UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ

PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AMBIENTAL
CÂMPUS APUCARANA/LONDRINA

THAIS FUJITA

CALIBRAÇÃO E VALIDAÇÃO DE UM MODELO HIDROLÓGICO

PARA A BACIA HIDROGRÁFICA DO RIO IVAÍ

DISSERTAÇÃO

LONDRINA
2018
 THAIS FUJITA

CALIBRAÇÃO E VALIDAÇÃO DE UM MODELO HIDROLÓGICO

PARA A BACIA HIDROGRÁFICA DO RIO IVAÍ

Dissertação apresentada ao Programa de Pós-

graduação em Engenharia Ambiental, da
Universidade Tecnológica Federal do Paraná,
Câmpus Apucarana e Londrina, como requisito
parcial para obtenção do grau de Mestre em
Engenharia Ambiental. Área de Concentração:
Engenharias I.

Orientador: Prof. Dr. Jorge Alberto Martins

Coorientador: Prof. Dr. Marcos Vinicius
Bueno de Morais

LONDRINA
2018
 TERMO DE LICENCIAMENTO

Esta Dissertação está licenciada sob uma Licença Creative Commons atribuição
uso não-comercial/compartilhamento sob a mesma licença 4.0 Brasil. Para ver uma cópia
desta licença, visite o endereço [Link] ou
envie uma carta para Creative Commons, 171 Second Street, Suite 300, San Francisco,
Califórnia 94105, USA.
 Ministério da Educação
Universidade Tecnológica Federal do Paraná
Pró-reitora de Pesquisa e Pós Graduação
Programa de Pós-Graduação em Engenharia Ambiental
Campus Apucarana e Londrina

TERMO DE APROVAÇÃO

CALIBRAÇÃO E VALIDAÇÃO DE UM MODELO HIDROLÓGICO

PARA A BACIA HIDROGRÁFICA DO RIO IVAÍ

por

THAIS FUJITA

Dissertação de mestrado apresentada no dia 30 de maio de 2018, como requisito parcial para a obtenção
do título de MESTRE EM ENGENHARIA AMBIENTAL pelo Programa de Pós-Graduação em
Engenharia Ambiental, Câmpus Apucarana e Londrina, Universidade Tecnológica Federal do Paraná.
A mestranda foi arguida pela Banca Examinadora composta pelos professores abaixo assinados. Após
avaliação da Dissertação, a Banca Examinadora considerou a Dissertação APROVADO. O presente
termo assinado ficará depositado na Coordenação do Programa de Pós-Graduação em Engenharia
Ambiental – PPGEA.

Prof(a). Dr (a) - Jorge Alberto Martins - Orientador

(UTFPR – Câmpus Londrina)

Prof(a). Dr(a) - Cintia Regina Bertacchi Uvo – Membro Titular

(Universidade de Lund – Suécia)

Prof(a). Dr(a) - Leila Droprinchinski Martins – Membro Titular

(UTFPR – Câmpus Londrina)

Profa. Dra Alessandra Furtado da Silva

Coordenadora do Programa de Pós-Graduação em Engenharia Ambiental
Portaria n⁰ 0345, de 15 de março de 2017

O Termo de Aprovação assinado encontra-se na Coordenação do Programa de Pós Graduação em Engenharia

Ambiental
 AGRADECIMENTOS

Agradeço aos meus pais, Rosinéia Fernandes Ferreira e Sérgio Fujita, e meu irmão, que sempre
me amaram e guiaram. Agradeço por acreditarem em mim e dado coragem para perseguir meus
sonhos.

Ao meu namorado, Arthur Aranda Bonato, por estar sempre ao meu lado. Agradeço pelo
companheirismo, incentivo e compreensão por todo esse período e por toda a amizade, amor e
cuidado ao longo do tempo.

Ao meu orientador, Prof. Dr. Jorge Alberto Martins, pela oportunidade de transformar uma
simples intuição em um plano de vida. Agradeço imensamente pela confiança para realização
desse trabalho, por compartilhar seus conhecimentos e por criar oportunidades extraordinárias.

Ao meu coorientador, Prof. Dr. Marcos Vinicius Bueno de Morais, pelo conhecimento e
experiência oferecidos. Gratidão pelas palavras de encorajamento que sempre me fizeram
persistir um pouco mais e pelas contribuições fundamentais à realização desse trabalho. E,
também, por dividir a família maravilhosa: Viviana, Fabi e Beatriz.

À Profa. Dra. Leila Droprinchinski Martins, pelo acolhimento. Obrigada pelo exemplo de
dedicação e delicadeza nos diversos papéis da vida.

Aos colegas do Laboratório de Eventos Atmosféricos Extremos (EAE) e Laboratório de

Análises de Poluição do Ar (LAPAR) por criar um ambiente leve e cheio de companheirismo
sem nunca faltar cafés e bate-papo animados. Em especial: Gabriela, Ana X., Bia, Carol,
Alessandro, Eduardo, Alexandra, Giselle e Maurício.

Ao meu parceiro de mestrado, Anderson Paulo Rudke, que me acompanhou no aprendizado e

proporcionou diversas oportunidades de amadurecimento. Gratidão por compartilhar o
conhecimento e a amizade.

À doce amiga Veronika Brand Sassen, que me mostra como o tempo é sábio. E, por inspirar.

Às amigas que o mestrado me ofereceu: Rafaela Cruz Alves e Daniela Sanches de Almeida, em
especial Marília Moreira de Eiras, que prova diariamente que cordialidade e coerência são
fundamentais ao caráter. Também agradeço minha amiga de sempre, Williane Cristina
Rodrigues.

À Vanessa Cristina dos Santos, amizade que o universo deu – depois de muitas coincidências
inquestionáveis, que sempre me escolta de volta à serenidade e equilíbrio.

Ao José Alberto Fernandez Monteiro, pelo apoio durante a execução desse trabalho,
especialmente pelo encorajamento durante as etapas mais complicadas e, claro, pela amizade.

À ANA – Agência Nacional das Águas, por disponibilizar dados necessários para a realização
do trabalho e apoio financeiro através do projeto intitulado “Detecção do papel de mudanças
climáticas e das condições de uso e ocupação do solo sobre a hidrologia da bacia do rio Paraná”.
À CAPES – Coordenação de Aperfeiçoamento de Pessoal de Nível Superior e Fundação
Araucária de Apoio ao Desenvolvimento Científico e Tecnológico do Paraná, pelo apoio
financeiro para execução do mestrado.

À Universidade Tecnológica Federal do Paraná e ao Programa de Pós-Graduação em

Engenharia Ambiental, em especial à Profa. Dra. Alessandra Furtado da Silva, coordenadora
do programa, que sempre encorajou as aventuras peculiares dessa dissertação.

Por fim, agradeço a todos que de alguma maneira contribuíram para que este trabalho pudesse
ser realizado.

Muito obrigada!
 RESUMO

FUJITA, T. Calibração e Validação de um Modelo Hidrológico para a Bacia Hidrográfica

do rio Ivaí. 2018. 128 p. Dissertação (Mestrado). Programa de Pós-Graduação em Engenharia
Ambiental (PPGEA), Câmpus Apucarana/Londrina, Universidade Tecnológica Federal do
Paraná. Londrina, 2018.

Modelos numéricos são amplamente empregados para o estudo de importantes questões

relacionadas ao ciclo hidrológico, principalmente aquelas associadas às alterações de uso e
ocupação do solo e à mudança climática. Os modelos hidrológicos, em particular, têm se
provado ferramentas úteis para a criação de políticas por gestores e tomadores de decisões.
Dessa forma, a representação adequada dos processos físicos por um modelo é de extrema
importância para a qualidade das variáveis-respostas de interesse numa dada bacia. Nesse
sentido, este trabalho calibrou e validou o modelo hidrológico denominado SWAT (Soil and
Water Assessment Tool) para a Bacia Hidrográfica do rio Ivaí (BHRI). Para a calibração e
validação foram empregadas cinco estações fluviométricas de monitoramento, distribuídas ao
longo do curso central do rio. Com base em indicadores propostos na literatura para avaliação
de desempenho de modelos hidrológicos, os resultados obtidos para a calibração indicam que
o modelo SWAT simulou de forma adequada as vazões mensais. A partir do indicador de
eficiência de Nash-Sutcliffe (NS), quatro das estações fluviométricas consideradas se
classificaram como Muito Boa (NS entre 0,86 e 0,89) e apenas uma com índice Bom (0,70). A
aplicabilidade do modelo para a BHRI foi confirmada através das respostas simuladas durante
a etapa de validação, baseado em período distinto daquele usado na calibração. Neste caso, as
cinco estações foram avaliadas como Muito Boa (NS entre 0,81 e 0,86). O modelo calibrado
também foi empregado na avaliação de respostas de vazão sob diferentes arranjos de estações
pluviométricas. Nesta investigação, considerou-se a simulação calibrada e validada com o
maior número de estações como sendo o cenário de controle. Este procedimento permitiu
investigar o impacto da densidade de estações e suas distribuições espaciais na BHRI e avaliar
a densidade mínima de estações para sustentar simulações hidrológicas com qualidade
satisfatória. Considerando um erro quadrático médio relativo (RRMSE) de 0,05 como aceitável
pela literatura, os resultados mostraram que o modelo é capaz de representar satisfatoriamente
a vazão da BHRI com arranjos mínimos entre 11 e 20 estações pluviométricas (uma estação a
cada 923,11 km² e 744,44 km², respectivamente). A diferença no número mínimo de estações
está associada à grande variabilidade espacial das características físicas e climáticas da BHRI,
que acarreta diferentes valores de RRMSE em função do arranjo espacial das estações. Embora
aperfeiçoamentos ainda sejam possíveis, a qualidade das vazões simuladas demonstra que a
modelagem hidrológica com o SWAT está perfeitamente adequada para uso imediato por
gestores e formuladores de políticas para a área de recursos hídricos no âmbito da BHRI.

Palavras-Chave: SWAT; IDW; precipitação superficial; arranjo de estações pluviométricas.

 ABSTRACT

FUJITA, T. Calibration and Validation of a Hydrological Model for Ivaí River Basin. 128
p. Dissertation (Master degree). Environmental Engineering Master Program (PPGEA),
campus Apucarana/Londrina, Federal University of Technology - Paraná. Londrina, 2018.

Numerical models are widely used to study important issues related to the hydrological cycle,
especially those related to changes in land use and occupation and to climate change.
Hydrological models in particular have proven to be useful tools for policy-making by
managers and decision makers. Thus, the proper representation of the physical processes by a
model is extremely important for the quality of the response-variables of interest in a given
basin. In this sense, this work calibrated and validated the SWAT (Soil Water Assessment Tool)
hydrological model for the Ivai River Basin (IRB). For the calibration and validation, five
fluviometric monitoring stations were used, distributed along the central course of the river.
Based on the indicators proposed in the literature, for the performance evaluation of
hydrological models, the results obtained for the calibration indicate that the SWAT model
adequately simulated monthly flows. Based on the Nash-Sutcliffe efficiency index (NS), four
of the fluviometric stations considered were rated Very Good (NS between 0.86 and 0.89) and
only one with Good index (0.70). The applicability of the model to the IRB was confirmed
through the simulated responses during the validation step, based on a period different from
that used in the calibration. In this case, the five stations were evaluated as Very Good (NS
between 0.81 and 0.86). The calibrated model was also used in the evaluation of flow responses
under different arrangements of rainfall stations. In this case, we considered the calibrated and
validated simulation with the largest number of stations as the control scenario. This procedure
allowed to investigate the impact of the density of stations and their spatial distributions in the
IRB and to evaluate the minimum density of stations to support hydrological simulations with
satisfactory quality. Considering a relative mean square error (RRMSE) of 0.05 as acceptable
in the literature, the results showed that the model is able to satisfactorily represent the IRB
flow with minimum arrangements between 11 and 20 rainfall stations (one rainfall gauge
controls 923.11 km² and 744.44 km², respectively). The difference in the minimum number of
stations is associated to the great spatial variability of the physical and climatic characteristics
of the IRB, which entails different values of RRMSE due to the spatial arrangement of the
stations. Although improvements are still possible, the quality of the simulated flows shows
that the hydrological model using SWAT is perfectly suited for immediate use by managers and
policy makers for the water resources area within the IRB.

Keywords: SWAT; IDW; areal precipitation; rain gauge arrangement.

 LISTA DE FIGURAS

Figura 1 – Localização da Bacia Hidrográfica do rio Ivaí ....................................................... 24

Figura 2 – a) Segmentação do rio Ivaí em Superior, Médio e Inferior, e b) perfil longitudinal
do curso principal do rio Ivaí e respectivas segmentações e, indicação das estações
fluviométricas ........................................................................................................................... 24
Figura 3 – a) Mapa climático da BHRI segundo classificação Koppen–Geiger (Adaptado:
Instituto de Terra, Cartografia e Geociências – ITCG, 2008a); b) mapa da precipitação média
anual.......................................................................................................................................... 26
Figura 4 – Mapa de classes de solo da BHRI .......................................................................... 27
Figura 5 – Mapa classes de vegetação da bacia hidrográfica do Rio Ivaí ............................... 28
Figura 6 – Mapa geológico da BHRI ...................................................................................... 29
Figura 7 – Rede de drenagem do rio Ivaí. a) trecho superior, alta sinuosidade com curvas menos
extensas e separadas por curtos trechos retilíneos; b) trecho médio, rede densa e meandrante, e
c) trecho inferior, sistema de drenagem aberto e retilíneo ........................................................ 30
Figura 8 – Modelo digital de elevação da bacia hidrográfica do rio Ivaí com resolução de 90
metros da SRTM ....................................................................................................................... 36
Figura 9 – Sub–bacias delimitadas pelo SWAT. Pontos em vermelho representam os pontos de
monitoramento de vazão (cinco estações fluviométricas) e em verde os pontos de confluência
da rede hidrográfica .................................................................................................................. 37
Figura 10 – Dados de cobertura do solo adquiridos pelos produtos MODIS. São identificadas
10 classes de cobertura na BHRI .............................................................................................. 39
Figura 11 – Declividade da BHRI calculado a partir de dados SRTM ................................... 41
Figura 12 – Formação de HRUs. A partir da combinação única de cobertura superficial, tipo
de solo e declividade do terreno ............................................................................................... 42
Figura 13 – Gráfico gerado pela rotina do software R proposta por Strauch et al. (2016).
Número de HRUs e valores de aREA (Relative Error of Aggregation)................................... 43
Figura 14 – a) grade de interpolação das estações disponíveis para a BHRI; b) destaque para a
grade exclusiva de uma sub–bacia e seu centróide e c) detalhe dos pixels da grade de
interpolação pelo método IDW................................................................................................. 48
Figura 15 – Limite das áreas estratégicas da BHRI identificadas pela SEMA (2010c) e os
limites dos municípios .............................................................................................................. 50
Figura 16 – Posicionamento das estações pluviométricas no curso principal do rio Ivaí e divisão
da bacia em três áreas: alto, médio e baixo Ivaí........................................................................ 53
Figura 17 – Fluxograma da calibração adotado para a BHRI ................................................. 54
Figura 18 – Caracterização dos fluxos quanto ao sistema de água subterrânea. a) efluente e, b)
influente .................................................................................................................................... 58
Figura 19 – Ilustração da relação entre a incerteza do parâmetro e incerteza de predição 62
Figura 20 – Distribuição da precipitação na área do arranjo de estações para interpolação em
sete cenários para a sub-bacia 18. O valor n representa a quantidade de estações consideradas
na interpolação. E o valor da precipitação acumulada também é indicado .............................. 67
Figura 21 – Simulação inicial da vazão da BHRI para a estação Novo Porto Taquara, com a
configuração do modelo SWAT mantida sem a calibração. Comportamentos em destaque: A)
vazão observada superando a simulação; B) subestimativa da vazão prevista em períodos de
estiagem indicando vazão de base menor; C) pequeno deslocamento dos valores simulados para
a direita durante período de recessão da vazão, e D) picos de vazão simulada extrapolando os
valores observados .................................................................................................................... 69
Figura 22 – Contribuição da vazão simulada nas estações fluviométricas da BHRI............... 73
Figura 23 – Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área
de drenagem da estação Tereza Cristina, em cinza. Vazões observada destacada em azul, onde
os picos máximos apresentam-se fora do envelope 95PPU. E, em vermelho, vazão simulada.
............................................................................................................................................ 74
Figura 24 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação
Tereza Cristina .......................................................................................................................... 75
Figura 25 – Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área
de drenagem da estação Ubá do Sul, em cinza. Vazões observada destacada em azul, onde os
picos máximos apresentam-se fora do envelope 95PPU. E, em vermelho, vazão simulada 77
Figura 26 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação
Ubá do Sul ................................................................................................................................ 78
Figura 27 – Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área
de drenagem da estação Vila Rica, em cinza. Vazões observada destacada em azul, onde os
picos máximos apresentam-se fora do envelope 95PPU. E, em vermelho, vazão simulada 79
Figura 28 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação
Vila Rica ................................................................................................................................... 80
Figura 29 – Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área
de drenagem da estação Porto Paraíso do Norte, em cinza. Vazões observada destacada em azul,
onde os picos máximos apresentam-se fora do envelope 95PPU. E, em vermelho, vazão
simulada .................................................................................................................................... 82
Figura 30 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação
Porto Paraíso do Norte .............................................................................................................. 83
Figura 31 – Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área
de drenagem da estação Novo Porto Taquara, em cinza. A vazão observada está destacada em
azul e a vazão simulada em vermelho....................................................................................... 84
Figura 32 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação
Novo Porto Taquara.................................................................................................................. 85
Figura 33 – Curva de permanência da vazão simulada (vermelho escuro) e observada (azul
escuro) da estação Novo Porto Taquara e vazão simulada (vermelho claro) e observada (azul
claro) da estação Porto Paraíso do Norte .................................................................................. 86
Figura 34 ˗ Envelope de incerteza de 95% dos parâmetros (95PPU) da validação para a área de
drenagem da estação Novo Porto Taquara, em cinza. Vazões observada destacada em azul e,
em vermelho, vazão simulada................................................................................................... 92
Figura 35 ˗ Vazões simuladas e observadas do período de validação do modelo da BHRI 93
Figura 36 – Vazão produzida pelos AEI nas simulações da BHRI. Cada coluna representa uma
estação, e a as faixas representam o valor da vazão da simulação controle (151 estações) 94
Figura 37 – Vazão simulada da estação Tereza Cristina com AEI de 150 estações (em azul) e
4 estações (em laranja).............................................................................................................. 95
Figura 38 – RRMSE da vazão simulada nas estações fluviométricas da BHRI resultantes da
aplicação de estações virtuais sob parâmetros do modelo controle. São apresentados o
comportamento para cada estação fluviométrica de monitoramento para os 33 cenários de
arranjos de estações .................................................................................................................. 96
Figura 39 – RRMSE da vazão simulada nas estações fluviométricas da BHRI resultantes da
aplicação de estações virtuais sob parâmetros do modelo controle. São apresentados o
comportamento para cada estação fluviométrica de monitoramento para os 19 primeiros
cenários de arranjos de estações ............................................................................................... 97
Figura 40 – Gráfico de dispersão entre o RRMSE da precipitação e o RRMSE da vazão para
as cinco estações de monitoramento ......................................................................................... 98
Figura 41 – Dias sem chuva para as estações de monitoramento da BHRI para os 33 AEI 99
Figura 42 – Precipitação máxima superficial das estações de monitoramento da BHRI dos 33
AEI.......................................................................................................................................... 100
Figura 43 – Diagrama de blocos do RRMSE para cada uma das sub-bacias da BHRI 101
 LISTA DE TABELAS

