’, ‘Regular’, ‘Forte’ e

‘Muito-Forte’ que determinam as cinco categorias de intensidade de chuva que pode ocorrer nos quatro trimestres, como apresentado na Fig. 3. Todas as variáveis de entrada possuem os mesmos valores de grau de pertinência (degree of membership) dentro do intervalo [0 1], porém os volumes de chuva do Primerio-Trimestre, Segundo-Trimestre, Terceiro-Trimestre e Quarto-Trimestre possuem intervalor diferentes. Estes intervalos foram modelados de acordo com os valores de mínimo e máximo de precipitação apresentados pelo modelo climático.

Além dos intervalos, as distribuições dos conjuntos fases em cada variável

também é distinta em cada variável. Onde, por exemplo, o conjunto Fuzzy ‘Fraca’ do

Primeiro-Trimestre é bem mais ampla que o conjunto Fuzzy ‘Fraca’ no segundo

trimestre. Esta diferença é determinada pelo posicionamento da média de chuva que

(7)

Fig. 3 – Variáveis de entrada do FIS com suas definições de conjuntos Fuzzy com a utilização de termos linguísticos

Fig. 4 – Variáveis de Saída do FIS com suas definições de conjuntos Fuzzy com a utilização de termos linguísticos

(8)

As variáveis de saída identificam os graus de ameaças geradas pela precipitação, que podem ser Excesso de Chuva ou Estiagem intensa. As quatro variáveis de saídas foram definidas com três conjuntos Fuzzy denominados de ‘Alto’, ‘Médio’ ou ‘Baixo’, e possuem o mesmo intervalo de [0 1] para determinar o grau de ameaça. Pode-se observar que a distribuição dos conjuntos Fuzzy das variáveis de entrada e saída da Fig.

3, são reproduzidos em miniaturas na Fig. 2.

Através do gráfico de superfície é possível visualizar como as variáveis de entrada geram o resultado de uma variável de saída, como mostra a Fig. 4. Neste caso específico, pode-se observar como a ameaça de estiagem aumenta conforme os volumes médios de chuva do Primeiro-Trimestre e Segundo-Semestre diminuem, considerando que o volume de chuva de 244 e 698 mm para o Terceiro-Trimestre e Quarto-Trimestre.

Fig. 5 – Visão das regras Fuzzy através de gráfico de superfície considerando uma precipitação média de 244 mm no 3º trimestre e 698 mm no 4º trimestre.

As ameaças de precipitação identificadas pelo modelo são visualizadas através

de gráficos, como apresentado na Seção 3.

(9)

2.2. FIS de Identificação de Ameaça proveniente de Cota do Rio do Alto, Médio e Baixo Purus

O FIS de identificação de ameaça proveniente das alterações de cota de precipitação possui quatro variáveis de entrada, que recebem as médias do máximo das cotas do segundo semestre do ano anterior, o do primeiro e segundo semestre do ano corrente ao que está sendo analisado a ameaça, conforme apresentado pela Fig. 6, Fig. 7 e Fig. 8. Além dos máximos, este FIS também recebe como entrada a média dos mínimos da cota do ano corrente. O período das cotas é de 2015 a 2025. A base de regras é composta por 175 regras Fuzzy.

A definição dos conjuntos Fuzzy é baseada nas cotas de mínimo é máximo de cada região do Purus em cada FIS. Como há uma variação dos intervalos de valores das cotas de máximo e mínimo para cada região, cada FIS de ameaça proveniente das alterações das cotas do rio Purus, possuem definições distintas. Para a identificação dessas ameaças para os municípios de Santa Rosa do Purus, Manoel Urbano, Sena Madureira e Rio Branco foi utilizado o FIS do Alto Purus, para Boca do Acre, Pauini e Lábrea foi aplicado do FIS do Médio Purus, e o FIS do Baixo Purus foi aplicado para Canutama, Tapauá e Beruri.

A saída deste FIS alimenta o FIS de avaliação de risco.

Fig. 6 – Arquitetura do FIS de identificação de ameaças decorrentes de alteração de cota para o Alto Purus.

(10)

Fig. 7 – Arquitetura do FIS de identificação de ameaças decorrentes de alteração de cota para o Médio Purus.

Fig. 8 – Arquitetura do FIS de identificação de ameaças decorrentes de alteração de cota para o Baixo Purus.

As ameaças de variação na cota do rio Purus identificadas pelo modelo são

visualizadas através de gráficos, como apresentado na Seção 3.

(11)

2.3. FIS de Identificação de Vulnerabilidade na Agricultura de Terra Firme

O FIS de identificação de vulnerabilidade na Agricultura de Terra Firme em relação as ameaças identificadas na Bacia do rio Purus, possui 8 variáveis de entradas que estão relacionadas não apenas as ameaças em si, mas também quando ocorreram, como mostra a Fig. 9. A modelagem da vulnerabilidade neste alvo foi baseada nos problemas relacionados a plantação de mandioca nas áreas de terra alto, e serve como referências para os demais plantios em terra alta. Eventos extremos ocasionam efeitos até dois anos após a sua ocorrência.

