Índice Fuzzy de Qualidade das Águas Brutas para Fins de Abastecimento Público

de Abastecimento Público

José Arnaldo F Roveda1_{, Larissa Terumi Arashiro}1_{, Jéssica Mitizy Silvério}1_,

Sandra R M Masalskiene Roveda1_,

André H Rosa1

1 _{UNESP- Universidade Estadual Paulista “Júlio de Mesquita Filho”}

Engenharia Ambiental - Campus Sorocaba- SP {roveda, sandra, ahrosa}@sorocaba.unesp.br

larissa.arashiro@gmail.com, jessicamitizy@grad.sorocaba.unesp.br

Abstract. Nas últimas décadas, o crescimento populacional e o consequente

aumento das atividades industriais têm contribuído para agravar os problemas ambientais, principalmente aqueles relacionados à preservação de águas subterrâneas e superficiais. Procurando auxiliar no processo de gestão deste recurso, os índices de qualidade da água tem se apresentado como um instrumento capaz de resumir as variáveis analisadas e expressá-las em um único número. O fato de fornecerem uma avaliação integrada do desenvolvimento de aspectos ambientais e o acompanhamento de seus efeitos tem feito com que os índices sejam cada vez mais utilizados nos programas de monitoramentos de águas superficiais. O objetivo deste trabalho foi desenvolver o Índice de Qualidade das Águas Brutas para Fins de Abastecimento Público ( IAP) utilizando a metodologia baseada em sistemas de inferência Fuzzy. O desenvolvimento deste índice no contexto da lógica Fuzzy foi proposto procurando incorporar o comportamento das variáveis com menos perdas de informações individuais, já que os sistemas linguísticos são, de modo geral, ferramentas adequadas para considerações qualitativas. A validação da metodologia foi feita utilizando-se análises do monitoramento do Rio Sorocaba, realizadas e disponibilizadas pela CETESB. Os resultados do estudo comparados ao IAP clássico mostraram-se mais rigorosos. Além disso, a metodologia utilizada pode ser facilmente aplicada para monitoramento de outros corpos d’água bem como trabalhada para incorporar outros parâmetros significativos para o retrato da qualidade das águas.

Keywords: Índice de Qualidade de Água, Modelagem Ambiental, Lógica

Fuzzy.

1 Introdução

O crescimento da demanda mundial, por água de boa qualidade, tende a se tornar uma das maiores pressões antrópicas sobre os recursos naturais do planeta neste século (WORLD METEOROLOGICAL ORGANIZATION, 1997).

Merten e Minella (2002) observaram que o conceito de qualidade da água não é necessariamente um estado de pureza da água, mas referem-se às características químicas, físicas e biológicas. Consequentemente são as características relacionadas à

qualidade da água, mantidas dentro de certos limites e classificadas por indicadores adequados, que permitem sua utilização específica.

Há de se ressaltar que monitorar a qualidade da água e tomar decisões qualitativas e quantitativas com base em dados reais tornou-se um grande desafio, sobretudo devido ao alto número de parâmetros envolvidos que torna o processo de qualificação de um recurso hídrico bastante complexo (SPERLING, 1996).

Procurando auxiliar no processo de gestão deste recurso, os índices de qualidade da água tem se apresentado como um instrumento capaz de resumir as variáveis analisadas e expressá-las em um único número. O fato de fornecerem uma avaliação integrada do desenvolvimento de aspectos ambientais e o acompanhamento de seus efeitos tem feito com que os índices sejam cada vez mais utilizados nos programas de monitoramentos de águas superficiais.

No estado de São Paulo, a Companhia de Tecnologia de Saneamento Ambiental (CETESB) utiliza desde 1975, O Índice de Qualidade das Águas – (IQA) para avaliar a qualidade das águas utilizadas no abastecimento público e desde 2002, para indicar a qualidade das águas para fins de abastecimento público, tem sido utilizado o Índice de Qualidade das Águas Brutas para Fins de Abastecimento Público ( IAP).