Tabela 1 – Sub-bacias do rio Ivaí delimitadas no ArcSWAT. Detalhamento com nome do rio
referente à área de drenagem da bacia, altitude média, máxima e mínima e número de HRUs
que compõem a sub-bacia ......................................................................................................... 37
Tabela 2 – Relação de categorias da classificação MODIS com os códigos correspondentes às
classes do SWAT para a BHRI ................................................................................................. 40
Tabela 3 – Estações fluviométricas no curso principal do rio Ivaí que serviram de pontos de
monitoramento de vazão e, consequentemente, exutórios de cinco sub–bacias da BHRI 52
Tabela 4 – Valores de ALPHA_BF calculados a partir de dados observados de vazão no
software SWAT Bflow. ............................................................................................................ 56
Tabela 5 – Informações gerais sobre o procedimento de calibração das simulações: nome do
parâmetro, intervalo de modificação absolutos do modelo, intervalo de modificação
regionalizado para o sul e sudeste do Brasil baseado nos trabalhos listados em Fonte – Valores
calibrados em aplicações .......................................................................................................... 60
Tabela 6 – Classificações de desempenho geral para as estatísticas recomendadas em
simulações de tempo mensal .................................................................................................... 65
Tabela 7 – Resumo das estações empregadas para interpolação por sub-bacia, combinadas para
a BHRI e a densidade das estações para cada arranjo selecionado........................................... 66
Tabela 8 – Índices de avaliação de incertezas do modelo de cada estação fluviométrica a partir
da captura dos registros de vazão (p-factor) e espessura do envelopamento 95PPU (r-factor).
............................................................................................................................................ 70
Tabela 9 – Índices estatísticos do desempenho da calibração para a simulação de número 129
para a BHRI .............................................................................................................................. 71
Tabela 10 – Magnitude de vazão mensal média simulada, observada e respectivos desvios
padrões para as estações fluviométricas de referência da BHRI. Os valores observados referem-
se à melhor simulação da calibração......................................................................................... 72
Tabela 11 – Lista de parâmetros usados no SWAT-CUP para a modelagem do Ivaí e seus
respectivos valores iniciais de projeto, intervalo de modificação final e modificação final dos
parâmetros referente à melhor simulação. IMR corresponde ao Intervalo de Modificação
Remanescente ........................................................................................................................... 86
Tabela 12 – Índices estatísticos da validação do modelo hidrológico da BHRI...................... 91
Tabela 13 - Magnitude de vazão mensal média simulada, observada e respectivos desvios
padrões para as estações fluviométricas de referência da BHRI. Os valores observados referem-
se à melhor simulação da validação ......................................................................................... 93
Tabela 14 - Relação de AEI e densidades respectivas aos RRMSE da vazão e precipitação.
.......................................................................................................................................... 103
 LISTA DE ANEXOS

Tabela A 1 – Descrição dos parâmetros de solo .......................................................................... 122

Tabela A 2 – Descrição dos parâmetros de solo do trabalho de Fauconnier (2017) ............. 122
Tabela A 3 – Detalhamento da contribuição individualizada dos aquíferos da BHRI e seus
volumes de água outorgados para exploração de água subterrânea (SEMA, 2010c). Em destaque
estão os valores de contribuição conjunta do aquífero que foram inseridas no modelo como
operação de gestão de água .................................................................................................... 124
Tabela A 4 – Detalhamento da vazão de irrigação retirada de curso d'água outorgado 125
Tabela A 5 – Descrição da rotina de rotação de culturas para a BHRI (Adaptado de Franchini,
2011). A rotação acontece entre as culturas de milho (CORN) e de soja (SOYB). O ciclo se
inicia a cada 4 anos até o fim da simulação ............................................................................ 125
Tabela A 6 – Detalhamento da Figura 35, que ilustra a vazão produzida pelos AEI em cada
estação fluviométrica de monitoramento da BHRI ................................................................ 126
Tabela A 7 – Detalhamento da Figura 36, 37 e 38, que ilustram o RRMSE da vazão simulada
nas estações fluviométricas da BHRI resultantes da aplicação de estações virtuais sob
parâmetros do modelo controle. São apresentados o comportamento para cada estação
fluviométrica de monitoramento para os 33 cenários de arranjos de estações ....................... 127
Tabela A 8 – Detalhamento da Figura 38, que ilustra o RRMSE da precipitação superficial nas
áreas de drenagem das estações de monitoramento da BHRI em comparação com o
comportamento da precipitação do modelo controle. São apresentados os 33 cenários de
arranjos de estações ................................................................................................................ 127
 LISTA DE ABREVIAÇÕES

95PPU – Porcentagem entre os dados medidos e a faixa de incerteza de predição de 95%

AEI – Arranjos de estações interpoladas
AGRL – Agricultura
ANA – Agência Nacional de Águas
ANEEL – Agência Nacional de Energia Elétrica
AnnAGNPS – Annual Agricultural Non-Point Source
aREA – Relative Error of Aggregation
BHRI – Bacia Hidrográfica do Rio Ivai
bR² – Coeficiente de determinação multiplicado pelo coeficiente de regressão
CELEPAR – Tecnologia da Informação e Comunicação do Paraná
Cfa – Clima temperado úmido com verão quente
Cfb – Clima temperado úmido com verão ameno
CFSR – Climate Forecast System Reanalysis
CHIRPS – Climate Hazards Group InfraRed Precipitation with Station Data
COPEL – Companhia Paranaense de Energia
CORN – Classe de uso de solo de milho
CPRM – Companhia de Pesquisa de Recursos Minerais
CUP – Calibration and Uncertainty Procedures
Cwa – Clima temperado úmido com verão quente e inverno seco
DERAL – Departamento de Economia Rural
EMATER – Instituto Paranaense de Assistência Técnica e Extensão Rural
EMBRAPA – Empresa Brasileira de Pesquisa Agropecuária
FAO – Food and Agriculture Organization of the United Nations
FRSD – Floresta decídua latifoliada
FRSE – Floresta perene agulhada
FRST – Floresta mista
GNV – General Management Variables
HIDROWEB – Sistema de Informações Hidrológicas
HRU – Hydrologic Response Units
IAF – Índice de área foliar
IBGE – Instituto Brasileiro de Geografia e Estatística
IDW – Inverse Distance Weighting
IGBP – International Geosphere-Biosphere Programme
IMR – Intervalo de Modificação Remanescente
IRB – Ivai River Basin
ITCG – Instituto de Terras, Cartografia e Geologia do Paraná
LISEM – Limburg Soil Erosin Model
LP DAAC - Land Processes Distributed Active Archive Center
MDE – Modelo Digital de Elevação
MINEROPAR – Minerais do Paraná
MODIS – Moderate Resolution Imaging Spectroradiometer
NASA – National Geospatial Intelligence Agency
NCAR – National Center for Atmospheric Research
NCEP-CFSR – National Centers for Environmental Predictions – Climate Forecast System
Reanalysis
NMSE – Erro quadrático normalizado
NOAA – National Oceanic and Atmospheric Administration
NS – Eficiência de Nash-Sutcliffe
OAT – One-at-a-time
OMM – Organização Mundial de Meteorologia
PAST – Pastagem
PBIAS – Porcentagem do viés
PCH – Pequena Central Hidrelétrica
PET – Potential Evapotranspiration
R² – Coeficiente de determinação
RMSE – Erro quadrático médio
RMSE – Observations Standard Deviation Ratio
RNGB – Vegetação arbustiva densa
RNGE – Savana esparsa
RRMSE – Erro quadrático médio relativo
RSE – Normalização da raiz do erro quadrático
SCS – Soil Conservation Service
SEAB – Secretaria de Agricultura e Abastecimento do Paraná
SEMA – Secretaria do Meio Ambiente e Recursos Hídricos
SGH – Superintendência de Gestão da Rede Hidrometeorológica
SOYB – Classe de uso de solo de soja
SRTM – Shuttle Radar Topographic Mission
SUFI 2 – Sequencial Uncertainty Fitting Version 2
SWAT – Soil and Water Assessment Tool
TRMM – Tropical Rainfall Measurements Mission
URML – Área Urbana
USDA – United States Department of Agriculture
VMP – Vizinho Mais Próximo
WATR – Água
WETL – Área permanentemente alagada
WGEN – Weather Generator
WMO – World Meteorological Organisation
 LISTA DE PARÂMETROS DO MODELO SWAT

ALPHA_BF – Fator alfa da vazão de base

CANMX – Armazenamento máximo do dossel completamente desenvolvido
CH_K2 – Condutividade hidráulica efetiva no aluvião do canal principal
CH_N2 – Valor “n” de Manning para o canal principal
CN2 – Número inicial da curva de escoamento SCS para a condição de umidade II
EPCO – Fator de compensação de absorção da planta
ESCO – Fator de compensação de evaporação do solo
GW_DELAY – Intervalo de tempo de atraso para recarga do aquífero
GW_REVAP – Coeficiente “revap” de água subterrânea
GWQMN – Profundidade limite requerida da água do aquífero profundo produzir fluxo de
retorno
OV_N – Valor “n” de Manning para vazão na superfície
RCHRG_DP – Fração de percolação do aquífero profundo
REVAPMN – Profundidade limite da água do aquífero raso
SOL_AWC – Capacidade de água disponível na camada do solo
SURLAG – Coeficiente de atraso de vazão superficial
 SUMÁRIO

1 INTRODUÇÃO ................................................................................................................... 19
2 OBJETIVOS ........................................................................................................................ 22
2.1 Objetivo Geral................................................................................................................... 22
2.2 Objetivos Específicos ........................................................................................................ 22
3 METODOLOGIA ................................................................................................................ 23
3.1 Caracterização da área de estudo ................................................................................... 23
3.1.1 Aspectos físicos ............................................................................................................... 25
3.1.2 Uso e ocupação do solo ............................................................................................................ 30
3.1.3 Aspectos hidrológicos...................................................................................................... 31
3.2 Descrição do modelo SWAT ............................................................................................ 33
3.3 Dados de entrada .............................................................................................................. 35
3.3.1 Dados topográficos .......................................................................................................... 35
3.3.2 Dados pedológicos ........................................................................................................... 38
3.3.3 Dados de cobertura vegetal e uso da terra ....................................................................... 39
3.3.6 Informações climáticas .................................................................................................... 43
3.4 Modificações de entrada do modelo ................................................................................ 49
3.4.1 Operações de uso da água ................................................................................................ 49
3.4.2 Irrigação ........................................................................................................................... 49
3.4.3 Rotação de culturas agrícolas .......................................................................................... 50
3.5 Pontos de amostragem de vazão ...................................................................................... 51
3.6 Calibração do modelo....................................................................................................... 53
3.6.1 Período de simulação ....................................................................................................... 55
3.6.2 Seleção dos parâmetros ................................................................................................... 55
3.6.3 Parametrização e definição dos intervalos de parâmetros ............................................... 59
3.6.4 Análise de sensibilidade .................................................................................................. 61
3.6.5 Calibração semi-automática SUFI-2 ............................................................................... 62
3.6.6 Validação ......................................................................................................................... 63
3.6.7 Avaliação do modelo ........................................................................................................... 63
3.7 Densidade de estações ....................................................................................................... 65
3.7.1 Avaliação das respostas aos arranjos de estações ............................................................ 67
4 RESULTADOS E DISCUSSÕES ...................................................................................... 69
4.1 Avaliação da preliminar de desempenho do SWAT ..................................................... 69
4.2 Índices estatísticos da calibração .................................................................................... 70
4.3 Vazão, desvio padrão e curva de permanência .............................................................. 72
4.3.1 Estação Tereza Cristina ................................................................................................... 73
4.3.2 Estação Ubá do Sul.......................................................................................................... 76
4.3.3 Estação Vila Rica ............................................................................................................. 78
4.3.4 Estação Porto Paraíso do Norte ....................................................................................... 81
4.3.5 Estação Novo Porto Taquara ........................................................................................... 83
4.4 Parâmetros calibrados ..................................................................................................... 86
4.5 Validação ........................................................................................................................... 90
4.6 Avaliação do número de estações na BHRI.................................................................... 94
4.6.1 Vazões das estações virtuais ............................................................................................ 94
4.6.2 Padrão de precipitação das estações virtuais ................................................................... 98
4.6.3 Densidade das estações interpoladas ............................................................................. 102
5 CONCLUSÃO .................................................................................................................... 104
REFERÊNCIAS.................................................................................................................... 106
ANEXOS................................................................................................................................ 122
 19