As variáveis e entrada deste FIS são as variáveis de saída do FIS de identificação de ameaças provenientes da precipitação na região, ajustado o devido atraso para que as ameaças identificadas em ano anteriores sejam apresentadas corretamente com as ameaças do ano corrente. As variações de cota do rio Purus não interferem nesta identificação. As variáveis de entrada possuem a mesma organização das variáveis de saída do FIS de ameaças.

Em decorrência da grande quantidade de variáveis de entrada a base de regras é formada por 6.561 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

Fig. 9 – Arquitetura do FIS de identificação de vulnerabilidade na agricultura de terra firme.

(12)

2.4. FIS de Identificação de Vulnerabilidade na Agricultura de Várzea

O FIS de identificação de vulnerabilidade na Agricultura de Várzea em relação as ameaças identificadas na Bacia do rio Purus, possui 4 variáveis de entradas relativas a ameaças do ano corrente a plantação, como mostra a Fig. 10. A modelagem da vulnerabilidade neste alvo foi baseada nos problemas relacionados a plantação de mandioca nas áreas de várzea, e serve como referências para os demais plantios na várzea.

As variáveis e entrada deste FIS são as saídas dos FIS de identificação de ameaças provenientes da precipitação e variação a cota do rio Purus, por isso possuem o mesmo arranjo dos conjuntos Fuzzy.

Em decorrência da menor quantidade de variáveis de entrada a base de regras é formada por 81 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

Fig. 10 – Arquitetura do FIS de identificação de vulnerabilidade na agricultura de várzea.

(13)

2.5. FIS de Identificação de Vulnerabilidade no Extrativismo Vegetal

O FIS de identificação de vulnerabilidade no extrativismo vegetal em relação as ameaças identificadas na Bacia do rio Purus, possui 5 variáveis de entradas relativas a ameaças do ano corrente a extração, como mostra a Fig. 11. A modelagem da vulnerabilidade neste alvo foi baseada nos problemas relacionados a extração de castanha, borracha e malva, e serve como referência para os demais recursos vegetais que são extraídos na várzea.

As variáveis e entrada deste FIS são as saídas dos FIS de identificação de ameaças provenientes da precipitação e variação a cota do Rio Purus, por isso possuem o mesmo arranjo dos conjuntos Fuzzy.

A base de regras é formada por 243 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

Fig. 11 – Arquitetura do FIS de identificação de vulnerabilidade no extrativismo vegetal.

(14)

2.6. FIS de Identificação de Vulnerabilidade na Pesca

O FIS de identificação de vulnerabilidade na pesca em relação as ameaças identificadas na Bacia do rio Purus, possui 3 variáveis de entradas relativas a ameaças do ano corrente a pesca, como mostra a Fig. 12. A modelagem da vulnerabilidade neste alvo foi baseada nos problemas relacionados a pesca no rio de forma genérica.

As variáveis e entrada deste FIS são as saídas dos FIS de identificação de ameaças provenientes da precipitação e variação a cota do Rio Purus, por isso possuem o mesmo arranjo dos conjuntos Fuzzy.

A base de regras é formada por 27 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

Fig. 12 – Arquitetura do FIS de identificação de vulnerabilidade na agricultura na pesca.

(15)

2.7. FIS de Identificação de Vulnerabilidade na Criação de Animais

O FIS de identificação de vulnerabilidade na criação de animais em relação as ameaças identificadas na Bacia do rio Purus, possui 7 variáveis de entradas relativas a ameaças do ano corrente a criação, como mostra a Fig. 13. A modelagem da vulnerabilidade neste alvo foi baseada nos problemas relacionados a criação de animais de forma genérica, incluindo o gado, porcos, galinhas, peixes de açude e outros.

As variáveis e entrada deste FIS são as saídas dos FIS de identificação de ameaças provenientes da precipitação e variação a cota do Rio Purus, por isso possuem o mesmo arranjo dos conjuntos Fuzzy.

A base de regras é formada por 2.187 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

A saída deste FIS alimenta o FIS de avaliação de risco.

Fig. 13 – Arquitetura do FIS de identificação de vulnerabilidade na criação de animais.

(16)

2.8. FIS de Identificação de Vulnerabilidade na Qualidade da Água

O FIS de identificação de vulnerabilidade na qualidade da água pesca em relação as ameaças identificadas na Bacia do rio Purus, possui 3 variáveis de entradas relativas a ameaças do ano corrente ao consumo da qualidade da água, como mostra a Fig. 14. A modelagem da vulnerabilidade neste alvo foi baseada nos problemas relacionados aos consumo e utilização da água em ocasião de eventos extremos já ocorridos.

As variáveis e entrada deste FIS são as saídas dos FIS de identificação de ameaças provenientes da precipitação e variação a cota do Rio Purus, por isso possuem o mesmo arranjo dos conjuntos Fuzzy.

A base de regras é formada por 27 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

A saída deste FIS alimenta o FIS de avaliação de risco.