Embora haja índices bem estabelecidos na literatura, elaborados com outras metodologias, o advento da lógica Fuzzy (ZADEH, 1965) tem aberto maiores possibilidades de trabalhar com dados reais quer em seus aspectos quantitativos, como também qualitativos, trazendo importantes contribuições para a gestão de recursos hídricos como pode ser observado nos trabalhos de Ocampo-Duque et al. (2006) e Icaga (2007). Cabe destacar que os índices de qualidade de água (IQA), elaborados a partir dos sistemas de inferência Fuzzy, foram propostos por Lermontov et al. (2009) e Roveda et al (2010) e apresentam-se como uma alternativa ao tratamento matemático tradicional incorporando em suas metodologias as incertezas decorrentes dos aspectos qualitativos expressas por meio das variáveis linguísticas.

Neste trabalho, o objetivo principal foi desenvolver O IAP através dos sistemas de inferência Fuzzy. É uma extensão natural do IQA Fuzzy e por ser mais abrangente, reflete de modo mais fidedigno a qualidade da água bruta a ser captada.

2 Metodologia

2.1 Desenvolvimento do Índice IAPF

De acordo com a CETESB (2011), o IAP é o produto do IQA e do ISTO, onde: • IQA – grupo de variáveis básicas (Temperatura da Água, pH, Oxigênio Dissolvido, Demanda Bioquímica de Oxigênio, Coliformes Termotolerantes, Nitrogênio Total, Fósforo Total, Resíduo Total e Turbidez);

• ISTO (Índice de Substâncias Tóxicas e Organolépticas ) – composto por dois subgrupos de variáveis, descritos a seguir:

a) ST: Variáveis que indicam a presença de substâncias tóxicas (Potencial de Formação de Trihalometanos - PFTHM, Número de Células de Cianobactérias - NCC, Cádmio, Chumbo, Cromo Total, Mercúrio e Níquel);

b) SO: Grupo de variáveis que afetam a qualidade organoléptica da água (Ferro Dissolvido, Manganês, Alumínio Dissolvido, Cobre Dissolvido e Zinco).

Vale ressaltar que as substâncias tóxicas são aquelas capazes de provocar a morte ou danos à saúde humana se ingeridas, inaladas ou por contato com a pele, mesmo em pequenas quantidades. Já as propriedades organolépticas são aquelas que podem ser percebidas pelos sentidos humanos, por exemplo, olfato e paladar (CREMASCO et. al., 2009).

O IQA é calculado pelo produtório ponderado (wi) das qualidades de água (qi) correspondentes às variáveis que integram o índice, dado por:

( 1 )

onde:

IQA: varia entre 0 e 100;

qi: qualidade do i-ésimo parâmetro, um número entre 0 e 100, obtido da respectiva curva média de variação de qualidade, em função de sua concentração ou medida (CETESB 2009) e,

wi: peso correspondente ao i-ésimo parâmetro, um número entre 0 e 1, atribuído em função da sua importância para a conformação global de qualidade, sendo que:

( 2 )

No caso de não se dispor do valor de alguma das nove variáveis, o cálculo do IQA é inviabilizado.

O ISTO estabelece, para cada parâmetro, curvas de qualidade que atribuem ponderações variando de 0 a 1. Essas curvas de qualidade foram construídas demarcando-se dois níveis de qualidade (qi), 1.0 e 0.5, que correspondem, respectivamente, ao limite inferior (LI) e ao limite superior (LS). A figura 1 mostra a curva de qualidade padrão para as variáveis incluídas no ISTO, com exceção feita à variável número de célula de cianobactérias (NCC).

Fig. 1. Curva de qualidade padrão para as variáveis do ISTO.

Os intervalos de variação de qualidade (qi) refletem as seguintes condições de qualidade da água bruta destinada ao abastecimento público:

Valor medido ≤ LI: águas adequadas para o consumo humano.





1

w





q

IQA

LI < Valor medido ≤ LS: águas adequadas para tratamento convencional ou avançado.

Valor medido > LS: águas que não devem ser submetidas apenas a tratamento convencional.

Na Tabela 1 são relacionados os limites inferiores e superiores adotados para os metais e o potencial de formação de trihalometanos (PFTHM), enquanto a tabela 2 apresenta as faixas de número de células de cianobactérias.

Tabela 1. Limites Inferiores e Superiores dos metais e PFTHM.

