Modelagem e prognóstico hidrológico de fenômenos hidrometeorológicos na bacia hidrográfica do rio Paranapanema, Brasil

Abstract

As previsões espaciais e temporais dos processos que ocorrem no ciclo hidrológico para projetar cenários de secas moderadas, severas e extremas, representam um desafio importante no planejamento, na gestão e no monitoramento dos recursos hídricos. A fim de mitigar os possíveis impactos das secas sobre o ambiente natural, a sociedade civil e a biodiversidade, resultantes das mudanças climáticas e do aquecimento global, os métodos de aprendizado de máquina ou Machine Learning (ML), podem apoiar essa tarefa combinando modelos de análise espacial e temporal de futuros episódios de seca. Esta dissertação investigou a modelagem e a previsão hidrológica de fenômenos hidrometeorológicos tais como secas e estiagens, na Bacia do Rio Paranapanema (BHRP) para o período de 2023-2025. A BHRP é uma região que fornece recursos hidrológicos, energéticos e agrícolas, localizada no sudeste do Brasil, que tem sofrido vários problemas relacionados ao déficit e ao estresse hídrico, bem como secas e estiagens nos últimos 10 anos. Por essas razões, tecnologias geoespaciais, como sensoriamento remoto e Sistemas de Informações Geográficas (SIG), foram aplicadas para gerar séries temporais de precipitação e Evapotranspiração Potencial (ETP) entre 2001 e o início de 2023 para um total de 22 Unidades de Planejamento Hidrológico (UPHs) na BHRP. Posteriormente, uma Rede Neural Autorregressiva (NNAR) foi usada para prever as medias mensais de precipitação e ETP para as UPHs entre 2023 e 2025, encontrando possíveis períodos de déficit hídrico nas regiões central e norte da BHRP para os meses de maio, junho, julho e agosto de 2024 e parte de 2025. Da mesma forma, foi calculado o Índice Padronizado de Precipitação e Evapotranspiração (SPEI) em escalas trimestrais e semestrais, com base na previsão desenvolvida pela rede NNAR nas UPHs, evidenciando possíveis impactos nos setores agrícola, energético e social, como resultado de prováveis períodos prolongados de secas e estiagens na BHRP. Por fim, foi possível concluir um baixo ajuste na precisão da rede NNAR (erros entre 60 e 100 milímetros), na fase de prognóstico, o que não garante a possível ocorrência de secas na BHRP, mas fornece um diagnóstico preliminar das mesmas com vistas a um adequado monitoramento e controle dos recursos hídricos.

Spatial and temporal forecasts of the processes that occur in the hydrological cycle in order to project scenarios of moderate, severe and extreme droughts represent a major challenge in the planning, management and monitoring of water resources. In order to mitigate the possible impacts of droughts on the natural environment, civil society and biodiversity resulting from climate change and global warming, Machine Learning (ML) methods can support this task by combining spatial and temporal analysis models of future drought episodes. This dissertation investigated the modeling and hydrological forecasting of hydrometeorological phenomena such as droughts and dry spells in the Paranapanema River Basin (PRB) for the period 2023-2025. The PRB is a region that provides hydrological, energy and agricultural resources, located in southeastern Brazil, which has suffered several problems related to water deficit and stress, as well as droughts and dry spells in the last 10 years. For these reasons, geospatial technologies, such as remote sensing and Geographic Information Systems (GIS), were applied to generate time series of precipitation and Potential Evapotranspiration (ETP) between 2001 and the beginning of 2023 for a total of 22 Hydrological Planning Units (HPUs) in the PRB. Subsequently, an Autoregressive Neural Network (NNAR) was used to predict the monthly precipitation and ETP averages for the HPUs between 2023 and 2025, finding possible periods of water deficit in the central and northern regions of the PRB for the months of May, June, July and August 2024 and part of 2025. Similarly, the Standardized Precipitation and Evapotranspiration Index (SPEI) was calculated on quarterly and six-monthly scales, based on the forecast developed by the NNAR network in the HPUs, showing possible impacts on the agricultural, energy and social sectors as a result of probable prolonged periods of droughts and dry spells in the PRB. Finally, it was possible to conclude that the accuracy of the NNAR network was low (errors between 60 and 100 millimeters) in the prognosis phase, which does not guarantee the possible occurrence of droughts in the PRB, but provides a preliminary diagnosis of them with a view to adequate monitoring and control of water resources.