Fig. 14 – Arquitetura do FIS de identificação de vulnerabilidade na qualidade da água.

(17)

2.9. FIS de Identificação de Vulnerabilidade na Infraestrutura de Habitação O FIS de identificação de vulnerabilidade na infraestrutura de habitação em relação as ameaças identificadas na Bacia do rio Purus, possui 2 variáveis de entradas relativas a ameaças do ano corrente a exposição da habitação, como mostra a Fig. 15. A modelagem da vulnerabilidade neste alvo foi baseada nos problemas relacionados as enchentes de anos anteriores.

As variáveis e entrada deste FIS são as saídas dos FIS de identificação de ameaças provenientes da precipitação e variação a cota do Rio Purus, por isso possuem o mesmo arranjo dos conjuntos Fuzzy.

A base de regras é formada por 9 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

A saída deste FIS alimenta o FIS de avaliação de risco.

Fig. 15 – Arquitetura do FIS de identificação de vulnerabilidade na infraestrutura de habitação.

(18)

2.10. FIS de Identificação da Capacidade Institucional

O FIS de identificação de capacidade institucional dos municípios da Bacia do rio Purus, possui 3 variáveis de entrada, como mostra a Fig. 15, e são relativas as avaliações da infraestrutura administrativa da defesa civil no município, da interação da defesa civil com outros entes federativos, e da gestão do risco presente no município.

A base de regras é formada por 27 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

A saída deste FIS alimenta o FIS de identificação de capacidade de adaptação.

(19)

2.11. FIS de Identificação da Capacidade de Adaptação

O FIS de identificação de capacidade de adaptação dos municípios da Bacia do rio Purus, possui 3 variáveis de entrada, como mostra a Fig. 15, e são relativas as avaliações de flexibilidade na alternância de moradia, na capacidade institucional e no Índice de Desenvolvimento Humano Municipal (IDHM) de 2010. O FIS de identificação de capacidade institucional é que alimenta esta variável.

A base de regras é formada por 45 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

A saída deste FIS alimenta o FIS de avaliação de risco.

(20)

2.12. FIS de Avaliação do Risco

Este é o FIS que gera o resultado final do modelo, sendo alimentado pelos FIS de identificação de vulnerabilidade e pelo de capacidade de adaptação, a partir do qual é definido o grau de riscos para todos os alvos de ameaça. Desta forma, o FIS de avaliação de risco dos municípios da Bacia do rio Purus, possui 8 variáveis de entrada e 7 variáveis de saída, como mostra a Fig. 18.

A base de regras é formada por 6561 regras Fuzzy, definidas de acordo com as informações levantadas em campo e validadas pelos stakeholders nos workshops realizados.

Os resultados gerados pelos modelos são visualizados através de gráficos, como apresentado na Seção 3.

(21)

3. Resultados

Esta seção apresenta os gráficos com as identificações de eventos extremos na Bacia do Rio Purus, assim como as avaliações de riscos para os municípios da Bacia do Purus que fazem parte do projeto.

As Fig. 19 apresenta as ameaças de estiagem, a Fig. 20 as ameaças de excesso de chuva, e a Fig. 21 as ameaças de seca e inundação, e seus respectivos graus de ameaças.

Da Fig. 22 a Fig. 31 é apresentado as avaliações de riscos dos municípios relativos à agriculta de terra firme e de várzea, ao extrativismo vegetal, a pesca, a criação de animais, a qualidade da água e a habitação. Esses resultados serão analisados no relatório final, para a elaboração das estratégias.

Fig. 19 – Ameaças de Estiagem identificadas na bacia do rio Purus de 2015 a 2025.

(22)

Fig. 20 – Ameaças de Excesso de Chuva identificadas na bacia do rio Purus de 2015 a 2025.

(23)

Fig. 22 – Avaliação de Risco de Santa Rosa do Purus de 2015 a 2025.

(24)

(25)

Fig. 24 – Avaliação de Risco de Sena Madureira de 2015 a 2025.

(26)

Fig. 25 – Avaliação de Risco de Rio Branco de 2015 a 2025.

(27)

Fig. 26 – Avaliação de Risco de Boca do Acre de 2015 a 2025.

(28)

(29)

Fig. 28 – Avaliação de Risco de Lábrea de 2015 a 2025.

(30)

(31)

Fig. 30 – Avaliação de Risco de Tapauá de 2015 a 2025.

(32)

(33)

4. Conclusão

O modelo operacional define os processos de governança de risco de forma abrangente e depende fundamentalmente do modelo computacional para auxiliar na definição das estratégias de respostas.

Bibliografia

IRGC: International Risk Governance Council (2006). White Paper no. 1. Risk

Governance: towards an integrative approach. (IRGC: Geneva 2005, reprinted 2006)

Luger, George F., Inteligência Artificial: estruturas e estratégias para a resolução de

problemsa complexos. 4ª ed. Porto Alegre: Bookman, 2004.

(34)

Anexo A

Programa do Modelo Operacional que controla a execução de todos os FIS.