Tabela 2. Faixas de número de células de cianobactérias e a respectiva taxação para o cálculo

do ISTO.

A obtenção do resultado para o grupo de substâncias tóxicas (ST) é obtida através da multiplicação dos dois valores mínimos mais críticos do grupo, ou seja:

ST = Mín-1(qPFTHM; qCd; qCr; qPb; qNi; qHg; qNCC) x Mín-2(qPFTHM; qCd; qCr; qPb; qNi; qHg; qNCC)

Já a obtenção do grupo de substâncias organolépticas (SO), é obtida através da média aritmética das qualidades padronizadas das variáveis pertencentes a este grupo:

SO = Média Aritmética (qAl; qCu; qZn; qFe; qMn) Assim tem-se que: ISTO = ST x SO.

Finalmente o IAP é calculado a partir do produto entre o IQA e o ISTO, ou seja:

IAP = IQA x ISTO.

As classificações do IAP estão ilustradas na tabela 3.

Tabela 3. Classificação do IAP

O IAPF foi desenvolvido a partir de 3 principais etapas: 1) Construção das funções de pertinências dos parâmetros estudados, 2) elaboração dos sistemas de inferência e suas bases de regras e 3) obtenção dos resultados utilizando-se o software MatLab.

1ª Etapa: Construção das funções de pertinências dos parâmetros

A construção das funções de pertinência foi realizada com base nos limites inferior (LI) e superior (LS) da Tabela 1, juntamente com a Figura 1, determinados pela CETESB. Utilizando as mesmas categorias da CETESB (ótimo, bom, regular, ruim e péssimo), foram obtidos os intervalos para os níveis de qualidade (qi) de acordo com a Figura 2.

Figura 2. Divisão de níveis de qualidade para o IAPF.

Através da equação

( 1 ) encontra-se os valores para x1 e x2, exceto para o número de células de cianobactérias, conforme mostra a Tabela 4. No caso do número células de cianobactérias, as funções de pertinência foram determinadas a partir dos valores limitantes de cada intervalo definidos na Tabela 2.

Tabela 4. Valores de LI, LS, x1 e x2

Grupo Parâmetro LI LS X1 X2 Tóxicos Cádmio 0,005 0,01 0,00626 0,00799 Chumbo 0,01 0,033 0,01577 0,02376 Cromo Total 0,05 0,059 0,05226 0,05539 Níquel 0,02 0,025 0,02126 0,02299 Mercúrio 0,001 0,002 0,00125 0,00160 PFTHM 373 461 395 426 Organolépticos Alumínio Dissolvido 0,2 2 0,65192 1,27702 Cobre Dissolvido 2 8 3,50641 5,59005 Ferro Dissolvido 0,3 5 1,48002 3,11221 Manganês 0,1 0,5 0,20043 0,33934 Zinco 5 5,9 5,22596 5,53851

A partir da tabela 4, foi possível determinar as funções de pertinência de cada parâmetro que compõe o Índice de Substâncias Tóxicas e Organolépticas (ISTO).

2ª Etapa: Elaboração dos sistemas de inferência e bases de regras.

Coliformes Fecais DBO OD Nitrogênio Total Fósforo Total pH Temperatura Turbidez Resíduo Total Conjunto I Conjunto II Conjunto III Conjunto IV Conjunto V IFQA Mercúrio Cádmio Alumínio Dissolvido Ferro Dissolvido Co ST 1 SO 1 SO 2 PFTHM NCC ST 2 STF Cobre Dissolvido Manganês Zinco Chumbo Níquel Cromo Total ST 3 SOF IFAP

Dados de entrada Dados de saída

Dados de entrada Dados de saída

Dados de entrada Dados de saída

Fig. X. Fluxograma do processo de elaboração do IFAP.

Dados de entrada Dado de saída

Dados de entrada Dado de saída

Dados de entrada Dado de saída

Dados de entrada Dado de saída

ISTOF F 1º SISTEMA DE INFERÊNCIA 2º SISTEMA DE INFERÊNCIA 3º SISTEMA DE INFERÊNCIA 4º SISTEMA DE INFERÊNCIA 5º SISTEMA DE INFERÊNCIA 6º SISTEMA DE INFERÊNCIA 7º SISTEMA DE INFERÊNCIA 8º SISTEMA DE INFERÊNCIA Dados de entrada Dado de saída

Figura 3. Fluxograma do processo de elaboração do IAPF.

