Data integration approaches for hydrological analyses in Brazil

• Ano de defesa: 2024
• Autor(a) principal: Fontana, Rafael Barbedo
• Orientador(a): Collischonn, Walter
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Armazenamento de água; Sistemas de drenagem; Aprendizado de máquina
• Palavras-chave em Inglês: Hydrological variability; Brazil; Water storage; Stream networks; Machine learning models
• Link de acesso: http://hdl.handle.net/10183/293616

Dadas as condições ambientais diversas do Brasil, capturar com precisão a dinâmica dos sistemas hidrológicos é essencial para a gestão sustentável dos recursos hídricos. Este trabalho investigou a variabilidade hidrológica no vasto território brasileiro, com foco em melhorar a compreensão dos processos ambientais por meio da integração de dados. Para isso, foram realizados três estudos, cada um abordando uma questão específica: variabilidade do armazenamento de água, densidade das redes de drenagem e previsões de vazão em bacias não monitoradas. O primeiro estudo focou na variabilidade mensal do armazenamento de água, analisando águas subterrâneas, umidade do solo, águas superficiais e reservatórios nas 12 Regiões Hidrográficas Brasileiras (RHBs) entre 2003 e 2020. Os resultados indicaram que a umidade do solo e as águas subterrâneas são os principais responsáveis pela variabilidade no armazenamento de água. A umidade do solo influencia flutuações de curto prazo, enquanto as águas subterrâneas respondem mais lentamente devido à infiltração. Nas regiões noroeste, influenciadas pelas monções, as águas superficiais também são relevantes. Reservatórios têm maior impacto em bacias com alta intervenção humana, como as do Paraná e São Francisco. Este estudo oferece aprendizados sobre os padrões de armazenamento de água no Brasil, auxiliando na compreensão das respostas regionais ao clima e às atividades humanas. O segundo estudo introduziu o método de definição de drenagem baseado na posição topográfica (TPS) para melhorar o mapeamento de redes de drenagem. Métodos tradicionais que utilizam modelos digitais de elevação (MDEs) frequentemente falham em capturar variações na densidade de drenagem em terrenos variados. O método TPS, por meio do Índice de Posição Topográfica (TPI), identifica melhor o início da drenagem. Aplicado a três bacias brasileiras com climas e relevos distintos, o TPS capturou a densidade de drenagem com precisão, especialmente em áreas planas e secas, onde os métodos tradicionais falham. Com um MDE e três parâmetros, o TPS se torna uma ferramenta útil para estudos hidrológicos, incluindo classificação de paisagens e análise de riscos de inundação. O terceiro estudo focou em prever vazões em bacias não monitoradas usando modelos de aprendizado de máquina (ML) para estimar vazões médias e baixas. Seis algoritmos de ML foram testados com dados de mais de 1.000 estações e preditores ambientais, gerando assinaturas de vazão para mais de 400.000 pontos no Brasil. A precipitação média foi o preditor mais relevante para vazões médias, enquanto vazões baixas foram influenciadas por fatores como teor de matéria orgânica do solo e densidade de drenagem. Cada estudo trouxe metodologias e conjuntos de dados únicos, resultando em ferramentas e descobertas que ampliam o conhecimento hidrológico nas várias regiões do Brasil, fornecendo ferramentas práticas para a gestão de recursos hídricos, conservação ambiental e planejamento de infraestrutura.