%% Modelo Governança de Risco para a Bacia do Rio do Purus de 2015 a 2025

clc;

clear;

% Localidades Espaciais

Regioes_Purus = {'Alto';'Medio';'Baixo'};

Municipios_Calha = {'Santa Rosa do Purus';'Manoel Urbano';'Sena Madureira';'Rio Branco';'Boca do Acre';'Pauini';'Lábrea';'Canutama';'Tapauá';'Beruri'};

% Projeções de Preciptação de 2015 a 2023 para os principais municípios da

% calha para o primeiro segundo terceiro e quarto trimestre.

% Cada coluna da tabela de preciptação representa um município na mesma ordem do array

Preciptacao_Media_T1 = [ 926.6 1027.5 991.3 926.8 914.8 916.8 770.9 688.2 643.6 526.5 ; ... % 1T 2015 804.9 930.2 894.0 854.4 833.5 833.6 688.2 715.2 730.8 467.4 ; ... % 1T 2016 899.3 965.6 945.0 891.0 853.6 861.7 908.1 855.0 768.4 556.5 ; ... % 1T 2017 884.0 969.3 933.0 958.3 847.1 842.6 828.9 735.1 695.5 507.2 ; ... % 1T 2018 715.1 801.6 780.2 731.4 752.8 753.8 647.3 579.0 569.0 298.9 ; ... % 1T 2019 684.2 746.7 702.6 737.0 666.0 668.6 537.0 530.1 515.9 323.7 ; ... % 1T 2020 800.3 881.3 849.3 804.1 792.5 802.3 706.1 646.1 605.0 434.7 ; ... % 1T 2021 928.6 1019.4 954.8 910.4 861.9 858.1 749.0 715.0 600.5 557.5 ; ... % 1T 2022

(35)

229.9 291.8 290.8 217.3 288.2 294.4 351.6 398.2 448.2 472.0 ; ... % 2T 2016 289.7 362.6 355.1 307.3 304.9 308.6 392.6 414.0 459.9 555.9 ; ... % 2T 2017 304.4 337.9 330.3 299.4 306.2 315.3 369.1 428.3 460.1 563.2 ; ... % 2T 2018 390.3 457.9 442.6 413.6 378.6 375.1 342.0 385.4 407.2 443.2 ; ... % 2T 2019 300.3 366.1 358.1 294.2 315.0 310.1 334.5 377.6 418.9 572.3 ; ... % 2T 2020 323.9 399.2 385.4 321.7 377.4 383.1 455.2 559.7 533.8 539.9 ; ... % 2T 2021 296.9 322.2 324.4 320.4 324.9 322.6 397.7 427.6 459.6 465.9 ; ... % 2T 2022 349.7 436.9 419.0 373.5 373.8 379.7 349.3 374.6 382.1 363.3 ; ... % 2T 2023 349.0 432.2 413.4 342.2 388.2 401.0 489.4 527.0 559.4 503.4 ; ... % 2T 2024 265.7 350.9 326.3 277.8 306.0 313.6 358.2 384.6 407.4 449.2 ]; % 2T 2025

Preciptacao_Media_T3 = [ 152.8 215.4 209.6 154.8 192.3 199.9 279.1 288.2 303.1 223.4 ; ... % 3T 2015 108.4 160.5 144.6 105.3 131.9 141.2 235.9 247.4 273.9 297.9 ; ... % 3T 2016 190.2 257.3 240.7 181.7 254.2 261.5 289.0 314.4 329.1 266.3 ; ... % 3T 2017 177.8 225.7 217.1 179.1 197.8 204.5 251.7 274.4 312.0 320.4 ; ... % 3T 2018 155.0 234.3 212.0 149.7 211.7 219.7 266.5 306.5 337.7 283.4 ; ... % 3T 2019 176.6 208.8 195.0 179.7 196.9 198.1 303.6 338.9 339.5 347.9 ; ... % 3T 2020 152.5 225.4 212.8 146.7 208.7 223.8 298.1 313.0 337.8 315.8 ; ... % 3T 2021 144.3 208.7 190.5 143.2 194.1 205.4 261.0 278.5 291.8 285.6 ; ... % 3T 2022 143.3 172.1 165.2 134.5 168.4 177.8 252.7 271.7 310.8 382.4 ; ... % 3T 2023 156.3 212.2 199.9 154.1 189.9 196.7 243.2 279.3 305.3 302.4 ; ... % 3T 2024 112.0 157.8 144.7 120.5 138.4 143.1 198.8 228.3 262.8 199.2 ]; % 3T 2025