A segunda etapa foi obter 8 sistemas de inferência, como mostra a figura 3. Os dois primeiros sistemas de inferência, que são referentes à determinação do IQAF, foi elaborado por Roveda et al. (2010), cuja metodologia aplicada pode ser encontrada em Lermontov et al. (2008), na qual os parâmetros são submetidos a dois sistemas de inferência: o primeiro normaliza os parâmetros, enquanto o segundo gera o índice em questão.

Essa mesma metodologia foi utilizada para os sistemas de inferência 3 e 4, para a determinação do STF (Substâncias Tóxicas Fuzzy), bem como 5 e 6, que determinam o SOF (Substâncias Organolépticas Fuzzy), respectivamente.

A divisão dos grupos apresentados nos primeiros sistemas de inferência para a determinação do STF e SOF foi realizada de acordo com a concentração dos limites inferior e superior definidos pela CETESB (Tabela 1), e são apresentados a seguir.

STF (Substâncias Tóxicas Fuzzy)

Todos os parâmetros são considerados muito importantes, porém foram organizados em grupos na seguinte ordem de prioridade: No terceiro sistema de inferência, o mercúrio e o cádmio são os constituintes do primeiro conjunto, uma vez que seus limites inferiores e superiores são apresentados na escala de milésimos. O segundo grupo, constituído pelos parâmetros PFTHM e NCC, posiciona-se entre os dois grupos de metais, uma vez que, dependendo do tipo e quantidade de cianotoxina, por muitas vezes os efeitos causados por cianobactérias podem ser bastante nocivos ao ser humano e, além disso, o PFTHM é um parâmetro obrigatório para o cálculo do IAP, segundo a CETESB. Já o terceiro grupo (chumbo, níquel e cromo total) apresenta seus limites na escala de centésimos, o que demonstra maior tolerância por parte do ser humano quando comparado aos outros grupos.

SOF (Substâncias Organolépticas Fuzzy)

No quinto sistema de inferência, o primeiro grupo em ordem de prioridade é constituído por manganês, alumínio dissolvido e ferro dissolvido, pois seus limites inferiores e superiores são apresentados na escala de décimos e, além disso, são parâmetros obrigatórios para a determinação do IAP, segundo a CETESB. Já o segundo grupo, constituído por cobre dissolvido e zinco, tem suas concentrações apresentadas na escala de unidades, o que também demonstra maior tolerância por parte do ser humano quando comparado ao primeiro grupo.

O sétimo sistema de inferência apresentado foi realizado de maneira que o grupo STF tivesse maior relevância do que o SOF durante o processo de definição da base de regras, visto que as características tóxicas podem causar danos de maior proporção quando do consumo da água em análise.

O oitavo e último sistema de inferência teve como grupo de maior relevância o ISTOF, já que as características tóxicas prevalecem em comparação ao IQAF

Bases de Regras

Para cada sistema de inferência foi criada uma base de regras a partir das combinações dos níveis de qualidades de cada parâmetro. No caso do quarto sistema, que trata das variáveis ST1, ST2 e ST3, foram criadas 125 regras, onde temos por exemplo as regras abaixo:

2 - Se ST1 é Ótimo, ST2 é Ótimo e ST3 é Bom, então STF é Bom,

3 - Se ST1 é Ótimo, ST2 é Ótimo e ST3 é Regular, então STF é Regular, etc. É importante observar que na geração do ST por parte da CESTEB, utiliza-se o produto dos dois menores valores de nível de qualidade (qi ). Sendo assim, na criação das regras, adotou-se o seguinte critério: o valor de saída (STF) é sempre igual ao pior valor de entrada (ST1, ST2 ou ST3). Esse critério também foi utilizado para a elaboração dos sistemas 7 e 8. Nos demais sistemas criados, as bases utilizaram uma ponderação entre as variáveis.