1 INTRODUÇÃO

A identificação de possíveis mudanças no ciclo hidrológico foi investigada em diversos

estudos científicos nas últimas décadas (NIJSSEN et al., 2001; HUNTINGTON, 2006;
BARNETT et al., 2008; SYED et al., 2010; FENG et al., 2017; TAURO et al., 2018). Ainda
que a variabilidade natural promova modificações nos padrões climáticos, o maior motivador
para os estudos atuais tem sido o aumento da temperatura na superfície global causado pela
emissão de gases do efeito estufa (RAMANATHAN et al., 2001; WILD et al., 2008; TIAN et
al., 2016). Entre as mudanças previstas pelas projeções climáticas, destacam as anomalias
persistentes aos padrões de circulação atmosféricos de larga-escala (DAI; WINGLEY, 2000;
XIE et al., 2016), eventos de precipitação em volume e frequência incomuns (EASTERLING
et al., 2000; ANDERSON et al., 2015), variação da vazão dos rios (BARNETT et al., 2008;
ARNELL e GOSLING, 2013), níveis de aquíferos (WADA et al., 2010 e 2016) e oceanos
(BINDOFF et al., 2007).
Somado às projeções climáticas, estão o aumento do consumo de água decorrente do
crescimento populacional, que coloca o suprimento hídrico em grave risco e, também, do
desenvolvimento de importantes setores da sociedade moderna como a indústria, agricultura e
produção de energia (VÖRÖSMARTY et al., 2000; OKI e KANAE, 2006; STEDUTO et al.,
2017). A necessidade de equilibrar as diferentes demandas por recursos hídricos se torna cada
vez mais evidente à medida que mais componentes são incorporados ao conceito de segurança
hídrica (NORMAN et al, 2010). Dessa forma, a vulnerabilidade dos sistemas humanos e
naturais ganham maior relevância frente a intensificação do ciclo hidrológico (BIRKMANN,
2006; POLSKY et al., 2007; PACIFICI et al., 2015).
Modelos numéricos, tanto de larga escala quanto os hidrológicos, são amplamente
empregados em investigações do ciclo hidrológico. No primeiro caso, o uso das informações é
comprometido pela dificuldade na interpretação das tendências do clima (HELD e SUAREZ,
1994) e, ainda é objeto de inúmeros esforços para quantificar as incertezas e aumentar a
confiabilidade das projeções (TORRES e MARENGO, 2013; VAVRUS et al., 2015;
SCAFETTA, 2016). Por outro lado, os modelos hidrológicos se provaram ferramenta úteis para
a criação de políticas por gestores e tomadores de decisões envolvendo os recursos hídricos
(SCHUOL et al., 2008; ABBASPOUR et al., 2015; SINGH e MARCY, 2017; WADA et al,
2017; KRYSANOVA et al., 2017; WILLNER et al., 2018).
Entre os modelos hidrológicos existentes, o mecanismo que rege seu processo é a
integração de algoritmos das variáveis hidrológicas entre precipitação e vazão (TUCCI, 2005).
 20

Esses modelos investigam o balanço hídrico local e acumulam o fluxo de água através de uma
rede fluvial construída a partir de informações topográficas (VÖRÖSMARTY et al., 1989). Ao
longo dos anos, alguns modelos passaram a considerar as interações entre os fluxos terrestres
da bacia com as atividades humanas (Limburg Soil Erosin Model, LISEM – DE ROO et al.,
1996; Soil and Water Assessment Tool, SWAT - ARNOLD et al., 1999; Annual Agricultural
Non-Point Source, AnnAGNPS – BINGNER e THEURER, 2005). Posto que, as atividades
humanas modificam significativamente o regime hídrico e não podem ser negligenciadas na
modelagem hidrológica. Para Wada et al. (2017), não ponderar essas influências cria resultados
tendenciosos pela reprodução de condições exclusivamente naturais, que já não imperam na
atual conjuntura.
Independente da escolha do modelo, a precipitação é o principal componente para o
sucesso das simulações e, a representação adequada de sua distribuição é de extrema
importância para a qualidade das respostas aos processos da bacia (SINGH, 1998;
HABERLANDT e KITE, 1998; ARNOLD et al., 1998). Em geral, a variação espacial da
precipitação é mais importante que a variação temporal (ANDRÈASSIAN et al., 2001;
GASSMAN et al., 2007). Inúmeros trabalhos investigam métodos de processamento dos efeitos
da espacialização da precipitação (TUO et al., 2016). Entre eles, destacam-se métodos de
interpolação de registros de estações pluviométricas e pelas estimativas a partir de produtos de
satélites (por exemplo, Tropical Rainfall Measurements Mission, TRMM – HONG et al., 2007;
Climate Hazards Group InfraRed Precipitation with Station Data, CHIRPS – SAHA et al.,
2010; Climate Forecast System Reanalysis, CFSR – FUNK el al., 2015).
Apesar dos aspectos hidrológicos da precipitação estarem sob constante investigação,
poucas aplicações discutem eventuais melhorias de representação dos aspectos da distribuição
na modelagem. Além disso, as estimativas da precipitação superficial média da bacia ou o
arranjo de redes de monitoramento usualmente são tratadas à parte da modelagem hidrológica
(CHAPLOT et al., 2005). Bras (1979) e Storm et al. (1988) afirmam que a bacia hidrográfica
se comporta como um filtro e atenua a variabilidade da precipitação. Por esse ângulo,
Andrèassian et al. (2001) afirmam que é coerente que seja feita a caracterização dos efeitos
desses filtros para determinação da melhor quantidade e qualidade de dados de precipitação
necessários para alcançar um certo grau de acurácia nas simulações de vazão.
Nesse sentido, poucos trabalhos investigam a capacidade de representação de redes de
estações pluviométricas em amplas condições climáticas e topográficas. Os estudos indicam,
em geral, que os uso de elevada densidade de estações resultam em melhor estimativa
quantitativa, particularmente em eventos intensos ou de menor escala e que a localização das
 21

estações também produz significativo impacto no desempenho do modelo (CHAPLOT et al.,

2005; XU et al., 2013; BERNDT et al., 2014; GIRONS LOPEZ et al., 2015). Os estudos
também sugerem que o tamanho e características físicas da bacia podem afetar a determinação
ideal de densidade e distribuição das estações. Girons Lopez et al., (2015) identificam que os
erros da interpolação da precipitação são desprezíveis a partir de uma densidade de 24 estações
a cada 1000 km², e que a habilidade de produzir estimativas da precipitação superficial é
reduzida com a inclusão de áreas de maior altitude. Xu et al. (2013) concluíram que grandes
impactos no desempenho do modelo ocorrem para densidades menores que 0,4 estação a cada
1000 km², e que um desempenho aceitável foi garantido com o número de estações variando
entre 93 a 128 estações para a área (entre uma estação a cada 1017,84 km² e 739,53 km²,
respectivamente). Como as bacias encontram-se em regimes climáticos diferentes e apresentam
características físicas distintas, pode-se explicar a grande diferença entre os limites mínimos de
densidade sugerido pelos autores.
Considerando que redes de monitoramento de precipitação densas e adequadamente
distribuídas são relevantes aos estudos hidrológicos e que as investigações não podem ser
generalizadas, visto os padrões de precipitação e particularidades físicas das bacias
hidrográficas. Este trabalho investiga o impacto da densidade de estações e seus arranjos
espaciais na bacia do rio Ivaí, um dos tributários do rio Paraná. Sendo assim, busca-se a
densidade mínima de estações para sustentar simulações hidrológicas com qualidade
satisfatória. E para isso, o modelo hidrológico SWAT calibrado e validado é aplicado no rio
Ivaí através de simulações de vazão mensal e suas repostas a cada arranjo de estações hipotético.
 22

2 OBJETIVOS

2.1 Objetivo Geral

O objetivo geral deste trabalho consiste em calibrar e validar um modelo hidrológico da

bacia hidrográfica do rio Ivaí (BHRI) para uso por gestores de recursos hídricos, e com este,
investigar o impacto da densidade de estações e sua distribuição espacial para sustentar
simulações hidrológicas com qualidade satisfatória.

2.2 Objetivos Específicos

Os objetivos específicos deste trabalho consistem em:

a) Organizar um banco de dados contendo as informações necessárias para uso no modelo
hidrológico SWAT;
b) Calibrar e validar o modelo SWAT para a BHRI, avaliando o desempenho do mesmo
em reproduzir a vazão;
c) Elaborar séries de precipitação superficial através de produtos de interpolação de
arranjos de estações pluviométricas;
d) Comparar as respostas de vazão simulada provenientes dos arranjos investigados com
o modelo controle.
 23

3 METODOLOGIA

Nesta seção é apresentada a descrição das características da bacia hidrográfica do rio

Ivaí, selecionada como estudo de caso para as simulações com o modelo hidrológico SWAT.
Em seguida, são descritos os procedimentos de obtenção de dados de entrada e as configurações
adotadas nas simulações iniciais, na composição padrão (default); bem como a descrição das
modificações com as características da região para a melhoria da simulação hidrológica.
Posteriormente, são apresentados os procedimentos de calibração e validação do modelo para
vazão, assim como o detalhamento do método utilizado na incorporação da densidade de
estações pluviométricas, visando a comparação com o modelo calibrado.

3.1 Caracterização da área de estudo

O rio Ivaí foi escolhido para o estudo em função de quatro fatores peculiares quando
comparados com outros rios: 1) variabilidade da hidrologia, condicionada pelas propriedades
fisiográficas (geologia, declividade, clima, entre outros); 2) disponibilidade de dados climáticos
e fluviométricos; 3) condição natural do rio sem barramento no curso principal e, 4) pela
importância econômica. A bacia do rio Ivaí destaca-se pelo potencial agrícola decorrente de
solos férteis e bem estruturados (DESTEFANI, 2005), com zonas de alta declividade favorável
a aproveitamentos hidrelétricos (COPEL, 1984a e 1984b), além de se situar sobre áreas de
recarga direta de aquíferos (REBOUÇAS, 1976; CELLIGOI e DUARTE, 2000). Tais aspectos
fazem do Ivaí uma das áreas mais economicamente produtivas do estado do Paraná
(DESTEFANI, 2005).
A Bacia Hidrográfica do rio Ivaí (BHRI) está localizada na região sul do Brasil, entre
22°54’ – 25°34’S e 50°44’ – 53°43’O, ocupando uma área de 36.589 km². O rio Ivaí é afluente
da margem esquerda do curso superior do rio Paraná e encontra-se completamente inserido em
território paranaense (Figura 1). A nascente do rio Ivaí situa-se a mais de 800 m de altitude,
onde o rio dos Patos e São João convergem; segue em direção noroeste e assume orientação
oeste até desaguar no rio Paraná, a aproximadamente 230 m de altitude, em um percurso de 680
km.
 24

Figura 1 – Mapa de localização da Bacia Hidrográfica do rio Ivaí.

A BHRI drena ambientes morfo-topográficos diversificados e escoa por litologias

diferentes ao longo de seu curso. Considerando os fatores físicos como a geologia,
geomorfologia, topografia e declividade em perfil longitudinal, este trabalho adotou a
segmentação proposta por Destefani (2005), que separa o rio em três componentes: Superior,
Médio e Inferior, como ilustra a Figura 2.

Figura 2 – a) Mapa de segmentação do rio Ivaí em Superior, Médio e Inferior, e b) Esquema do perfil
longitudinal do curso principal do rio Ivaí e respectivas segmentações e, indicação das estações
fluviométricas.

Adaptado de Destefani, (2005).

 Segmento Superior: percurso que se estende da nascente do rio dos Patos, passando
pela origem do Ivaí, até a proximidade da estação fluviométrica Vila Rica. O segmento
sofre um desnível abrupto de 150 m nos três primeiros quilômetros (S1), apresentando
 25

uma declividade de aproximadamente 5%. Na sequência, uma queda de 190 m em 80

km (S2) e outros 190 m em apenas 14 km (S3). Desse ponto em diante inicia-se o Ivaí e
as declividades se tornam mais suaves, com desnível de 120 m em 290 km (S4) e conclui
o Segmento Superior com um desnível de 80 m em 54 km com 0,1% de declive (S5).
Ao todo são 440 km de extensão e redução de 950 para 300 m da altitude.
 Segmento Médio: com extensão de 170 km, compreende a estação fluviométrica Vila
Rica até a estação Porto Paraíso do Norte (S6). A declividade desse segmento é de
apenas 0,03% distribuída em um desnível de 50 m. As altitudes variam entre 300 e 250
m.
 Segmento Inferior: percorre 164 km até a foz do Ivaí (S7). As altitudes desse trecho
oscilam entre 250 e 230 m. A declividade do rio é de apenas 0,01% compreendendo
terreno em meio à chapadas e colinas suaves. A foz se desenvolve na planície aluvial,
estabelecida pela dinâmica conjunta com o rio Paraná (SALA, 2014), onde o fim do
segmento é delimitado.

3.1.1 Aspectos físicos

[Link] Clima

Segundo a classificação climática de Köppen-Geiger, a BHRI está sob influência de três

tipos climáticos, conforme a Figura 3a: clima temperado úmido com verão ameno (Cfb), clima
temperado úmido com verão quente (Cfa) e clima temperado úmido com verão quente e inverno
seco (Cwa) (ITCG, 2008a; ALVARES et al., 2013). As frentes frias, os sistemas convectivos
de mesoescala e a formação de ciclones extratropicais desempenham importante papel nas
condições climáticas predominantes (SIMÕES, 1954, MONTEIRO, 1968; BALDO, 2006).
Nery (1996) e Andrade e Nery (2002) mostram que a região é diretamente influenciada pela
Zona de Convergência do Atlântico Sul e às mudanças da temperatura do mar do Pacífico
tropical (El Niño/La Niña – Oscilação Sul).
 26

Figura 3 – a) Mapa climático da BHRI segundo classificação Koppen-Geiger b) Mapa da precipitação

média anual.

Adaptado: Instituto de Terras, Cartografia e Geociências – ITCG, 2008a.

Os índices mais elevados de precipitação média anual ocorrem no Segmento Superior e

na porção centro-sul da bacia (1780 mm); e diminuem em direção a jusante (1245 mm),
ilustrados na Figura 3b. Este comportamento é justificado pelas baixas altitudes e pela faixa de
transição para clima tropical (DESTEFANI, 2005; BALDO, 2006, ANDRADE, 2003). Parte
da variabilidade é atribuída às escarpas que delimitam o Segundo e Terceiro Planalto por
atuarem simultaneamente como obstáculos orográficos (MAACK, 2002). Períodos úmidos e
secos são bem marcados, sendo os mais chuvoso o trimestre dezembro/janeiro/fevereiro e o
mais seco junho/julho/agosto (ANDRADE e NERY, 2002; SALA, 2014). Quanto à distribuição
da temperatura, o Segmento Superior do Ivaí apresenta temperaturas amenas, com média anual
de 17 e 18°C. Já o Segmento Inferior apresenta média entre 23 e 24°C (CARAMORI et al.,
2001).

[Link] Solos

De acordo com ITCG (2008b), detalhado na Figura 4, no Segmento Superior da BHRI,

os solos são derivados da decomposição de rochas sedimentares, nele são encontrados
Argissolos, Latossolos e associações de Cambissolo e Gleissolos. Na parte média, os solos são
de origem basáltica da Formação Botucatu. Latossolos predominam as partes mais elevadas do
terreno e são propícios à produção de cereais (DESTEFANI, 2005). À jusante da bacia são
encontrados solos derivados das rochas sedimentares da Formação Caiuá, utilizados para
cultura canavieira e pastoril (LELI et al., 2010), destacam-se os Latossolos e Argissolos e, junto
 27

às áreas de planície de inundação, encontram-se associações de Organossolos e Gleissolos e

grande proporção de Neossolo.

Figura 4 – Mapa de classes de solo da BHRI.

Adaptado: Instituto de Terras, Cartografia e Geociências – ITCG, 2008b.

[Link] Vegetação natural

A vegetação da BHRI é caracterizada pelas regiões tropicais e subtropicais (IBGE,

1992). Conforme ITCG (2008c), Figura 5, na porção a montante predomina a Floresta
Ombrófila Mista, representada pela mata de Araucária, onde predomina o clima subtropical.
Ao longo do rio, com a Floresta Estacional Semidecidual, a vegetação ganha
características tropicais exuberantes decorrente de temperaturas mais elevadas. No Segmento
Médio, a grande diversidade de espécies vegetais é atribuída ao desenvolvimento em terras
férteis (RODERJAN et al., 2002). No Segmento Inferior, prevalece o domínio da vegetação
com características tropicais menos exuberantes, menor porte e relativa redução da diversidade,
devido ao desenvolvimento em solo arenoso da Formação Caiuá e baixo índice pluviométrico
(KUERTEN, 2006). Entre 20 e 50% das árvores, desse conjunto florestal, perdem as folhas
(caducifólias) durante o período seco (RODERJAN et al., 2002).
 28

Figura 5 – Mapa classes de vegetação da bacia hidrográfica do Rio Ivaí.

Adaptado: Instituto de Terras, Cartografia e Geociências – ITCG, 2008c.

Pequenos fragmentos de Cerrado são encontrados na bacia, a origem é semelhante à das

estepes, e são encontradas em relevos suave-ondulados. Fisionomias e florística são
semelhantes aos planaltos do Brasil Central (RODERJAN et al., 2002), com estratos arbóreo-
arbustivo esparso e estrato descontínuo de plantas herbáceas (CELEPAR/SEMA, 2002).