Preciptacao_Media_T4 = [ 748.2 910.5 845.3 787.1 739.0 736.5 584.0 622.9 660.4 552.1 ; ... % 4T 2015 668.5 808.9 751.6 685.6 661.7 667.7 593.3 568.8 545.0 435.7 ; ... % 4T 2016 650.0 831.8 770.5 667.3 706.6 727.3 634.2 615.6 603.5 497.5 ; ... % 4T 2017 562.2 732.5 671.9 616.6 563.8 565.7 563.6 597.0 614.2 520.9 ; ... % 4T 2018 696.2 836.0 773.1 719.3 731.9 720.8 722.4 719.9 712.2 537.7 ; ... % 4T 2019 793.1 902.7 867.6 804.8 806.6 809.7 752.7 723.8 718.2 605.9 ; ... % 4T 2020 666.4 808.8 765.8 685.4 679.2 684.2 577.0 607.1 647.5 501.0 ; ... % 4T 2021 770.3 960.6 898.0 796.1 782.6 777.2 696.0 691.1 710.1 604.7 ; ... % 4T 2022 790.0 959.4 909.6 839.6 807.5 803.7 687.6 676.8 661.5 529.7 ; ... % 4T 2023 592.6 747.2 690.2 644.8 602.4 604.5 603.4 581.5 578.9 539.5 ; ... % 4T 2024 727.6 855.6 795.9 773.2 698.0 704.8 660.9 661.5 680.9 517.1 ]; % 4T 2025

% Projeções de Cota de 2014 a 2023 para os regiãos do Alto Médio e Baixo

% Purus. Cada coluna da tabela de preciptação representa:

% a) 1a coluna: Cota de Máxima do 2o semestre do ano anterior;

% b) 2a coluna: Cota de Máxima do 1o semestre do ano corrente;

% c) 3a coluna: Cota de Máxima do 2o semestre do ano corrente;

% d) 4a coluna: Cota de Mínima do ano corrente.

Cota_Alto_Purus = [ 1466.2 1634.7 408.6 1442.9 ; ... % Alto Purus 2015 1442.9 1454.0 320.2 1237.4 ; ... % Alto Purus 2016 1237.4 1462.9 339.1 1311.4 ; ... % Alto Purus 2017

(36)

1311.4 1430.6 367.5 1222.9 ; ... % Alto Purus 2018 1222.9 1383.0 335.0 1247.4 ; ... % Alto Purus 2019 1247.4 1143.2 345.0 1370.2 ; ... % Alto Purus 2020 1370.2 1317.2 388.8 1264.2 ; ... % Alto Purus 2021 1264.2 1390.0 336.2 1581.9 ; ... % Alto Purus 2022 1581.9 1482.7 342.1 1465.0 ; ... % Alto Purus 2023 1465.0 1530.4 385.7 1160.3 ; ... % Alto Purus 2024 1160.3 1384.7 329.9 1408.2 ] ; % Alto Purus 2025

Cota_Medio_Purus = [ 2069.8 2313.6 960.4 1955.0 ; ... % Médio Purus 2015 1955.0 2080.1 774.2 1953.5 ; ... % Médio Purus 2016 1953.5 2447.2 844.8 1959.6 ; ... % Médio Purus 2017 1959.6 2620.7 878.7 1878.3 ; ... % Médio Purus 2018 1878.3 1927.7 832.7 2300.1 ; ... % Médio Purus 2019 2300.1 1683.3 899.5 2242.4 ; ... % Médio Purus 2020 2242.4 2257.1 909.8 1854.0 ; ... % Médio Purus 2021 1854.0 2310.4 866.1 2062.4 ; ... % Médio Purus 2022 2062.4 2082.7 857.9 2053.9 ; ... % Médio Purus 2023 2053.9 2189.2 846.7 1898.4 ; ... % Médio Purus 2024 1898.4 1855.2 822.7 1977.0 ] ; % Médio Purus 2025

Cota_Baixo_Purus = [ 1896.5 1948.8 708.4 1727.4 ; ... % Baixo Purus 2015 1727.4 2300.4 733.6 1503.3 ; ... % Baixo Purus 2016 1503.3 2005.1 737.8 1815.4 ; ... % Baixo Purus 2017 1815.4 2014.9 784.0 1483.2 ; ... % Baixo Purus 2018 1483.2 1842.2 759.1 1635.9 ; ... % Baixo Purus 2019 1635.9 1869.0 799.0 1763.4 ; ... % Baixo Purus 2020 1763.4 1995.0 705.6 1717.7 ; ... % Baixo Purus 2021 1717.7 2019.6 757.1 1922.8 ; ... % Baixo Purus 2022 1922.8 1909.5 758.8 1753.4 ; ... % Baixo Purus 2023 1753.4 1975.5 755.5 1538.6 ; ... % Baixo Purus 2024 1538.6 1767.4 743.2 1895.0 ] ; % Baixo Purus 2025

% Métricas de Capacidade Institucional: Médias de Estrutura Administrativa,

% Média por Município e Gestão do Risco.

% a) 1a coluna: Santa Rosa

% b) 2a coluna: Manoel Urbano

% c) 3a coluna: Sena Madureira

% d) 4a coluna: Rio Branco

(37)

% j) 10a coluna: Beruri

% k) 11a coluna: Humaitá

Estrutura_Adminstrativa = [3.11 1.89 4.22 9.14 6.00 2.88 3.13 8.14 5.63 3.88]; % Intervalo de 1 a 10 Interacao_Outras_Esferas = [2.91 2.45 3.45 4.73 2.73 2.82 2.55 3.73 3.55 2.64]; % Intervalo de 1 a 5 Gestao_do_Risco = [1 0 3 4 1 1 2 3 3 2 ]; % Intervalo de 1 a 5

% Métricas de Capacidade de Adaptação: Média de Alternância de Habitação e IDHM 2010.