2.2 Área de Estudo

A CETESB possui uma rede de monitoramento da qualidade das águas interiores do Estado de São Paulo que contém vários pontos de amostragem. Na Represa de Itupararanga, localizada na Unidade de Gerenciamento de Recursos Hídricos 10 (UGRHI 10) com 11.829 km2 de área de drenagem, há um total de cinco pontos dos quais o SOIT02900 foi escolhido para a elaboração deste trabalho ( Figura 4). Observa-se que o motivo da escolha deste ponto se deve ao fato de ser uma fonte de captação de água para abastecimento público, inclusive do município de Sorocaba. A metodologia foi aplicada nos dados de uma série histórica de 5 anos, no período de 2006 a 2010.

Ressalta-se que o IAP é calculado somente em quatro meses (dos seis em que os mananciais são monitorados), devido à análise do Potencial de Formação de Trihalometanos ser realizada com essa frequência. Este índice é calculado apenas nos pontos que são coincidentes com captações utilizadas para abastecimento público (CETESB, 2009).

3 Resultados e Discussão

A comparação entre os resultados do índice criado IAPF e do IAP da CETESB, na figura 5, mostra que há uma tendência do primeiro a apresentar valores inferiores, ou seja, o IAPF se mostrou mais rígido na classificação da qualidade do ponto de amostragem estudado

Figura 4. Localização do rio Sorocaba e seus afluentes (Relatório de Águas Interiores do

Estado de São Paulo, CETESB, 2010)

Figura 5. Gráfico de Comparação entre os índices de Classificação de Água

Os resultados mostram que dos dezenove índices calculados, nove (47%) se mantiveram na mesma categoria, enquanto dez (53%) se encontraram em categorias diferentes. Além disso, dos dezenove resultados do IAPF, 14 (74%) obtiveram valores inferiores ao IAP clássico.

O índice fuzzy se mostrou eficiente para evitar a perda e/ou a não revelação de informações cruciais para a classificação da qualidade do corpo d’água. Pode-se afirmar, através desse estudo, que o uso da lógica fuzzy para o desenvolvimento de um índice de qualidade de água é eficaz, pois os resultados foram coerentes em relação aos valores de medição realizados pelo órgão ambiental no ponto estudado. Além disso, esses resultados obtidos foram ainda mais rigorosos, devido ao fato do conjunto de dados de entrada ser avaliado integralmente por todas as regras de uma base. Já o IAP contém uma etapa de seu cálculo (ST) em que são desconsiderados diversos parâmetros que podem ter influência efetiva no resultado final, ou seja, satisfaz um método objetivo que sempre calcula o índice da maneira estabelecida, desprezando a inter-relação entre os parâmetros

.

4 Conclusão

Este trabalho teve o objetivo de desenvolver um índice de qualidade de água utilizando a lógica fuzzy – IAPF, e que foi aplicado com a finalidade de estimar o estado do rio em um ponto específico e em um determinado momento.

Dentre diversas vantagens oferecidas pela Lógica Fuzzy, deve-se enfatizar a possibilidade desta ferramenta matemática que permite o uso de variáveis linguísticas e incorpora as subjetividades inerentes ao modelo, facilitando a determinação de diagnósticos mais realísticos, principalmente quando se trata de situações do meio ambiente. Ademais, o trabalho propôs uma metodologia utilizando o software e o modelo criado para a determinação do novo índice, que é facilmente aplicável e retornou resultados bastante satisfatórios.

O IAPF mostrou-se um índice mais rigoroso em relação ao IAP e pode ser utilizado para o monitoramento de outros corpos d’água. Cabe, ainda, salientar que o novo índice evitou perdas e/ou não revelações de informações importantes.

Embora o estudo tenha se baseado nos parâmetros determinados pela CETESB como relevantes para o cálculo do índice, esse sistema de lógica fuzzy apresentado pode ser implementado e otimizado para avaliação de outros parâmetros que possam causar demais tipos de poluição das águas, como, por exemplo, efluentes industriais e esgotos domésticos, além de drenagem de áreas agrícolas, as quais representam um grande problema ambiental quanto à qualidade da água

Referências

1. ADRIAENSSENS, V., DE BAETS, B., GOETHALS, P. L. M. & DE PAUW, Fuzzy rule-based models for decision support in ecosystem management. The Science of the Total Environment, 319, 1–12. N. 2004

2. BEZERRA, I.S.O.; MENDONÇA, L.A.R.; FRISCHKORN, H. Autodepuração de cursos d´água: um programa de modelagem Streeter Phelps com calibração automática e correção de anaerobiose. Ouro Preto: Revista Escola de Minas, vol. 61, 2008.