[Link] Geologia e Unidades Aquíferas

A BHRI está inserida na Bacia Sedimentar do Paraná, que compreende os estados do

Rio Grande do Sul, Santa Catarina, Paraná, São Paulo, Minas Gerais e Mato Grosso, além do
Uruguai, Paraguai e Argentina. A Companhia de Pesquisa de Recursos Minerais, atribui o
lineamento estrutural da BHRI à orientação com o mergulho monoclinal da Bacia Sedimentar
do Paraná (MAACK, 2002). De forma geral, as rochas sedimentares dominam o Segmento
Superior da bacia. No Segmento Médio, constata-se rochas basálticas e no Inferior, rochas
sedimentares e aluviões compostos de sedimentos recentes na planície aluvial e nos terraços
(MINEROPAR, 2001).
Considerando o Ivaí como unidade territorial de avaliação dos aquíferos, seis Unidades
Aquíferas podem ser identificadas (SEMA, 2010c). São elas (Figura 6):
 Paleozoica Média Superior: está localizada no Segundo Planalto Paranaense, sendo
representada por camadas de arenitos intercalados.
 Paleozoica Superior: compreende rochas do Grupo Passa Dois, com os melhores
resultados na prospecção de água associados às rochas da Formação Serra Geral.
 29

 Guarani: também conhecido como Aquífero Botucatu se encontra sobreposto aos

basaltos da Formação Serra Geral. No Estado do Paraná, a maior parte encontra-se
confinada e distribuída por uma grande extensão do Terceiro Planalto Paranaense. O
Guarani, na verdade, é constituído por uma série de reservatórios, cada um com uma
potenciometria própria e características hidroquímicas distintas.
 Serra Geral Norte: refere-se à sequência de derrames de lavas basálticas que ocorrem
no Terceiro Planalto (SCHNEIDER et al., 1974).
 Caiuá: é representado por arenitos finos (FERNANDES e COIMBRA, 1994). Em
alguns locais, o aquífero apresenta-se como semi-confinado e em outros como aquífero
livre e sua extensão corresponde à região de solos arenosos.

Figura 6 – Mapa geológico da BHRI.

Adaptado: ITCG, 2008c.

[Link]. Fisiologia fluvial

O canal do Ivaí apresenta padrão sinuoso com curvas irregulares e quedas abruptas
(SANTOS, 2015). Segundo Destefani (2005), maiores altitudes e fortes declividades favorecem
a rede de drenagem do Segmento Superior da bacia, que apresenta sinuosidade alta com curvas
menos extensas e separadas por curtos trechos retilíneos (Figura 7a). No trecho Médio,
predominado por derrames de lavas basálticas, o solo apresenta grande dureza e baixa
permeabilidade criando uma rede densa e meandrante (Figura 7b), exibindo curvas com maior
raio e em menor número. Já na porção Inferior, ao norte da bacia, as baixas declividades e solos
permeáveis garantem um sistema de drenagem mais aberto e retilíneo (Figura 7c), o rio Ivaí
 30

ainda exibe características de canal meandrante, porém o padrão não é ativo, visto que o rio
corre sobre substrato rochoso e dispõe de margens estáveis (DESTEFANI, 2005).

Figura 7 – Ilustração da rede de drenagem do rio Ivaí. a) Trecho superior, alta sinuosidade com curvas
menos extensas e separadas por curtos trechos retilíneos; b) Trecho médio, rede densa e meandrante, e
c) Trecho inferior, sistema de drenagem aberto e retilíneo.

3.1.2 Uso e ocupação do solo

O início da ocupação da BHRI ocorreu de forma espontânea e desordenada no início do

século XX (STRAUCH e DUARTE, 1972). A posse sistemática da região sul ocorreu como
um plano geral de colonização implementado pelo poder público, resultando em várias colônias
de exploração da madeira (HESPANHOL et al., 1993). Já o povoamento ao norte/noroeste do
rio processou-se de forma rápida e efetiva (BERNARDES, 1950). Conforme a vegetação
primária era explorada, essas terras foram ocupadas pelas culturas comerciais, destacando-se o
café na região norte da bacia, que se sobressaiu como o principal produto de exportação do
Brasil até os anos 1960 (DESTEFANI, 2005).
A grande geada de 1975 erradicou as plantações de café e deu lugar às pastagens para
criação de gado bovino e por agricultura mecanizada (MEURER et al, 2010). As antigas
plantações de café absorviam grande número de pessoas para o trabalho nas lavouras, porém
com a transição de cultura, um grande contingente de agricultores foi obrigado a deixar o campo
e mudar-se para as cidades em busca de trabalho (BALDO, 2006).
Baldo (2006) destaca que a presença de solos para a agricultura, proximidade de
mercados e vias de comunicação contribuíram decisivamente para o maior adensamento da
população nas porções norte e nordeste da BHRI. Atualmente a bacia compreende 105
municípios paranaenses, onde destacam-se Maringá, Sarandi, Campo Mourão, Umuarama e
Paranavaí. Em 2004, a BHRI compreendia 1.229.767 habitantes, correspondentes a 12% da
 31

população total do Paraná (IBGE, 2004 apud SEMA, 2010a). Destas pessoas, 75% viviam na
área urbana e 25% na zona rural.
Atualmente, no Segmento Superior da bacia predominam as áreas de reflorestamento e
uso misto com agricultura; no Médio, grandes faixas de agricultura intensiva e, no Segmento
Inferior, ocorre a predominância de pastagens artificiais e campos naturais (SEMA, 2010b).
Neste mesmo segmento, o cultivo de cana de açúcar se desenvolve habilmente sob as
características predominantes da região (DOORENBOS e KASSAM, 2000).
Com o avanço socioeconômico, a vegetação natural que cobria a bacia do rio Ivaí foi
intensamente modificada ao longo dos anos (KUERTEN, 2006). Ainda são detectados
pequenos resquícios de vegetação original, protegidas por áreas ambientais, em uma paisagem
predominantemente agrícola. Ao todo, são sete áreas de preservação ao longo da bacia, sendo
a maior a Área de Proteção Ambiental da Serra da Esperança com aproximadamente 2.605 km²,
próxima a nascente (SEMA, 2009).

3.1.3 Aspectos hidrológicos

[Link]. Regime de vazões

Com relação ao regime de vazões, o rio Ivaí não apresenta um período sazonal definido.
Ondas de cheia e estiagem são indeterminadas e assim, o regime de vazões configura-se com
baixa periodicidade (DESTEFANI, 2005). Essa característica é atribuída à pequena capacidade
de armazenamento da bacia em relação ao comprimento do canal, que induz respostas imediatas
de vazão em relação à pluviosidade (SANTOS, 2015).
As séries de vazão do Ivaí, quando analisadas em hidrogramas, mostram picos
pontiagudos e próximos um dos outros. Hidrogramas com essas características referem-se à rios
com vertentes estruturadas com qualidade de rocha e solos impermeáveis (DESTEFANI, 2005).
Desta forma, fazem a precipitação escoar em quantidade e velocidade elevada formando picos
de vazão agudos e de subida rápida que vão até o canal do rio (VILLELA e MATTOS, 1975).
O principal fator que leva a evolução de cheias é o evento extremo de precipitação
(TUCCI, 1997). As cheias podem ser caracterizadas pelas formas que os registros de vazão se
distribuem pelas estações fluviométricas (TUCCI, 2014). No rio Ivaí, os picos se propagam de
montante para a jusante, de uma estação à outra, com aumento da vazão à medida que se
 32

aumenta a área de drenagem. Em geral, quando se trata de vazão média, o rio Ivaí apresenta um
regime hidrológico normal (DESTEFANI, 2005).

[Link]. Alterações da cobertura do solo

A BHRI drena as áreas que mais sofreram com o desmatamento no estado do Paraná. A
porção Média e Inferior são as mais desprovidas de vegetação florestal por apresentar
características físicas adequadas para a agricultura, principalmente do tipo mecanizada
(DESTEFANI, 2005). Essa mudança de cobertura da superfície veio acompanhada com a
transição de técnicas de trabalho, por meio da correção do solo e controle da erosão (MEURER
et al, 2010). A vegetação primária ao sul encontra-se mais preservada em razão da cultura do
café não ter se adaptado às regiões de frequentes geadas e interferência do relevo acentuado
(CARAMORI et al., 2001; DESTEFANI, 2005).
A retirada da vegetação original deixa o solo sem proteção acentuando o escoamento
pluvial, que favorece mudanças de vazão quanto à magnitude dos picos de descarga (TUCCI,
2014). Processos como este são acentuados com a introdução de monoculturas como soja e
milho, que anualmente expõe o solo durante a colheita; e no desenvolvimento, essas plantas
desempenham reduzida proteção ao solo por apresentarem menor porte e raiz superficial
(SASAL et al., 2010).

[Link]. Vazão de base

O rio Ivaí possui escoamento fluvial extremamente oscilatório com contribuição do

lençol freático. Esse comportamento é observado durante as vazões muito baixas em períodos
de estiagem. Da mesma forma, no Segmento Superior e Médio, as vertentes íngremes com
manto profundo e desprovidas de solo dificultam a existência de reservatórios que mantém o
fluxo de base elevado (DESTEFANI, 2005).
Os dados de vazão observada permitem concluir que o regime hidrológico do Ivaí é
controlado pelo escoamento superficial, e que o fluxo de base é incapaz de manter fluxos
próximos ao das vazões médias, porém garante a característica de rio perene (SEMA, 2010a).
 33

3.2 Descrição do modelo SWAT

O Soil and Water Assessment Tool (SWAT) (ARNOLD et al., 1999) é regido pelas
equações do balanço hídrico. A simulação da bacia hidrográfica pode ser dividida em duas
principais fases: a primeira corresponde às características do terreno, que controla a quantidade
de água e cargas de sedimento, nutriente e pesticida direcionadas ao canal principal de cada
sub-bacia; a segunda, referente à água ou fase de roteamento, em que o movimento da água,
sedimentos, etc. é considerado através da rede de canais da bacia até o exutório (NEITSCH et
al., 2011).
A diretiva principal por trás do modelo é o equilíbrio hídrico e, para isso, a simulação
deve estar de acordo com o que acontece com a bacia hidrográfica. Portanto, nas simulações do
SWAT, o ciclo hidrológico baseia-se na equação de equilíbrio hídrico descrita pela Equação 1:
t

SWt = SW0 + ∑(Rdia − Qsup − Eevap − Waera − Qret) (1)

i=1

em que SWt é a quantidade final de água no solo, SW0 é a umidade do solo inicial, t é o
tempo (em dias), Rdia é a quantidade de precipitação, Qsup é a quantidade de escoamento
superficial, Eevap é a quantidade de evapotranspiração, Waera é a quantidade de água que entra
na zona de aeração do perfil do solo, e Qret é a quantidade de retorno do fluxo – sendo todas
informações referentes ao dia i.
O sistema hidrológico das simulações do SWAT contempla quatro componentes
principais: reservatórios superficiais, reservatórios subsuperficiais, reservatórios subterrâneos
de aquíferos rasos e livres e os reservatórios subterrâneos de aquífero profundo. Em conjunto,
os reservatórios contribuem para o escoamento no canal que provém do fluxo lateral a partir do
perfil de solo e do fluxo de retorno do aquífero raso, configurando a vazão de base. O volume
de água que percola dos aquíferos superficiais através do perfil do solo, que representa a recarga
do aquífero raso, e a água que percola para o aquífero profundo não retornam para o sistema
(NEITSCH et al., 2011).
A evaporação é calculada considerando dois processos distintos: a evaporação dos
corpos d’água, solo e das superfícies vegetadas e o processo de transpiração das plantas. Os
procedimentos de separação das parcelas evaporativas são descritos no trabalho de Ritchie
(1972), que considera a evaporação da água no solo por estimativa exponencial da profundidade
 34

do solo e disponibilidade de água; e a transpiração das plantas é calculada a partir da

evapotranspiração potencial e índice de área foliar (IAF).
O SWAT oferece três opções para estimar a evapotranspiração potencial (Potential
Evapotranspiration – PET), sendo eles os métodos de Hargreaves (HARGREAVES et al.,
1985), Priestley-Taylor (PRIESTLEY;TAYLOR, 1972) e Penman-Monteith (MONTEITH,
1965); o usuário também pode inserir dados de PET. Normalmente a seleção do método é
fortemente influenciada pela disponibilidade de dados de entrada climáticos para a área de
estudo, porém diversos trabalhos indicam métodos que melhor atuam em regiões específicas
como, por exemplo, Hargreaves na Coréia do Sul quando os dados climáticos são insuficientes
(JUNG et al., 2016).
Na ocorrência de precipitação, uma parcela da água pode ser interceptada e aderida à
vegetação e se tornar disponível para a evaporação, a outra parcela pode cair diretamente na
superfície do solo ou fluir por terra como vazão. Dependendo da saturação de água no solo,
parte da água infiltrará através das camadas do perfil ou se movimentará na encosta através do
escoamento superficial. O escoamento superficial acontece quando o volume de água que
alcança o solo excede a taxa de infiltração ou sua capacidade de armazenamento. O volume de
escoamento superficial é calculado utilizando o método de Curva Número proposta pela Soil
Conservation Service (USDA; SCS, 1972), que utiliza dados de precipitação diária.
A infiltração da água é redistribuída por todas as camadas do perfil do solo. A técnica é
pela propagação do armazenamento para previsão do fluxo para cada camada de solo. Quando
a capacidade de retenção de água de uma camada é ultrapassada, a água percola para a camada
imediatamente abaixo. O processo é regido pela condutividade hidráulica saturada das camadas
do perfil (NEITSCH et al., 2011).
O escoamento subsuperficial ou fluxo lateral é a contribuição do fluxo de água originado
abaixo da superfície e acima da zona saturada. O SWAT utiliza o modelo de armazenamento
proposto por Sloan et al. (1983), baseado nas equações de continuidade de massa, que considera
o balanço hídrico utilizando todo o segmento da encosta como volume de controle em um fluxo
bidimensional.
Para as taxas máximas de escoamento superficial, o modelo baseia–se pelo Método
Racional Modificado fundamentado na suposição de que se uma chuva de intensidade i se inicia
instantaneamente e continua indefinidamente, a taxa de escoamento vai aumentar até que se
atinja o tempo de concentração da bacia – quando toda a área contribui para o fluxo de saída.
O tempo de concentração da sub-bacia é calculado pela fórmula de Manning, tanto para o fluxo
terrestre ou do canal.
 35

Por fim, uma vez que o SWAT determina a água acumulada para o canal principal,
proveniente de cada sub-bacia, os volumes são propagados através da rede de drenagem da
bacia hidrográfica até o seu exutório. Processos esses que podem ser baseados em duas
estruturas de comando disponíveis, ambas derivadas do Modelo de Onda Cinemática (CHOW,
et al., 1988): Método da Média Variável (WILLIAMS, 1969) e o Método de Muskingum
(OVERTON, 1966).
Para configuração do modelo, utilizou-se o software ArcGIS 10.4 com a extensão
ArcSWAT, plugin do ArcGIS para executar o SWAT. A configuração do projeto requer mapas
de solo, cobertura de terra e perfil topográfico, assim como, dados climáticos, gestão de recursos
hídricos1; além de dados de vazão para as simulações.

3.3 Dados de entrada

3.3.1 Dados topográficos

As informações de topografia são empregadas na delimitação da área de drenagem e na

divisão das sub-bacias. O procedimento é automático e baseado nos dados do Modelo Digital
de Elevação (MDE) para definição da orientação dos fluxos de água na superfície (WINCHELL
et al., 2013). Para a BHRI, o MDE adotado foi o produzido pela Missão Topográfica Radar
Shuttle – SRTM (do inglês Shuttle Radar Topographic Mission, FARR et al., 2007), que oferece
cartas topográficas terrestres digitais entre 56°S e 60°N. O espaçamento da grade horizontal é
de aproximadamente 90 metros e os dados são disponibilizados gratuitamente no sítio
eletrônico da National Geospatial Intelligence Agency – NASA. A Figura 8 mostra o MDE
correspondente à BHRI.

1
Do inglês General Management Variables – GMV, que envolve práticas de operação em gestão da terra e da
água no sistema, como plantação, colheita, aplicação de irrigação, pesticida e nutrientes.
 36

Figura 8 – Mapa do modelo digital de elevação da bacia hidrográfica do rio Ivaí com resolução de 90
metros da SRTM.