% a) 1a coluna: Santa Rosa

% b) 2a coluna: Manoel Urbano

% c) 3a coluna: Sena Madureira

% d) 4a coluna: Rio Branco

% e) 5a coluna: Boca do Acre

% f) 6a coluna: Pauini

% g) 7a coluna: Lábrea

% h) 8a coluna: Canutama

% i) 9a coluna: Tapauá

% j) 10a coluna: Beruri

% k) 11a coluna: Humaitá

Alternancia_Habitacao = [2.80 3.40 3.60 4.40 2.60 3.20 2.20 2.40 2.60 2.80 2.20]; % Intervalo de 1 a 5 IDHM_2010 = [0.52 0.55 0.60 0.73 0.59 0.50 0.53 0.53 0.50 0.51 0.61]; % Intervalo de 0 a 1

% Modelos baseados em Fuzzy Inference System (FIS)

m=11; % quantidade de anos n=10; % quantidade de municípios

% FIS de Ameaças de Chuva e Estiagem Extremas

fis_Ameaca_Preciptacao=readfis('Componente_Identificacao_Ameaca_Preciptacao_v5');

for i=1:m % Por Ano

ano(i) = 2014 + i; % usado para o eixo x dos gráficos;

for j=1:n % Por Município

Ameaca_Preciptacao(i,j,:)=evalfis([...

Preciptacao_Media_T1(i,j) ...

],fis_Ameaca_Preciptacao);

end

(38)

end

figure(1);

subplot(2,1,1);

bar(Ameaca_Preciptacao(:,:,1),'EdgeColor','k'); %% Estiagem 1o semestre title('Estiagem Extrema 1o Semestre');

legend('Santa Rosa do Purus', ...

'Manoel Urbano', ...

'Sena Madureira', ...

'Rio Branco', ...

'Boca do Acre', ...

'Pauini', ...

'Lábrea', ...

'Canutama', ...

'Tapauá', ...

'Beruri', ...

10,'Location','eastoutside');

set(gca,'YGrid','on') box off;

xlabel('Ano');

ylabel('Grau da Ameaça');

set(gca,'XTick',0:1:m+1);

set(gca,'XTickLabel',{'',ano,''});

set(gca,'YLim',[0 1.0001],'YLimMode','manual');

set(gca,'YTickMode','manual','YTick',[0,0.2,0.5,0.8,1]);

set(gca,'YTickLabelMode','manual','YTickLabel',{'','Baixo','Médio','Alto',''});

set(gca,'YGrid','on','Box','on');

%colormap jet;

subplot(2,1,2);

bar(Ameaca_Preciptacao(:,:,2)); %% Estiagem 2o semestre title('Estiagem Extrema 2o Semestre');

legend('Santa Rosa do Purus', ...

'Manoel Urbano', ...

'Sena Madureira', ...

'Rio Branco', ...

'Boca do Acre', ...

'Pauini', ...

(39)

xlabel('Ano');

%colormap jet;

for i=1:m % Por Ano

Ameaca_Preciptacao(i,j,:)=evalfis([ ...

],fis_Ameaca_Preciptacao);

end end

figure(2);

subplot(2,1,1);

bar(Ameaca_Preciptacao(:,:,3)); %% Excesso de Chuva 1o semestre title('Excesso de Chuva no 1o semestre');

legend('Santa Rosa do Purus','Manoel Urbano','Sena Madureira','Rio Branco','Boca do Acre', ...

'Pauini','Lábrea','Canutama','Tapauá','Beruri',10,'Location','eastoutside');

xlabel('Ano');

(40)

%colormap jet;

subplot(2,1,2);

bar(Ameaca_Preciptacao(:,:,4)); %% Excesso de Chuva 2o semestre title('Excesso de Chuva no 2o semestre');

legend('Santa Rosa do Purus','Manoel Urbano','Sena Madureira','Rio Branco','Boca do Acre', ...

'Pauini','Lábrea','Canutama','Tapauá','Beruri',10,'Location','eastoutside');

xlabel('Ano');

%colormap jet;

% FIS de Ameaças de Enchente e Seca Extremas

fis_Ameaca_Cota_Alto_Purus=readfis('Componente_Identificacao_Ameaca_Cota_do_Alto_Purus_v2');

fis_Ameaca_Cota_Medio_Purus=readfis('Componente_Identificacao_Ameaca_Cota_do_Medio_Purus_v3');

fis_Ameaca_Cota_Baixo_Purus=readfis('Componente_Identificacao_Ameaca_Cota_do_Baixo_Purus_v2');

for i=1:m % Por Ano

Ameaca_Cota_Alto_Purus(i,:)=evalfis([ ...