3. BONDANÇA, A. P. M.; SILVA, J. G. S.; ROVEDA, S. R. M. M.; ROVEDA, J. A. F. Desenvolvimento de um Índice de Qualidade de Água utilizando sistema de inferência fuzzy: um estudo de caso para o Rio Sorocaba. Trabalho de Graduação: Unesp. Sorocaba, 2009. 4. BRASIL. Lei no9.433, de 8 de janeiro de 1997. Brasília, 1997. Disponível em: <http://www.planalto.gov.br/ccivil/LEIS/l9433.HTM>. Acesso em: 04 jan. 2011.

5. CARBONERA, A.; DESCHAMPS, F. C. Utilização de um índice de qualidade na avaliação da água de uma microbacia. In: 2o SIMPÓSIO BRASILEIRO DE ENGENHARIA AMBIENTAL: Livro de Resumos, 2003, p. 92. Itajaí, SC: CTTMAR/UNIVALI.

6. COMPANHIA DE TECNOLOGIA DE SANEAMENTO AMBIENTAL (CETESB). Qualidade da água: Rios > Índices de Qualidade das Águas > Índices. Disponível em: <http://www.cetesb.sp.gov.br/Agua/rios/indice.asp>. Acesso em: 20 mar. 2011.

7. COMPANHIA DE TECNOLOGIA DE SANEAMENTO AMBIENTAL (CETESB). Relatório de Águas Interiores do Estado de São Paulo: Publicações. 2008. Disponível em: <http://www.cetesb.sp.gov.br/Agua/rios/publicacoes.asp>. Acesso em: 15 maio 2011.

8. CREMASCO, C. P.; GABRIEL, J. E. F.; GABRIEL, L. R. A.; FILHO, L. R. A. G.; GABRIEL, L. R. A.; ROMANINI, P. A. Determinação das funções de pertinência dos índices de qualidade da água e de substâncias tóxicas e organolépticas. Presidente Prudente: Colloquium Exactarum, 2009. v. 1, n. 1, p. 46-55.

9. GRÄBINER, T. F.; HOPPE, A. E.; OLIVEIRA, R. S.; SILVA, C. E. Avaliação da qualidade da água em pequenas bacias urbanas. In: 2o SIMPÓSIO BRASILEIRO DE ENGENHARIA AMBIENTAL: Livro de Resumos, 2003, p. 170. Itajaí, SC: CTTMAR/UNIVALI.

10. LERMONTOV, A.; YOKOYAMA, L.; LERMONTOV, M.; MACHADO, M. A. S. Aplicação da lógica nebulosa na parametrização de um novo índice de qualidade das águas. Engevista, 2008. v.10, n.2, p. 106-125.

11. MERTEN, G. H.; MINELLA, J. P. Qualidade da água em bacias hidrográficas rurais: um desafio atual para sobrevivência futura. Agroecologia e Desenvolvimento Rural Sustentável, Porto Alegre, v. 3, n. 4, out./dez. 2002.

12. ROVEDA, J. A. F. ; MOTA, M. T. ; ROVEDA, S. R. M. M. ; LOURENCO, R.W. ; MARTINS, A.C.G. . Fuzzy Environmental Quality Index. In: IEEE International Conference on Fuzzy-Systems, 2010, Barcelona.

13. SPERLING, M. von. Introdução à qualidade das águas e ao tratamento de esgotos: princípios do tratamento biológico de águas residuárias. Belo Horizonte: [s.n.], 1996. v. 1 14. William Silvert. 1992. Object Oriented Simulation Programming in Ecological Modelling. Presented at 8th ISEM Int. Conf. on Ecological Modelling.

15. WORLD METEOROLOGICAL ORGANIZATION – WMO (1997). “Comprehensive Assessment of the Freshwater Resources of the World”. WMO, Genebra.