A partir de cada pixel do MDE são criadas as direções do fluxo da água e a malha de
acumulação. O modelo ajusta um limite para delimitar a área de drenagem, assim como a
inserção de pontos de interesse, em qualquer trecho da rede hidrográfica, para monitoramento
das informações simuladas.
No processo de divisão das sub-bacias a partir do MDE, o limite estabelecido foi 900
km² para que a nascente do rio Ivaí, criada pela malha de acumulação no modelo, coincidisse
com as imagens de satélite. O SWAT adiciona automaticamente os pontos de confluência da
rede hidrográfica (pontos em verde na Figura 9), que passam a representar os exutórios
referentes a cada sub-bacia gerada. Foram criadas 19 sub-bacias e, com a adição de cinco pontos
de monitoramento de vazão (pontos em vermelho e detalhados na Tabela 1), novas áreas foram
criadas, que totalizaram 24 sub-bacias com áreas de 24,08 a 4.416,82 km², distribuídas por 502
HRUs. O detalhamento das sub-bacias encontra-se na Tabela 1.
 37

Figura 9 – Esquema das sub-bacias delimitadas pelo SWAT. Pontos em vermelho representam os
pontos de monitoramento de vazão (cinco estações fluviométricas) e em verde os pontos de
confluência da rede hidrográfica.

Tabela 1 – Sub-bacias do rio Ivaí delimitadas no ArcSWAT. Detalhamento com nome do rio referente
à área de drenagem da bacia, altitude média, máxima e mínima e número de HRUs que compõem a
sub-bacia.

Sub- Altitude
Afluentes Área (km²) HRU
bacia Média Mínima Máxima
1 Rio Ivaí 24,08 283,43 232 380 25
2 Rio Bonito 1.228,31 344,46 232 524 21
3 Rio Tapiracuí 932,78 393,70 235 540 18
Ribeirão Tamanduá e Córrego
4 2.188,17 320,31 187 497 22
do 215
Ribeirão Paixão e Ribeirão
5 2.597,81 371,80 230 546 25
Paranavaí
6 Ribeirão Inhuma 598,27 404,73 239 586 24
7 Rio dos Índios 906,13 448,67 253 624 27
8 Ribeirão das Antas 1.217,29 361,98 230 517 22
Ribeirão Paranhos, Rio Ligeiro
9 4.416,82 433,86 236 681 18
e Rio Claro
Ribeirão Keller, Rio Arurão e
10 1.400,62 429,57 268 808 19
Ribeirão Barbacena
11 Rio Ivaí 2,48 326,28 279 377 11
Ribeirão Cambará e Rio da
12 1.042,88 508,95 273 881 22
Bulha
13 Rio Bom 1.631,44 621,94 324 1.192 19
14 Rio Mourão 1.648,85 582,70 284 853 10
 38

Sub- Altitude
Afluentes Área (km²) HRU
bacia Média Mínima Máxima
15 Rio Ivaí 436,85 484,54 323 723 32
16 Rio Ivaí 111,65 528,92 357 687 31
17 Rio Alonzo ou do Peixe 2.823,10 667,25 373 1.278 38
18 Rio Curumbataí 3.615,99 600,71 292 1.158 31
Rio do Peixe, Rio Branco, Rio
19 2.991,96 680,58 366 1.109 43
Maria Flora e Rio Borboleta
20 Rio Pitanga 912,65 899,13 453 1.252 35
21 Rio Bonito 618,20 849,61 450 1.205 45
22 Rio Marrecas 1.294,49 959,80 466 1.335 45
23 Ribeirão dos Índios 767,30 715,40 469 1.145 24
24 Rio dos Patos e São João 3.181,46 801,90 480 1.331 46

3.3.2 Dados pedológicos

O modelo requer informações detalhadas das características físico-hídricas para os

equacionamentos dos processos que governam o movimento da água e do ar no perfil do
terreno. Porém, o banco de dados do SWAT nem sempre é compatível com os tipos de solo da
área de estudo. Para a incorporação das classes de solo no banco de dados do modelo são
exigidas informações físico-químicas que compreendem mais de 12 parâmetros descritivos de
cada camada do perfil do solo, detalhados nos Anexos, Tabela A1.
Os dados de entrada que descrevem a pedologia devem ser inseridos de duas formas:
 Dados espaciais: representam a distribuição das unidades pedológicas. O detalhamento
para a BHRI foi obtido no sítio do Instituto de Terras, Cartografia e Geociências – ITCG
(2008b), a escala é de 1: 50.000 e foram adaptados da EMBRAPA/EMATER (1999) –
as principais classes de solo são ilustradas na Figura 4.
 Dados tabulares: com característica quantitativa físico-hídricas dos tipos de solo (grupo
hidrológico, profundidade do solo, textura e matéria orgânica). O detalhamento dos
parâmetros das classes mais representativas de solo na BHRI foi obtido no trabalho de
Faucounnier (2017), descritos nos Anexos, Tabela A2. O autor, a partir das pesquisas
de campo de Streck et al. (2002), agrupou as informações da EMBRAPA (2006) e
CPRM (2010) para criação de um banco de dados pedológico para aplicações em
simulação do SWAT. O estudo foi desenvolvido para o estado do Rio Grande do Sul,
 39

porém parte dos dados foi replicado de investigações em solos paranaenses (MERCURI
et al., 2009).

3.3.3 Dados de cobertura vegetal e uso da terra

Da mesma forma que os dados de solo, as informações de uso da terra também podem
ser inseridas por meio de dados espaciais e tabulares. Estas informações participam da
fundamentação do escoamento e infiltração da água no solo, além do equacionamento da
fisiologia vegetal, crescimento das culturas e à ciclagem de nutrientes (NEITSCH et al., 2011).
Para os dados espaciais foram utilizados os produtos de cobertura do solo do MODIS
(Moderate Resolution Imaging Spectroradiometer), que são fornecidos pelo sítio eletrônico da
NASA, no NASA’s Land Processes Distributed Active Archive Center – LP DAAC. A
resolução espacial é de 500 metros (sigla MCD12Q1), com o esquema primário de cobertura
do solo que identifica 17 classes definidas pelo IGBP (International Geosphere-Biosphere
Programme), incluindo 11 classes de vegetação natural, três classes com alterações humanas e
três de áreas não vegetadas (FRIEDL et al., 2010). Dentro dos limites da BHRI, foram
identificadas 10 classes de cobertura do solo (Figura 10).

Figura 10 – Mapa da cobertura do solo adquiridos pelos produtos MODIS. São identificadas 10
classes de cobertura na BHRI.

O SWAT possui 127 categorias de usos da terra que descrevem diversos tipos de cultura
agrícola, feições naturais e coberturas específicas; além de mais 9 categorias distintas de
urbanização diferenciadas pela densidade das edificações (ARROIO Jr, 2016). Dessa forma,
para cada classe identificada no produto MODIS da BHRI, um tipo de classe de uso da terra do
 40

SWAT foi associado. A Tabela 2 relaciona as categorias da classificação MODIS com os

códigos correspondentes no SWAT para a RHRI.

Tabela 2 – Relação de categorias da classificação MODIS com os códigos correspondentes às classes

do SWAT para a BHRI.

Código
Classe SWAT – descrição Descrição
MODIS
00 WATR – Water Água
02 FRSE – Forest Evergreen Floresta Perene Agulhada
04 FRSD – Forest Deciduous Floresta Decídua Latifoliada
05 FRST – Forest Mixed Floresta Mista
06 RNGB – Range-Brush Vegetação Arbustiva Densa
09 RNGE – Range-Grasses Savana Esparsa
10 PAST – Pasture Pastagem
11 WETL – Wetland Área Permanentemente Alagada
12 AGRL – Agriculture Agricultura
13 URML – Residential Med/Low Density Área Urbana

3.3.4 Declividade

A declividade no SWAT auxilia na caracterização da área de estudo, além de ser uma

informação importante para diversos processos da bacia hidrográfica, que são fortemente
dependentes da inclinação do terreno. A representação apropriada do relevo complementa a
variabilidade das classes de solo e cobertura superficial necessárias nas simulações.
O SWAT exige a classificação do declive, podendo ser segmentado em até cinco classes.
A estratificação do relevo da BHRI foi baseada na classificação da EMBRAPA (1999) que
qualifica as condições de declividade, comprimento de encostas e configuração superficial dos
terrenos (Figura 11). Essa classificação tem como objetivo promover a informação sobre a
praticabilidade de emprego de equipamentos agrícolas e facilitar inferências sobre
susceptibilidade dos solos à erosão. As classes de relevo reconhecidas para a bacia são:
 Plano: superfície com desnivelamento pequeno, com declividades variável de 0 a 3%;
 Suave ondulado: superfície pouco movimentada, constituída por conjunto de colinas
apresentando declives suaves, predominantemente variáveis de 3 a 8%;
 Ondulado: superfície de topografia pouco movimentada, constituídas por conjunto de
colinas representando declives moderados, predominantemente variáveis de 8 a 20%;
 41

 Forte ondulado: superfície de topografia movimentada formada por morros e raramente

colinas com declives fortes predominantemente variáveis de 20 a 45%.
 Montanhoso e escarpado: Superfície de topografia vigorosa com predomínio de formas
acidentadas. Desnivelamentos relativamente grandes e declives fortes e muito fortes,
predominantemente variáveis de 45 a 75%. As áreas que superam os 75% são
classificadas como área de predomínio de formas abruptas apresentando superfícies
muito íngremes e escarpamentos.

Figura 11 – Mapa da declividade da BHRI calculado a partir de dados SRTM.

3.3.5 Definição das Unidades de Resposta Hidrológica – HRUs

As simulações são construídas pelo delineamento da bacia hidrográfica em múltiplas

sub-bacias que ainda são divididas em unidades de resposta hidrológica – conhecida como HRU
(Hydrological Response Unit). O uso das pequenas divisões é particularmente benéfico quando
pequenas áreas da bacia são dominadas por características físicas diferentes o suficiente para
impactar as propriedades hídricas. Ou seja, as HRUs são terrenos agrupados pela combinação
única de cobertura de terra, solo e declividade, ilustrada na Figura 12. O escoamento é calculado
separadamente para cada HRU e conduzido para obter a vazão total da bacia hidrográfica,
aumentando a precisão da modelagem e melhor descrição física do balanço hídrico
(WINCHELL et al., 2013).
 42

Figura 12 – Esquema da formação de HRUs. A partir da combinação única de cobertura superficial,

tipo de solo e declividade do terreno.

Fonte: Pai et al., 2012.

Durante a definição da HRU, o modelo permite a especificação de critérios mínimos

para agregação das áreas de influência de cobertura do solo, tipos de solo e declividade do
terreno. A adoção dos limiares garante a redução da complexidade do modelo frente a
capacidade computacional para o processamento das simulações.
Cada critério de especificação pode variar entre zero e 100% e, para a maioria das
aplicações, a configuração padrão para o limite de cobertura do solo é de 20%, 10% para tipos
de solo, e 20% para a declividade (WINCHELL et al., 2013). As áreas minoritárias são
eliminadas para cada sub-bacias e o remanescente é rearranjado de modo a garantir que a sub-
bacia seja 100% modelada. Ou seja, a definição do limiar garante a porcentagem da camada
mínima que deve cobrir a sub-bacia para ser incluída como parte de uma HRU. Porém, Strauch
et al., (2015), partem da hipótese que a redução do número de HRUs pode distorcer
significativamente os dados de entrada do modelo, criar maiores erros e, que a combinação de
diferentes limites pode levar ao mesmo número de HRUs porém com erro agregado distinto.
Para investigar a melhor combinação de limiares entre as camadas de associação das
HRUs, a rotina do software R – topHRU2 (STRAUCH et al., 2016) calcula o erro relativo médio
de agregação (Relative Error of Aggregation – aREA) e compara com a distribuição das HRUS
criadas a partir das combinações possíveis de limiares, dentro de um intervalo pré-estabelecido.
Os valores de aREA podem ser entre 0 e 1; e quando multiplicado por 100, representam a
porcentagem média de área modificada sobre a totalidade da bacia frente a simplificação das
áreas de cobertura do solo, tipos de solo e declividade do terreno. Quanto menor a porcentagem,
menor são as distorções de representatividade.
Quando aplicado na BHRI, o topHRU criou as HRUs possíveis e seus respectivos
valores de erro relativo (aREA) a partir das combinações de porcentagem limite de contribuição

2
[Link]
 43

entre as camadas (cobertura do solo, tipo de solo e declividade do terreno). Para cada número
de HRU, a rotina calculou o menor valor de aREA, destacado em vermelho na Figura 13.
Valores distantes da linha vermelha do gráfico não refletem a melhor combinação de limiares,
visto que para um mesmo número de HRU, o erro atribuído é superior.
Quanto maior o número de HRUs maior é o processamento computacional necessário
para sustentar as simulações. Baseado nos resultados do topHRU, a BHRI foi segmentada a
partir dos limiares propostos de 5% para a cobertura do solo, 5% para o tipo de solo e 5% para
a declividade, totalizando 502 HRUS, com um valor de aREA de 0,0341; ou seja, 3,41% de
área da bacia modificada. A combinação 5/5/5% está em destaque na intersecção entre as linhas
pontilhadas do gráfico. O número de HRUs criado para cada sub-bacia foi detalhado na Tabela
1.

Figura 13 – Gráfico gerado pela rotina do software R proposta por Strauch et al. (2016). Número de
HRUs e valores de aREA (Relative Error of Aggregation).

3.3.6 Informações climáticas

O clima da bacia proporciona as entradas de energia e umidade que controlam o balanço

hídrico e determinam a importância relativa dos diferentes componentes do ciclo hidrológico
(NEITSCH, 2011). As variáveis climáticas inseridas no SWAT consistem em precipitação
diária (mm), temperatura máxima e mínima (°C), radiação solar (MJ/m².dia), velocidade do
 44

vento (m/s) e umidade relativa (%). Estas podem ser incorporadas a partir de registos
observados e produtos de reanálise ou gerados durante as simulações do modelo.
Nos próximos tópicos serão apresentados os mecanismos para caracterização climática
da BHRI para as simulações do SWAT. Os dados de umidade relativa do ar, radiação solar,
temperatura e velocidade do vento foram obtidos a partir do produto de reanálise global. Os
dados de precipitação são oriundos da interpolação de estações convencionais de
monitoramento. E, para preenchimento de eventuais falhas nas séries de dados, foi feito o
complemento com o gerador climático derivado do mesmo produto de reanálise global.

[Link] Dados climáticos

Para contornar os problemas inerentes aos dados climáticos da BHRI, como baixa
resolução espacial e temporal, presença de falhas ou erros aleatórios, foram adotados os dados
do produto de reanálise do CFSR, do inglês Climate Forecast System Reanalysis (SAHA et al.,
2010). A aplicação do CFSR no SWAT garante a continuidade das séries de dados pelo
preenchimento das cinco variáveis climáticas admissíveis pelo modelo.
Os produtos de reanálise do CFSR consistem em previsões horárias geradas pelo
National Weather Services NCEP Global Forecast System, que se apoiam nas redes de estações
meteorológicas no mundo todo e produtos de satélite. O espaçamento de grade horizontal é de
38 km com área de cobertura global; o sistema de gelo superficial e marinho é acoplado ao
sistema atmosfera-oceano-terra para promover melhores estimativas para o período de 1979 até
a presente data (SAHA et al., 2016).
Os dados do CFSR podem ser obtidos através da seção de suporte do laboratório
Computacional and Information Systems da NCAR (National Center for Atmospheric
Research). Porém, as informações são disponibilizadas prontamente no formato dos arquivos
de assimilação do SWAT através do sítio dos desenvolvedores do modelo3
(GLOBALWEATHER, 2017). Nesse sítio, as informações climáticas do CFSR são ofertadas
para o período de 36 anos (1979 a 2014). Para a BHRI, foram empregadas as variáveis
climáticas: umidade relativa do ar, temperatura máxima e mínima, velocidade do vento e
radiação solar entre os anos de 1991 a 2007, totalizando 18 pontos do grid do CFSR para cada
variável.