Cota_Alto_Purus(i,1) ...

],fis_Ameaca_Cota_Alto_Purus);

Ameaca_Cota_Medio_Purus(i,:)=evalfis([ ...

(41)

Ameaca_Cota_Baixo_Purus(i,:)=evalfis([ ...

Cota_Baixo_Purus(i,1) ...

],fis_Ameaca_Cota_Baixo_Purus);

end

figure(3);

subplot(3,1,1);

bar(cat(2,Ameaca_Cota_Alto_Purus(:,1),Ameaca_Cota_Medio_Purus(:,1),Ameaca_Cota_Baixo_Purus(:,1))); % Ameaca de Enchente title('Enchente Extrema 1o semestre');

legend('Alto Purus', ...

'Médio Purus', ...

'Baixo Purus', ...

xlabel('Ano');

set(gca,'YTickMode','manual','YTick',[0,0.5,1]);

set(gca,'YTickLabelMode','manual','YTickLabel',{'Baixo','Médio','Alto'});

%colormap jet;

subplot(3,1,2);

bar(cat(2,Ameaca_Cota_Alto_Purus(:,3),Ameaca_Cota_Medio_Purus(:,3),Ameaca_Cota_Baixo_Purus(:,3))); % Ameaca de Baixa Rápida title('Enchente Extrema no 2o semestre');

'Médio Purus', ...

'Baixo Purus', ...

xlabel('Ano');

(42)

%colormap jet;

subplot(3,1,3);

bar(cat(2,Ameaca_Cota_Alto_Purus(:,2),Ameaca_Cota_Medio_Purus(:,2),Ameaca_Cota_Baixo_Purus(:,2))); % Ameaca de Seca title('Seca Extrema do Rio');

'Médio Purus', ...

'Baixo Purus', ...

xlabel('Ano');

%colormap jet;

% FIS de Exposição e Vulnerabilidade em Eventos Extremos;

fis_Exp_Vuln_Agric_Terra_Firme =readfis('Componente_Identificacao_Exposição_Vulnerabilidade_Agricultura_Terra_Firme_v1.fis');

fis_Exp_Vuln_Agric_Varzea =readfis('Componente_Identificacao_Exposição_Vulnerabilidade_Agricultura_Varzea_v1.fis');

fis_Exp_Vuln_Extrativismo =readfis('Componente_Identificacao_Exposição_Vulnerabilidade_Extrativismo_v1.fis');

fis_Exp_Vuln_Pesca =readfis('Componente_Identificacao_Exposição_Vulnerabilidade_Pesca_v1.fis');

fis_Exp_Vuln_Criacao =readfis('Componente_Identificacao_Exposição_Vulnerabilidade_Criacao_v1.fis');

fis_Exp_Vuln_Agua =readfis('Componente_Identificacao_Exposição_Vulnerabilidade_Agua_v1.fis');

fis_Exp_Vuln_Habitacao =readfis('Componente_Identificacao_Exposição_Vulnerabilidade_Habitacao_v1.fis');

for i=1:m % Por Ano

(43)

else

Ameaca_Entrada_01 = 0.5;

end

if i-1 > 0

Ameaca_Entrada_02 = Ameaca_Preciptacao(i-1,j,4); % Chuva Extrema Ano-1 2o sem else

end

Ameaca_Entrada_03 = Ameaca_Preciptacao(i-0,j,3); % Chuva Extrema Ano-0 1o sem Ameaca_Entrada_04 = Ameaca_Preciptacao(i-0,j,4); % Chuva Extrema Ano-0 2o sem

% Entradas de Estiagem

if i-2 > 0

Ameaca_Entrada_05 = Ameaca_Preciptacao(i-2,j,2); % Estiagem Extrema Ano-2 2o sem else

end

if i-1 > 0

Ameaca_Entrada_06 = Ameaca_Preciptacao(i-1,j,1); % Estiagem Extrema Ano-1 1o sem Ameaca_Entrada_07 = Ameaca_Preciptacao(i-1,j,2); % Estiagem Extrema Ano-1 2o sem else

end

Ameaca_Entrada_08 = Ameaca_Preciptacao(i-0,j,1); % Estiagem Extrema Ano-0 1o sem Ameaca_Entrada_09 = Ameaca_Preciptacao(i-0,j,2); % Estiagem Extrema Ano-0 2o sem

% Entradas para Enchentes e Seca Extremas

if j <= 4 % Municípios de Santa Rosa, Manoel Urbano, Sena Madureia e Rio Branco

Ameaca_Entrada_10 = Ameaca_Cota_Alto_Purus(i-0,1); % Enchente Extrema 1a sem Ameaca_Entrada_11 = Ameaca_Cota_Alto_Purus(i-0,2); % Seca Extrema