3
[Link]
 45

[Link] Weather Generator

Apesar do SWAT incluir o seu próprio banco de dados para o gerador climático, o
WXGEN (SHARPLEY e WILLIAMS, 1990) foi desenvolvido apenas para o território dos
Estados Unidos. Além do WXGEN, há inúmeros geradores climáticos disponíveis que se
diferenciam em procedimentos, embora apresentam uma característica em comum: requerem
valores de leituras diárias para calcular as estatísticas mensais que são usadas para gerar os
dados diários faltantes.
O gerador climático, seja para pequenas áreas ou áreas extensas, elabora um conjunto
de dados para cada sub-bacia de forma independente, descritos como segue:
 Gerador de precipitação: aplica o modelo de Cadeia de Markov (CARVALHO et al.,
2017) para definir um dia chuvoso ou não a partir da comparação de um número
randomizado (entre 0 e 1) baseado em probabilidades de meses secos e úmidos
identificados nos dados de entrada do SWAT. O SWAT emprega o modelo de criação
de precipitação diária a partir da metodologia proposta por Nicks (1974).
 Gerador de temperatura do ar e radiação solar: os dados são criados a partir da
distribuição normal. Uma equação de continuidade também é aplicada para considerar
as variações de dias chuvosos ou secos. Temperatura máxima do ar e radiação solar são
ajustadas a partir da curva normal com tendência decrescente para dias úmidos e;
tendência crescente para as condições secas. Os ajustes são criados para garantir que os
dados gerados de longo prazo concordem com as médias de entrada.
 Gerador da velocidade do vento: uma equação exponencial modificada do perfil vertical
é usada para gerar médias diárias de velocidade do vento a partir da média mensal dada.
O SWAT assume que as informações são registradas a 1,7 metros acima do solo
(NEITSCH et al., 2011).
 Gerador da umidade relativa: o modelo usa a distribuição triangular para simular a
média diária de umidade relativa a partir de dados mensais. Com a temperatura e
radiação, a umidade relativa é ajustada para considerar os efeitos dos dias secos e
úmidos.
Para incluir novas zonas climática compatíveis com a área do projeto, o ArcSWAT
aceita a importação de estações para o banco de dados do usuário – Weather Generator
(WGEN). Para o projeto da BHRI foram inseridas informações dos produtos de reanálise do
NCEP-CFSR (National Centers for Environmental Predictions – Climate Forecast System
 46

Reanalysis). As médias mensais dos dados para o período de 32 anos foram calculadas com
base em Schuol e Abbaspour (2007) e inseridos diretamente no banco de dados.
O emprego do WGEN qualifica-se para a descrição climática e muitas das aplicações
do SWAT que se apoiam na caracterização exclusiva da climatologia por meio do WGEN,
regiões sem rede de detecção climática ou com poucos registros disponíveis (SCHUOL e
ABBASPOUR, 2008; KUO et al., 2007). Entretanto, para a BHRI, o WGEN foi solicitado
apenas nas situações de preenchimentos de dados faltantes para a continuidade das séries de
dados.

[Link] Precipitação

A estimativa da variabilidade espacial das precipitações é crucial para modelagem

hidrológica distribuída (ZHANG e SRINIVASAN, 2009). Entre os métodos mais populares
para estimar a precipitação incluem o Vizinho Mais Próximo (VMP) e o Inverso da Distância
Ponderada (IDW – do inglês Inverse Distance Weighting) (ZHANG e SRINIVASAN, 2009).
O SWAT usa o método do VMP (ARNOLD et al., 1999), e a estrutura admite apenas uma
entrada de precipitação por sub-bacia delineada (NEITSCH et al., 2002). Ou seja, no caso de
múltiplas estações existentes dentro da sub-bacia, o modelo seleciona a estação mais próxima
ao centroide e utiliza-se apenas dela (CHO et al., 2009).
Para caracterização da precipitação superficial da BHRI, foram utilizadas informações
da rede de monitoramento das estações pluviométricas da Agência Nacional das Águas – ANA
e cumpridas as seguintes etapas:

a) Aquisição das informações

Os registros de precipitação acumulada diária foram obtidos através do portal do
Sistema de Informações Hidrológicas – HIDROWEB4. As informações são coordenadas e
integradas pela ANA e fornecidas no formato ASCII – Hidroweb 3.0.

b) Tratamento dos dados

A partir do inventário da rede hidrométrica nacional (publicado em 15/09/2017), foram
selecionadas as estações pluviométricas dentro do limite da BHRI e fora do limite em uma

4
[Link]
 47

distância de 50 km (buffer), totalizando 419 estações disponíveis. Em um tratamento inicial,

por estação, foram eliminados os registros diários que estavam em duplicata, priorizando as
informações com o mesmo nível de consistência (tratado pela ANA), visando manter apenas
uma leitura por dia. Tendo em vista a eliminação de outras irregularidades, foram excluídos os
registros de precipitação com valores negativos e os que superam o recorde nacional de
precipitação (622,5 mm acumulados em 24 horas na região litorânea do estado de São Paulo,
em Itapanhaú, município de Bertioga no dia 20/7/1947), visto que valores exorbitantes de
precipitação são comuns aos dados pluviométricos das estações.
Na sequência, foi investigada a disponibilidade de registros diários visando a criação de
séries de dados representativa ao período da simulação hidrológica. Para cada ano investigado,
90% das leituras diárias deveriam estar disponíveis, ou seja, pelo menos 329 leituras diárias
para retratar um ano útil. O período útil da cada estação foi definido a partir do maior
agrupamento de anos úteis criando uma série ininterrupta. Para uma estação se configurar como
adequada ao estudo, o período útil deveria corresponder ao mesmo período da simulação.

c) Interpolação das leituras de precipitação

Os registros de precipitação de todas estações adequadas ao estudo foram interpolados
para obter uma série de dados de precipitação por sub-bacia. A interpolação foi realizada com
o método do Inverso da Distância Ponderada – IDW (BURROUGH et al., 1998). O IDW foi
escolhido em função da robustez e simplicidade da interpolação, uma vez que é um método
simples que não depende de suposições estatísticas particulares (TUO et al., 2016). Como
também, o IDW é amplamente empregado em estudos de comparação que investigam os efeitos
de diferentes entradas de precipitação em saídas hidrológicas (ZHANG e SRINIVASAN, 2009;
CHU et al., 2012; SHEN et al., 2012; WAGNER et al., 2012).
O IDW implementa a suposição que as observações mais próximas umas das outras são
mais parecidas que as mais distantes. Com o equacionamento do IDW (Equação 2), as estações
são ponderadas durante as interpolações de modo que a influência de um ponto de dados
relativo ao outro declina com a distância do ponto de interpolação.

𝑍(𝑋0) = ∑ 𝜆𝑖 𝑍(𝑋𝑖) (2)

𝑖=1

|𝑑𝑜𝑖 |−𝑑
𝜆𝑖 = 𝑛 ,𝑑>0 (3)
∑ 𝑖−1
|𝑑 |−𝑑
𝑜𝑖
 48

Onde, z(x0) representa os dados de precipitação do ponto desconhecido, z(xi) é o dado

de precipitação da estação i; e λi é o peso definido pela Equação 3; d0i é a distância entre o ponto
desconhecido e a estação i. O parâmetro d de acordo com a recomendação de Zhang e
Srinivasan (2009) e Ly et al. (2011), recebe o valor 2.
Toda organização dos dados foi gerada no software R. A interpolação foi executada com
a função IDW, que interpola listas com amostras de localização e valores para tabelas de
coordenadas geográficas, que representam uma grade espacializada (FORTIN e DALE, 2006).
Ou seja, a partir da função IDW aplicada nas estações disponíveis da BHRI, foram criadas
grades de precipitação superficial para cada dia do período investigado, Figura 14a.
Como o objetivo foi obter a melhor representação da precipitação superficial –
contornando a limitação do modelo em considerar apenas um ponto de leitura por sub-bacia; a
grade do produto de interpolação foi recortada dentro do limite interno de cada sub-bacia
(Figura 14b), e calculado a média dos valores extraídos de cada pixel (Figura 14c). A média
foi atribuída ao centroide respectivo à sua sub-bacia; e dessa forma, mantendo a ordem
cronológica das interpolações, foram criadas estações sintéticas localizadas exatamente no
centroide da mesma. A Figura 14 resume a metodologia de representação da precipitação para
uma das sub-bacias do rio Ivaí.

Figura 14 – a) Ilustração da grade de interpolação das estações disponíveis para a BHRI; b) Destaque
para a grade exclusiva de uma sub–bacia e seu centróide e c) Detalhe dos pixels da grade de
interpolação pelo método IDW.
 49

3.4 Modificações de entrada do modelo

As modificações de aprimoramento do modelo ajudam a caracterizar a bacia em níveis

mais detalhados, incluindo particularidades inerentes à área de estudo. A inclusão dessas
informações minimiza as distorções hidrológicas potenciais e evita a necessidade de alterações
excessivas nos parâmetros explicativos do modelo (ARROIO JR, 2016).
Como as práticas de gestão da água afetam o equilíbrio hidrológico, é fundamental que
o modelo seja capaz de acomodar uma variedade de práticas de gestão, sendo elas: irrigação,
transferência de água, usos consuntivos e cargas de fontes pontuais. Entre as aplicações de
gestão da água mais importantes estão as atividades de irrigação em áreas agrícolas e
abastecimento de centros urbanos (NEITSCH, 2011).

3.4.1 Operações de uso da água

Como a BHRI tem como característica o consumo de água subterrânea para

abastecimento urbano, foram inseridas tais informações para auxiliar o modelo na investigação
dos processos internos da bacia. Os poços outorgados foram identificados a partir do estudo
para Elaboração do Plano Estadual de Recursos Hídricos (SEMA, 2010c). Nele, são
identificados os poços outorgados por aquífero, assim como o volume retirado anualmente.
Com essas informações, foi possível separar a extração de água subterrânea com
detalhamento por sub-bacia, exatamente como deve ser inserido no modelo. Quando na
presença de mais de um aquífero na sub-bacia, os volumes de água foram somados, de modo a
considerar a totalidade de água subterrânea retirada. Os valores inseridos no modelo estão
detalhados na Tabela A3 dos Anexos.

3.4.2 Irrigação

A inclusão de práticas de irrigação no SWAT modifica as rotinas de cálculo do déficit

de água no solo. Dessa forma, o modelo aplica um fator de eficiência de irrigação para
contabilizar as perdas da fonte de irrigação para o solo, de transporte e por evaporação. Além
disso, é possível estimar a contribuição da água excedente da irrigação ao escoamento
superficial; melhorando as estimativas do perfil de água no solo (NIETSCH et al., 2012).
 50

Para quantificação da água aplicada às práticas agrícolas da BHRI, foram utilizadas

informações do estudo para Elaboração do Plano Estadual de Recursos Hídricos (SEMA,
2010d), que divulga as demandas e disponibilidade hídricas superficiais dos municípios da
BHRI. Os dados são disponibilizados por áreas estratégicas, em destaque na Figura 15, e dessa
forma, mesmo que o munícipio esteja sobre duas sub-bacias, foi possível separar
minunciosamente a contribuição da irrigação. Informações detalhas inseridas no modelo estão
na Tabela A4 em Anexos.

Figura 15 – Mapa dos limites das áreas estratégicas da BHRI identificadas pela SEMA (2010c) e os
limites dos municípios.

Como as informações são tratadas a nível de HRU, o volume de água na irrigação é

aplicado quando a cobertura do solo for agricultura (denominada AGRL), a declividade 0 a 3%
(EMBRAPA, 1999), independentemente do tipo de solo. Isto é válido, uma vez que que a
prática de irrigação na região é majoritariamente do tipo aspersão, limitada a terrenos com
pouca declividade (SEAB/DERAL, 2012 apud EMATER, 2018).

3.4.3 Rotação de culturas agrícolas

As práticas de gestão de culturas agrícolas podem ser definidas pelo usuário, e quando
inseridas, ajudam o modelo a aprimorar a simulação hidrológica, em especial com os processos
associados à evapotranspiração. A rotação de culturas é o crescimento de diferentes lavouras
em sucessão em um mesmo terreno. No SWAT, se refere às mudanças das práticas de gestão
 51

de um ano para o outro. Não há limites de números de anos para criação de um ciclo, porém
apenas uma cultura pode crescer por vez.
As operações que controlam o ciclo das plantas, foram adicionadas por meio de
cronogramas na opção de calendário juliano. Dentre as informações necessárias, incluem o
tempo de operação (mês e dia), número de unidades de aquecimento necessárias à maturidade
da planta e a especificação da cobertura do solo para a simulação dentro da HRU. Os processos
da rotação de culturas da BHRI foram resumidos em duas operações pré-definidas do modelo:
 Plantação/Começo da temporada de crescimento: operação que inicia o crescimento da
planta. Essa operação pode ser utilizada para designar o tempo de plantação de culturas
agrícolas ou a iniciação de plantas que requer vários anos para atingir a maturidade.
 Colheita e operação de morte: essa operação cessa o desenvolvimento da planta na
HRU. A fração remanescente da biomassa da planta é convertida em resíduo sobre a
superfície do solo.
Para criação da rotação de culturas da BHRI foram investigados adaptações e
aprimoramentos de sistemas de rotação do estado do Paraná que consideravam as condições
regionalizadas a partir de características endoclimáticas. A partir do trabalho de Franchini
(2011), foram identificadas as principais culturas e etapas da rotação, de forma a contemplar a
variabilidade de toda a BHRI, o ciclo de rotação dura quatro anos e, a cada 6 meses, inicia-se
uma nova temporada de crescimento. A ordem alterna entre milho e soja, com exceção do
terceiro ano, onde o milho safrinha assume o segundo semestre. O detalhamento da rotina de
rotação está na Tabela A5 dos Anexos.
As informações também são tratadas a nível de HRU, portanto as operações de rotação
de culturas foram aplicadas à classe agricultura de toda bacia (denominada AGRL). Ou seja,
onde se tem superfície de agricultura na bacia, ocorre a operação de rotação e, se repete a cada
quatro anos.

3.5 Pontos de amostragem de vazão

Na BHRI são identificadas 82 estações fluviométricas no inventário da ANA. Dessas

estações, apenas 59 apresentam séries de dados disponíveis para acesso do usuário no sítio do
HIDROWEB. As estações são classificadas pelo nível de consistência, que são descritas nos
documentos de orientação da agência (ANA-SGH, 2012), e é a partir dessas orientações que os
 52

concessionários e autorizados de geração de energia podem escolher o melhor tratamento de

dados e aplicá-los aos registros brutos, antes de disponibilizá-los à ANA.
Para averiguar a qualidade das estações disponíveis, aplicou-se a mesma abordagem da
precipitação: ano útil caracterizado com 90% dos registros diários e anos úteis consecutivos
caracterizando o período ótimo. E assim, a classificação preliminar baseada no nível de
consistência e período disponível das estações foi:
 Registros brutos, totalizando 44 estações – dessas, 11 apresentam melhor período de
dados entre os anos de 1989 – 2010;
 Dados consistidos, totalizando 15 estações em que 8 apresentaram período ótimo entre
1977 e 2003.
Buscando conciliar a melhor representatividade das vazões por meio do posicionamento
das estações, foram eleitas apenas as estações alocadas na calha central do rio Ivaí. Estações
que exibiram comportamentos anormais, como por exemplo: registros exagerados (superando
em 19 vezes a média do período prevista para o local) e registros subestimados (hidrogramas
de vazão próximos a zero por intervalos de anos), foram eliminadas.
A partir deste tratamento, identificou-se o melhor período comum às estações que
satisfizeram a avaliação preliminar dos hidrogramas: entre 1991 e 2007, totalizando 17 anos.
Em segunda abordagem, foram eliminadas as estações próximas umas das outras, priorizando
a continuidade dos registros diários e a disposição do conjunto ao longo do curso do rio Ivaí.
Dessa forma, foram eleitas cinco estações fluviométricas para compor a amostragem de dados
das simulações do SWAT, ilustradas na Figura 16 e detalhadas na Tabela 3.

Tabela 3 – Estações fluviométricas no curso principal do rio Ivaí que serviram de pontos de
monitoramento de vazão e, consequentemente, exutórios de cinco sub-bacias da BHRI.

Coordenadas Geográficas Área de

Altitude
Código Estação Fluviométrica drenagem
Latitude Longitude (m)
(km²)
64625000 Tereza Cristina –24,8300 –51,1422 424 3.572
64655000 Ubá do Sul –24,0417 –51,6228 380 12.701
64660500 Vila Rica –23,9000 –51,9511 290 19.300
64685000 Porto Paraíso do Norte –23,3231 –52,6644 250 28.427
64693000 Novo Porto Taquara –23,1981 –53,3042 240 34.432
 53

A partir das estações eleitas, a BHRI foi particionada em Alto, Médio e Baixo Ivaí
seguindo a metodologia de segmentação do rio proposta por Destefani (2005), descrita na
subseção 4.1. As estações pluviométricas e suas respectivas áreas de drenagem serviram para
delimitar a segmentação. A área em vermelho da Figura 16 representa o Alto Ivaí, referente à
área de drenagem das estações Tereza Cristina e Ubá do Sul. O Médio Ivaí, em azul, é traçado
a partir da área de drenagem exclusiva às estações Vila Rica e Porto Paraíso do Norte; e em
verde, configura-se o Baixo Ivaí compreendendo a área de drenagem da estação Novo Porto
Taquara e a extensão até o exutório.

Figura 16 – Posicionamento das estações pluviométricas no curso principal do rio Ivaí e divisão da
bacia em três áreas: alto, médio e baixo Ivaí.

3.6 Calibração do modelo

O processo de calibração consiste no ajuste de parâmetros do modelo por meio de

leituras observadas disponíveis que melhoram a qualidade da simulação em capturar as
dinâmicas da bacia (MULETA e NICKLOW, 2005; GUPTA et al., 2014; ARNOLD et al.,
2015). Segundo Arnold et al. (1998), tal processo é realizado ao selecionar valores para os
parâmetros de entrada visando melhorar a parametrização da condições locais e redução das
incertezas.
Neste trabalho, aplicou-se a calibração e validação da BHRI com o software SWAT
Calibration and Uncertainty Procedures – SWAT-CUP (ABBASPOUR et al., 2007), em uma
abordagem semi-automática com o algoritmo de otimização SUFI-2 (Sequencial Uncertainty
Fitting Version 2), baseado no método do hipercubo latino para definição dos parâmetros de
 54

amostragem a partir de uma faixa de valores definida pelo usuário (ROUHOLANEJAD et al.,
2012). O fluxograma da Figura 17 mostra o processo adotado de calibração.

Figura 17 – Fluxograma da calibração adotado para a BHRI.

A função tomada como objetivo para determinação da qualidade das simulações

hidrológicas foi o coeficiente de eficiência de Nash-Sutcliffe (NS), considerado mais adequado
aos estudos hidrológicos (MORIASI et al., 2007). Para cada iteração e avaliação de desempenho
do modelo, foram usados múltiplos critérios estatísticos: cálculo da porcentagem do viés
(PBIAS), raiz do erro quadrático médio (RMSE), média do erro quadrático normalizado
(NMSE), coeficiente de determinação (R²) e coeficiente de determinação multiplicado pelo
coeficiente de regressão (bR²) (MORIASI et al., 2007; GUPTA et al., 1999; KRAUSE et al.,
2005).
 55

3.6.1 Período de simulação

As séries de dados de vazão das cinco estações eleitas do rio Ivaí dispõem de um período
de 17 anos de registros diários (1991 – 2007), período suficiente para a divisão entre as etapas
da simulação. Dessa forma, foi decidido empregar três anos de aquecimento (warm up) do
modelo (1991 – 1993), considerado tempo hábil para garantir a operação do ciclo hidrológico
(ARNOLD et al., 2012), e doze anos para a calibração (1994 – 2005) já que este período deve
incluir estações úmidas e secas da bacia. Para validação, foi estabelecido os últimos dois anos
da série, 2006 e 2007.

3.6.2 Seleção dos parâmetros

Como o SWAT é um modelo semi-distribuído e, por consequência, é composto por

inúmeros parâmetros, a seleção dos mais adequados na etapa de calibração é uma atividade
complexa. Diversos autores fundamentam a seleção dos parâmetros a partir da literatura
(MULETA e NICKLOW, 2005; WHITE e CHAUBEY, 2005; DOUGLAS-MANKIN et al.,
2010; SRINIVASAN et al., 2010; ARNOLD et al., 2012). Seguindo a mesma metodologia
proposta, para a BHRI, foram selecionados 15 parâmetros considerados apropriados para
melhorar a saídas do modelo. Os parâmetros são:

 ALPHA_BF: fator alfa da vazão de base (1/dias). Diretamente relacionado ao processo

de fluxo de base e cálculos para o aquífero raso. A constante de recessão da vazão de
base, αgw é um índice direto da resposta do fluxo de água subterrânea às mudanças de
recarga (SMEDEMA e RYCROFT, 1983). Os valores variam entre 0,1 –0,3 para solos
com respostas lentas até 0,9 – 1,0 para solos com respostas rápidas à recarga. As
melhores estimativas da constante são obtidas pela análise de dados de vazão medidos
durante os períodos sem recarga da bacia hidrográfica.
A constante de recessão foi calculada com base na metodologia proposta por Arnold e
Allen (1999) com auxílio do SWAT Bflow, software que estima o fluxo de base e recarga
subterrânea a partir de registros de vazão. Os resultados são apresentados em média
anual da razão entre o fluxo de base e o escoamento superficial para análise direta na
calibração do modelo.
Os fatores resultantes da separação dos escoamentos são referentes ao comportamento
anual das cinco estações fluviométricas de monitoramento eleitas, calculou-se a média
 56

para o período de calibração (1991 – 2005), resultando nas razões descritas na Tabela 4.
Sendo assim, os fatores foram utilizados como valores fixos para as sub-bacias
respectivas à sua área de drenagem durante a configuração do modelo. Porém, ainda são
objeto de incerteza e por esse motivo serão investigadas na análise de sensibilidade.

Tabela 4 – Valores de ALPHA_BF calculados a partir de dados observados de vazão no software

SWAT Bflow.
Estação Fluviométrica Sub-bacias ALPHA_BF
Tereza Cristina 24 0,09371
Ubá do Sul 16, 17, 19–23 0,06795
Vila Rica 11–13, 15, 18 0,06756
Porto Paraíso do Norte 6, 7, 9, 10, 14 0,05335
Novo Porto Taquara 1–5, 8 0,04360

 GW_DELAY: intervalo de tempo de atraso para recarga do aquífero (dias). A água que
move da menor profundidade do perfil do solo, por percolação ou fluxo de derivação, e
entra na zona vadosa antes de tornar-se recarga de aquífero raso. O atraso entre o
momento que a água sai do perfil do solo e entra no aquífero raso depende da
profundidade do lençol freático e das propriedades hidráulicas das formações
geológicas.
 GW_REVAP: coeficiente “revap” de água subterrânea. Refere-se à água que move do
aquífero raso em direção à zona não-saturada. Nos períodos quando o solo sobre o
aquífero está seco, a água na zona capilar (que separa as zonas saturada e não-saturada)
irá evaporar e difundir em direção as camadas superiores (ARNOLD et al., 2012).
Esse processo é significativo em bacias hidrográficas em que a zona saturada é
superficial e não muito longe da superfície de crescimento de plantas com raízes
profundas. E, por esse motivo que a cobertura de vegetação da superfície afeta a
influência do “revap” sobre o balanço hídrico.
Conforme GW_REVAP se aproxima de 0, o movimento da água do aquífero raso para
a zona de crescimento de raízes é limitado. Conforme o valor se aproxima de 1, a taxa
de transferência se aproxima à taxa da evapotranspiração potencial. O valor para o
GW_REVAP deve ficar ente 0,02 e 0,20.
 REVAPMN: profundidade limite da água do aquífero raso para que o “revap” ou
percolação do aquífero profundo aconteça. Ou seja, o movimento da água do aquífero
 57

raso para a zona não-saturada só é permitido se o volume de água do aquífero é igual ou

maior que o REVAPMN.
 RCHRG_DP: fração de percolação do aquífero profundo. O valor deve estar entre 0,0
e 1,0.
 GWQMN: profundidade limite requerida da água do aquífero profundo em produzir
fluxo de retorno. O fluxo de água subterrânea ao curso d’água é admitido apenas quando
a profundidade da água no aquífero raso é igual ou maior que o GWQMN.
 SURLAG: coeficiente de atraso de vazão superficial. Em grandes sub-bacias, quando o
tempo de concentração é maior que 1 dia, apenas uma porção da vazão superficial
atingirá o curso principal do rio no dia que é gerado. O SWAT incorpora uma
característica de armazenamento de vazão superficial para atrasar a liberação desta
vazão ao canal principal. O SURLAG controla a fração do montante se água permitida
a entrar no curso d’água em qualquer dia.
 ESCO: fator de compensação de evaporação do solo. Esse coeficiente foi incorporado
para permitir a modificação pelo usuário das profundidades de distribuição usadas para
encontrar a demanda evaporativa na ocorrência do efeito de capilaridade. O ESCO deve
ficar entre 0,01 e 1,0. Conforme o valor de ESCO reduz, o modelo é capaz de extrair
mais da demanda evaporativa de níveis mais baixos.
 EPCO: fator de compensação de absorção da planta. A quantidade de absorção de água
que ocorre em um determinado dia é uma função da quantidade de água necessária para
a transpiração e a quantidade de água disponível no solo. Se as camadas superiores do
perfil do solo não contêm água suficiente para atender o potencial de absorção da água,
os usuários podem permitir que as camadas mais baixas compensem.
O fator de compensação de absorção das plantas pode variar de 0,01 a 1,00. À medida
que o EPCO se aproxima de 1,0, o modelo permite maior demanda de absorção de água
das camadas inferiores. À medida que o EPCO se aproxima de 0,0, o modelo permite
menor variação da distribuição de profundidade original.
 CH_K2: condutividade hidráulica efetiva no aluvião do canal principal. Os fluxos
podem ser classificados quando a sua relação com o sistema de águas subterrâneas
(DINGMAN, 1994). Um fluxo localizado em uma área de descarga que recebe fluxo de
água subterrânea é um fluxo de ganhos ou afluentes, ilustrado na Figura 18a. Este tipo
de fluxo se caracteriza pelo aumento da vazão a jusante. Um fluxo localizado em uma
 58

área de recarga é uma transmissão perdedora ou influente, e é caracterizado pela

diminuição de descarga à jusante (Figura 18b).

Figura 18 – Caracterização dos fluxos quanto ao sistema de água subterrânea. a) efluente e, b)

influente.

Adaptado de Dingman, 1994.

 CH_N2: Valor “n” de Manning para o canal principal. O coeficiente de rugosidade de

Manning é um dos principais parâmetros de descrição da vazão sobre uma superfície (LI
e ZHANG, 2001), são as características da margem e do leito do rio que influenciam
diretamente nos valores do coeficiente. Chow (1959) apresenta uma extensa lista de
coeficientes de rugosidade de Manning que auxiliam na identificação do melhor
intervalo para a calibração.
 CN2: Número inicial da curva de escoamento SCS para a condição de umidade II. O
número da curva SCS é uma função de permeabilidade do solo, uso do solo e condições
antecedentes da água do perfil. Os números da curva típica para a condição de umidade
II são listados no SCS Engineering Division (CRONSHEY et al., 1986), para vários tipos
de solo e coberturas superficiais.
A equação SCS de vazão é um modelo empírico que envolve a relação entre chuva-
vazão para bacias hidrográficas rurais dos Estados Unidos (NEITSCH et al., 2011). O
SWAT foi desenvolvido para fornecer uma base consistente para estimativas da
quantidade de escoamento sob diferentes condições de cobertura da superfície e tipos de
solos (RALLISON e MILLER, 1982).
 CANMX: armazenamento máximo do dossel completamente desenvolvido. O dossel
vegetal pode afetar significativamente a infiltração, escoamento superficial e
evapotranspiração. À medida que a precipitação cai, a interceptação do dossel reduz a
energia das gotículas de água reduzindo a energia erosiva e, também, segura parte da
água dentro do dossel. A influência que o dossel exerce é fundamentada na densidade
da cobertura vegetal e morfologia das espécies vegetais. Quando a evaporação é
calculada, a água do dossel é a primeira a ser removida (NEITSCH et al., 2011).
 59

 OV_N: Valor “n” de Manning para vazão na superfície. A fundamentação do valor “n”
é a mesma do parâmetro CH_N2, porém aqui a rugosidade refere-se à superfície que
recebe água e contribui para o escoamento superficial pela área inclinada. Valores de
coeficiente de rugosidade de Manning para a vazão superficial podem ser encontrados
em Engman (1983). O tempo de concentração da sub-bacia é fortemente influenciada
pela fórmula de Manning, em ambas parcelas de canal (CH_N2) e de superfície (OV_N).
 SOL_AWC: capacidade de água disponível na camada do solo. A água disponível na
planta, também conhecida como capacidade de água disponível, é calculada subtraindo
a fração de água presente no ponto de murcha permanente (quando a planta não se
recupera) da capacidade de água disponível do terreno. A capacidade de água disponível
é estimada pela determinação da quantidade de água liberada entre a água in situ (o teor
de água do solo no potencial matricial do solo de -0,033 MPa) e o ponto de murcha
permanente da planta (o teor de água no solo no potencial matricial do solo de -1,5MPa).
Esse parâmetro auxilia na limitação da quantidade de água removida pela evaporação
do solo em condições secas e considera as interações planta-solo. Dessa forma, o SWAT
define o valor máximo de água que pode ser removido a qualquer momento, esse
máximo é 80% da água disponível na planta que cobre a superfície.

3.6.3 Parametrização e definição dos intervalos de parâmetros

Para reconhecer os erros e incertezas do modelo, os parâmetros devem ser avaliados por
intervalos, pois garantem a propagação das incertezas e, na modelagem, reportar as incertezas
é fundamental (ABBASPOUR et al., 2015). A definição dos intervalos também foi baseada na
literatura, porém de forma regionalizada. A otimização dos intervalos foi fundamentada em
aplicações do modelo SWAT em território brasileiro, especificamente em regiões que drenam
à bacia do rio Paraná. O objetivo foi capturar os intervalos de parâmetros com significado físico
para a região, visto que os intervalos de modificação do modelo são explicativos para bacias de
todo território mundial.
O SWAT-CUP admite a agregação de parâmetros com base em especificações de
grupos hidrológicos, tipos de solo e cobertura superficial e, são formuladas da seguinte forma:

x_<parname>.<ext>_<hydrogrp>_<soltex>_<landuse>_<subbsn>
Onde, x_ é o código que indica o tipo de mudança aplicada ao parâmetro. Se substituído
por v_¸o valor do parâmetro existente deve ser substituído pelo valor determinado, enquanto
 60

que a_ significa que um valor determinado é adicionado ao valor do parâmetro existente, e r_

indica que o valor do parâmetro existente é multiplicado por (1 + valor determinado). O
<parname> refere-se ao nome do parâmetro SWAT, <ext> é o código da extensão do arquivo
SWAT onde o parâmetro é vinculado; <hydrogrp> é o grupo hidrológico do solo (A, B, C ou
D); <soltex> é a textura do solo; <subbasin> é o número da sub-bacia. A combinação de
qualquer dos fatores acima garante a parametrização do sistema (ABBASPOUR et al., 2007).
A Tabela 5 resume os intervalos de modificação absolutos do modelo e os selecionados para a
BHRI (intervalo de modificação regionalizado), identificadores de parâmetros e os trabalhos
que serviram de apoio.
Os valores dentro dos parênteses são os admitidos da melhor simulação de seu
respectivo trabalho. Quando não divulgados, os valores finais da simulação, considerou-se
então o intervalo inicial dos parâmetros inseridos na calibração. Dessa forma, o intervalo de
modificação regionalizado para a calibração da BHRI integra todos os valores considerados
pelos autores.
Tabela 5 – Informações gerais sobre o procedimento de calibração das simulações: nome do
parâmetro, intervalo de modificação absolutos do modelo, tipo de mudança aplicada ao parâmetro,
intervalo de modificação regionalizado para áreas que drenam a bacia do rio Paraná baseado nos
trabalhos listados em Fonte – Valores calibrados em aplicações.