Ameaca_Entrada_12 = Ameaca_Cota_Alto_Purus(i-0,3); % Enchente Extrema 2a sem

elseif j <= 7 % Municípios de Boca do Acre, Pauini e Lábrea

Ameaca_Entrada_10 = Ameaca_Cota_Medio_Purus(i-0,1); % Enchente Extrema 1a sem Ameaca_Entrada_11 = Ameaca_Cota_Medio_Purus(i-0,2); % Seca Extrema

Ameaca_Entrada_12 = Ameaca_Cota_Medio_Purus(i-0,3); % Enchente Extrema 2a sem

(44)

elseif j <= 10 % Municípios de Canutama, Tapauá e Beruri

Ameaca_Entrada_10 = Ameaca_Cota_Baixo_Purus(i-0,1); % Enchente Extrema 1a sem Ameaca_Entrada_11 = Ameaca_Cota_Baixo_Purus(i-0,2); % Seca Extrema

Ameaca_Entrada_12 = Ameaca_Cota_Baixo_Purus(i-0,3); % Enchente Extrema 2a sem

end

Avaliacao_Impacto_Agric_Terra_Firme(i,j)=evalfis([ ...

Ameaca_Entrada_01 ...

],fis_Exp_Vuln_Agric_Terra_Firme);

Avaliacao_Impacto_Agric_Varzea(i,j)=evalfis([ ...

],fis_Exp_Vuln_Agric_Varzea);

Avaliacao_Impacto_Extrativismo(i,j)=evalfis([ ...

],fis_Exp_Vuln_Extrativismo);

Avaliacao_Impacto_Pesca(i,j)=evalfis([ ...

],fis_Exp_Vuln_Pesca);

(45)

],fis_Exp_Vuln_Criacao);

Avaliacao_Impacto_Agua(i,j)=evalfis([ ...

],fis_Exp_Vuln_Agua);

Avaliacao_Impacto_Habitacao(i,j)=evalfis([ ...

],fis_Exp_Vuln_Habitacao);

% Gráfico de Risco da Agriculta de Terra Firme

end end

% FIS de Capacidade Adaptacao;

fis_Capacidade_Institucional =readfis('Componente_Identificacao_Capacidade_Institucional_v1.fis');

fis_Capacidade_de_Adaptacao =readfis('Componente_Identificacao_Capacidade_Adaptacao_v2.fis');

for i=1:n % Por Município

Avaliacao_Capacidade_Institucional(1,i)=evalfis([ ...

Estrutura_Adminstrativa(1,i) ...

Interacao_Outras_Esferas(1,i) ...

Gestao_do_Risco(1,i) ...

],fis_Capacidade_Institucional);

Avaliacao_Capacidade_Adaptacao(1,i)=evalfis([ ...

Alternancia_Habitacao(1,i) ...

Avaliacao_Capacidade_Institucional(1,i) ...

IDHM_2010(1,i) ...

],fis_Capacidade_de_Adaptacao);

(46)

end

% FIS de Avaliação de Risco;

fis_Avaliacao_Risco =readfis('Componente_Avaliacao_Risco_v1.fis');

for i=1:m % Por Ano

ano(i,1) = 2014 + i; % usado para o eixo x dos gráficos;

Avaliacao_Risco(i,j,:)=evalfis([ ...

Avaliacao_Impacto_Agric_Terra_Firme(i,j) ...

Avaliacao_Impacto_Agric_Varzea(i,j) ...

Avaliacao_Impacto_Extrativismo(i,j) ...

Avaliacao_Impacto_Pesca(i,j) ...

Avaliacao_Impacto_Criacao(i,j) ...

Avaliacao_Impacto_Agua(i,j) ...

Avaliacao_Impacto_Habitacao(i,j) ...

Avaliacao_Capacidade_Adaptacao(1,j) ...

],fis_Avaliacao_Risco);

end end

%Gráficos por Municípios x Alvo x Ano

figure (4+j);

grafico=cat(2,Avaliacao_Risco(:,j,1),Avaliacao_Risco(:,j,2),Avaliacao_Risco(:,j,3), ...

Avaliacao_Risco(:,j,4),Avaliacao_Risco(:,j,5),Avaliacao_Risco(:,j,6),Avaliacao_Risco(:,j,7));

grafico=rot90(rot90(rot90(cat(2,Avaliacao_Risco(:,j,1),Avaliacao_Risco(:,j,2),Avaliacao_Risco(:,j,3), ...

Avaliacao_Risco(:,j,4),Avaliacao_Risco(:,j,5),Avaliacao_Risco(:,j,6),Avaliacao_Risco(:,j,7)))));

bar(grafico);

(47)

box off;

xlabel('Alvo de Ameaça' );

ylabel('Grau do Risco');

set(gca,'XTick',0:1:7);

set(gca,'XTickLabel',{'','Agric. Terra Firme', ...

'Agric. Várzea', ...

'Extrativismo', ...

'Pesca', ...

'Criação', ...

'Qualidade da Água', ...

'Infraest. Habitação',},'XTickLabelRotation',20);

set(gca,'YTickLabelMode','manual','YTickLabel',{'Muito Baixo','Baixo','Médio','Alto','Muito Alto'});

%colormap jet;

end

display('end');