Intervalo de Intervalo de
Fonte – Valores calibrados em
Parâmetro modificação modificação
aplicações
absoluto regionalizado
[1];[2] (0,23 – 0,49); [3] (0,03 –
1 ALPHA_BF.gw 0–1 r ±20% 0,06);[4] (0,004 – 0,11); [5] (0,06);
[6] (0,004)
[2] (45 – 99); [3] (93,23 – 95); [4]
0 – 120
2 GW_DELAY.gw 0 – 500 v (1 – 79); [6] (10 – 120); [7] (10 –
120)
[2] (0,02 – 0,19); [3] (0,03 – 0,07);
3 GW_REVAP.gw 0,02 – 0,2 v 0,02 – 0,1 [4] (0,0392 – 0,0596); [5] (0,1634);
[6] (0,02 – 0,2);
[2] (56,25); [3] (3425 – 3500); [4]
4 [Link] 0 – 500 a –1000 – 1000
(–495 – 975)
[3] (0,03 – 0,1); [4] (0,1183 –
5 RCHRG_DP.gw 0–1 v 0–1
0,5916)
[2] (1,46 – 54,4); [3] (3000 –
6 [Link] 0 – 5000 a –1000 – 2000 3883,33); [4] (–837 – 377); [5]
(2290,54)
[2] (12,6 – 19,6); [3] (0,086); [5]
7 [Link] 0,05 – 24 v 0,05 – 24
(1,2502)
[2] (0,74 – 0,97); [3] (0,75); [5]
8 [Link] 0–1 v 0,65 – 0,85 (0,9449); [4] (0,0673 – 0,4406); [7]
(0,01 – 0,9)
9 [Link] 0–1 v 0–1 [7] (0,25 – 1,0)
10 CH_K2.rte –0,01 – 500 r ±40% [2] (4,84 – 84,7);
 61

Intervalo de Intervalo de
Fonte – Valores calibrados em
Parâmetro modificação modificação
aplicações
absoluto regionalizado
[2] (0,1 – 0,29); [5] (0,035); [4]
11 CH_N2.rte –0,01 – 0,3 r ±20%
(0,0721 – 0,1579)
[2] (–19,1% – –2,3%); [3] (–4,50%
12 [Link] 35 – 98 r ±20%
– 4%); [4] (–3% – 3%);
[Link]
13 0 – 100 v 0 – 15 [3] (0 – 15); [5] (2,8058)
(AGRL)
[Link]
14 0 – 100 v 0 – 15 [3] (0 – 15); [5] (2,8058)
(FRSE)
[Link]
15 0 – 100 v 0 – 15 [3] (0 – 15); [5] (2,8058)
(RNGE)
[Link] [3] (0 – 15); [5] (2,8058); [4] (4 –
16 0 – 100 v 0 – 15
(PAST) 14)
17 OV_N.hru 0,01 – 30 r ±30% [3] (–7,67%)
[2] (–29,7% – 32,1%); [4] (0,0011
18 SOL_AWC().sol 0–1 r ±20%
– 0,3945)
[1](Arnold e Allen, 1999); [2] SP (Arroio Junior, 2016); [3] SP (Bressiani, 2016); [4] MG (Monteiro
et al., 2016); [5] SC (Brighenti et al., 2016); [6] MG (Pereira, 2013); [7] DF (Strauch et al., 2013).

Nota-se que os parâmetros CANMX foram parametrizados para os tipos mais

representativos de vegetação da BHRI em função da grande variedade da fisiologia vegetal,
descrita na subseção [Link]. Essa abordagem específica do parâmetro CANMX é uma
característica adotada entre as simulações aplicadas à climas tropicais.

3.6.4 Análise de sensibilidade

Para a análise de sensibilidade foi aplicado a abordagem de avaliação local dos

parâmetros. Essa metodologia compreende a avaliação da variabilidade das saídas do modelo a
partir da mudança de um parâmetro enquanto os outros se mantém constantes. A análise de
sensibilidade local foi executada no SWAT-CUP usando o método SUFI-2 e também é
conhecida como One-at-a-Time (OAT) (ABBASPOUR et al., 2011).
A partir dos intervalos de variação estabelecidos na Tabela 6, os 18 parâmetros foram
avaliados individualmente aplicando a análise para o Alto, Médio e Baixo Ivaí, totalizando 54
iterações OAT para a BHRI (parametrização por sub-bacia). Sendo eleitos 29 parâmetros que
se mostraram sensíveis para a calibração. Os outros parâmetros explicativos do modelo são
mantidos como padrão por não se mostrarem sensíveis aos processos do modelo dessa bacia.
 62

3.6.5 Calibração semi-automática SUFI-2

O algoritmo SUFI-2 representa os efeitos das incertezas dos parâmetros de entrada. As

incertezas das saídas da iteração são consideradas através das estimativas do fator “p” (p-
factor), que é a porcentagem entre os dados medidos e a faixa de incerteza de predição de 95%
(95PPU). O 95PPU é calculado nos níveis de 2,5% e 97,5% da distribuição cumulativa das
saídas geradas através da amostragem do hipercubo latino pela propagação das incertezas
(ABBASPOUR et al., 2004). O fator “r” (r-factor) é a razão entre a largura dessa faixa de
95PPU e o desvio padrão dos dados observados. A qualidade de ajuste e a incerteza da
calibração são examinadas em cada iteração pelo balanço entre o p-factor e o r-factor.
O conceito por trás da análise de incerteza do algoritmo SUFI-2 é ilustrado na Figura
19. A figura ilustra que um único valor de parâmetro (representado pelo ponto azul), leva a uma
única resposta do modelo (Figura 19a – representando uma saída de vazão); enquanto a
propagação da incerteza do parâmetro (a linha azul da Figura 19b, representa o intervalo de
variação do parâmetro) leva à faixa de 95PPU, representada pela região cinza. A incerteza do
parâmetro aumenta (maior linha em azul), e a saída do modelo também (Figura 19c). Na Figura
19d, os intervalos dos parâmetros não explicam o modelo conceitual, uma vez que a vazão (em
vermelho) não foi envelopada pela faixa de 95PPU, e assim, o modelo deve ser reavaliado
(ABBASPOUR et al., 2007).

Figura 19 – Ilustração da relação entre a incerteza do parâmetro e incerteza de predição.

Adaptado: Abbaspour et al. (2007)

No SUFI-2, o objetivo é que o 95PPU seja capaz de envelopar a maioria dos registros
observados e que o envelope seja pequeno. Não existem números exatos que expressam o
melhor valor para os dois fatores. Para o p-factor, admite-se valores superiores a 70% para a
vazão, com um r-factor de 1 (ABBASPOUR et al., 2004; ABBASPOUR et al., 2007).
A operação do SUFI-2 atua através de poucas iterações, usualmente até 5 iterações
(recomenda-se que cada iteração tenha 500 simulações). A cada iteração, em destaque na área
pontilhada da Figura 17, os intervalos dos parâmetros são reduzidos e se aproximam do valor
 63

de parâmetro que produziu os melhores resultados da iteração anterior. Naturalmente, à medida

que as faixas de valores ficam menores, o envelope do 95PPU se estreita, e por consequência,
o r-factor fica menor. Isto é, se o NS é a estatística de referência (função objetivo), as iterações
subsequentes gerarão melhores índices NS, porém o p-factor poderá ser menor levando a
redução da porcentagem de registros observados envelopados e à inabilidade do modelo em
explicar os processos internos à bacia.

3.6.6 Validação

Por fim, é realizada a validação do modelo utilizando os intervalos de parâmetros

determinados durante a calibração. Nessa etapa a saída do modelo é confrontado com os valores
observados, que não foram utilizados durante a calibração, a fim de avaliar o modelo. A
validação é o processo que demonstra a capacidade do modelo em produzir simulações
suficientemente precisas (REFSGAARD, 1997).

3.6.7 Avaliação do modelo

O desempenho do SWAT foi avaliado usando a comparação gráfica e análises

estatísticas para determinar a qualidade e confiabilidade das previsões com relação aos dados
observados. As estatísticas para avaliação incluem a média e desvio padrão, coeficiente de
determinação (R²), valor de eficiência de Nash-Sutcliffe, bR², PBIAS e RSR.
 O coeficiente de determinação (R²) é calculado:

(∑𝑛 1(𝑌𝑜𝑏𝑠 − 𝑌𝑜𝑏𝑠 )(𝑌𝑠𝑖𝑚 − 𝑌𝑠𝑖𝑚))² (4)

𝑖= 𝑖 𝑚 𝑖 𝑚
𝑟2 = 2 𝑛
∑ 𝑛 (𝑌 𝑜𝑏𝑠
( 𝑖=1 𝑖 − 𝑜𝑏𝑠 ∑ 𝑠𝑖𝑚
𝑌 𝑚 ) (𝑌𝑖=1 −𝑖 𝑠𝑖𝑚
𝑌 )²𝑚

onde n é o número de observações durante o período de simulação, Yi é o valor em cada

comparação i e, Ym corresponde à média aritmética. Os superescritos obs e sim
correspondem aos valores observados e simulados. O R² varia entre 0 e 1, sendo que
quanto mais alto o valor, menor é a variação de erro. Valores superiores a 0,5 são
considerados aceitáveis (SANTHI et al., 2001; VAN LIEW et al., 2003). O R² são
sensíveis a valores extremos elevados (outliers) e inseníveis à diferenças de viés e
 64

proporcionais às previsões do modelo e os dados medidos (LEGATES e McCABE,

1999).
 O valor de eficiência de Nash-Sutcliffe (NS) (NASH-SUTCLIFFE, 1970), é a estatística
normalizada que determina a magnitude relativa da variância residual (ruído),
comparada com a variância dos dados observados, e é calculado como:

𝑛 (𝑌𝑜𝑏𝑠 − 𝑌𝑠𝑖𝑚)²
∑𝑖=1
𝑁𝑆𝐸 = 1 − [ 𝑖 𝑖 ] (5)
∑𝑛 (𝑌𝑜𝑏𝑠 − 𝑌𝑜𝑏𝑠𝑚
)²
𝑖=1 𝑖

O NS descreve a quantidade de variância entre os valores observados ao longo do tempo

de simulação. O NS varia entre -∞ e 1,0, onde o valor 1 indica o ajuste perfeito. Valores
entre 0 e 1 são geralmente visto comos níveis aceitáveis (MORIASI et al., 2007).
 Coeficiente de determinação modificado (bR²), onde R² é multiplicado pelo coeficiente
da linha de regressão entre os dados observados e simulados:

|𝑏|𝑅² 𝑠𝑒 |𝑏| ≤ 1
𝜙={ (6)
|𝑏|−1𝑅² 𝑠𝑒 |𝑏| > 1

Esta função permite explicar a discrepância na magnitude de dois sinais (representados

por b), bem como a dinâmica (representada por R²).
 Percentual de viés (PBIAS) dos dados simulados, mede a tendência média das leituras
da simulação pela diferença entre os dados observados correspondentes:

∑𝑖=𝑛 1(𝑌𝑖 𝑜𝑏𝑠 − 𝑌𝑖𝑠𝑖𝑚) ∗ 100

𝑃𝐵𝐼𝐴𝑆 = (7)
𝑛 (𝑌𝑜𝑏𝑠)
∑𝑖=1 𝑖

onde, PBIAS é o desvio dos valores simulados (𝑌𝑖 𝑠𝑖𝑚) em relação aos valores observados
(𝑌𝑖𝑜𝑏𝑠), expresso em porcentagem. O PBIAS avalia a tendência média dos dados
simulados para exibir valores subestimados (valores positivos), ou superestimados
(valores negativos) (GUPTA et al., 1999), sendo que 0,0 é o valor ótimo.
 O RSR (RMSE – observations standard deviation ratio) representa uma normalização
da raiz do erro quadrático médio com relação ao desvio padrão (SINGH et al., 2014).
Assim, o RSR é calculado como a razão entre o erro quadrático médio (RMSE) e o
desvio padrão dos dados medidos (SDobs) , conforme mostra a Equação 8:
 65

𝑅𝑀𝑆𝐸 √∑𝑛 𝑖=1

(𝑌𝑜𝑏𝑠𝑖 − 𝑌𝑠𝑖𝑚)²
𝑖
𝑅𝑆𝑅 = = (8)
𝑆𝐷𝑜𝑏𝑠
√∑𝑛𝑖=1
(𝑌𝑜𝑏𝑠
𝑖 − 𝑌 𝑚 )² []
𝑜𝑏𝑠

O valor de RSR varia do valor ideal 0, erro residual zero, indicando a simulação de um
modelo perfeito.

A utilização de um conjunto de índices é recomendado para avaliação do desempenho

das simulações (KRAUSE e BOYLE, 2005). A Tabela 6 resume as classificações de
desempenho das estatísticas de avaliação para o modelagem hidrológica baseada no trabalho de
Moriasi et al. (2007).

Tabela 6 – Classificações de desempenho geral para as estatísticas recomendadas em simulações de

tempo mensal.
Classificação de NS PBIAS (%) RSR
desempenho
Muito boa 0,75 < NS ≤ 1,00 PBIAS < ±10 0,00 ≤ RSR ≤0,50
Boa 0,65 < NS ≤ 0,75 ±10 ≤ PBIAS < ±15 0,50 < RSR ≤ 0,60
Satisfatória 0,50 < NS ≤ 0,65 ±15 ≤ PBIAS < ±25 0,60 < RSR ≤ 0,70
Insatisfatória NS ≤ 0,50 PBIAS ≥ ±25 RSR > 0,70
Fonte: Moriasi et al. (2007).

3.7 Densidade de estações

Para investigar diferentes arranjos de estações sobre a BHRI, registros de estações

pluviométricas interpoladas foram consideradas como a precipitação na área. A avaliação dos
arranjos de estações foi feita pela comparação das simulações hidrológicas resultantes das
precipitações interpoladas com a simulação controle – calibrada e validada com todas estações
disponíveis para a bacia (151 estações).
A interpolação das estações foi feita por sub-bacia considerando o método IDW para
uma grade com espaçamento de 800 m. De acordo com a distância entre o centroide e as
estações disponíveis, foram criados arranjos pela adição ordenada de estações, com relação a
sua proximidade. Para as estações no limite da bacia, foram considerados um buffer de 50 km.
Como cada centroide interage de forma diferente entre as estações pluviométricas vizinhas, as
 66

interpolações foram tratadas exclusivamente por sub-bacia. Assim, o valor de precipitação

diária utilizado no centroide, chamado de estação virtual, corresponde ao valor médio das
estimativas resultantes da interpolação na área limitada à sub-bacia.
Ao cumprir todas as etapas listadas acima, obtém-se um registro diário para a estação
virtual. Para obter uma série do período de simulação (17 anos = 6209 dias), foram necessárias
6209 repetições. Essa metodologia foi aplicada às 24 sub-bacias, com 33 combinações para
toda BHRI. Ou seja, ao fim das interpolações, foram criadas 792 estações virtuais aplicadas à
33 simulações de vazão no SWAT.
A Tabela 7 resume os arranjos de estações para a interpolação e criação das estações
virtuais. Também é apresentada a densidade das estações da bacia a partir da área da BHRI com
buffer, nota-se que muitas estações são comuns aos arranjos por sub-bacia, e por esse motivo,
quando agrupadas, as estações utilizadas na simulação aumentam de forma desigual.

Tabela 7 – Resumo das estações empregadas para interpolação por sub-bacia, combinadas para a BHRI
e a densidade das estações para cada arranjo selecionado.
n° de estações n° de estações Densidade de estações
empregadas na combinadas para combinadas na BHRI*
interpolação por sub- a BHRI* (km²)
bacia
2 39 2366,94
3 54 1709,46
4 68 1357,51
5 77 1198,84
6 86 1073,38
7 89 1037,20
8 93 992,59
9 98 941,94
10 99 932,43
11 100 923,11
12 106 870,85
13 108 854,73
14 111 831,63
15 112 824,20
16 113 816,91
17 116 795,78
18 118 782,29
19 121 762,90
20 124 744,44
30 128 721,17
40 129 715,58
50 131 704,66
60 132 699,32
70 135 683,78
80 138 668,92
90 140 659,36
100 142 650,07
110 142 650,07
 67

n° de estações n° de estações Densidade de estações

empregadas na combinadas para combinadas na BHRI*
interpolação por sub- a BHRI* (km²)
bacia
120 144 641,04
130 144 641,04
140 145 636,62
150 151 611,33
*somada à área do buffer.

A Figura 20 ilustra a sub-bacia 18 e os arranjos de estações para a interpolação em 7

cenários (n= 2, 3, 4, 5, 6, 10 e 20 estações interpoladas) referentes ao dia 31 de maio de 1992.
Os pontos em preto indicam a posição de cada estação pluviométrica considerada e intensidades
de precipitação em escala de azul na área dentro da sub-bacia. O valor de precipitação
acumulada no dia também é indicado na figura.

Figura 20 – Distribuição da precipitação na área do arranjo de estações para interpolação em sete

cenários para a sub-bacia 18. O valor n representa a quantidade de estações consideradas na
interpolação. E o valor da precipitação acumulada também é indicado.

3.7.1 Avaliação das respostas aos arranjos de estações

O desempenho das respostas de vazão e precipitação entre os arranjos de estações

investigados foi avaliado usando o erro quadrático médio relativo (RRMSE), e é calculado:

[√∑𝑛 (𝑌𝑜𝑏𝑠 − 𝑌𝑠𝑖𝑚)²]

𝑖=1 𝑖 𝑖
(9)
𝑅𝑅𝑀𝑆𝐸 = ∗ 100
∑𝑛𝑖=1 𝑌𝑖𝑜𝑏𝑠

O RRMSE é a normalização da raiz do erro quadrático médio com relação aos dados
observados (aqui, com as leituras do modelo controle). Em geral, um menor RRMSE significa
melhor aproximação entre os dados. O RRMSE pode variar entre zero e ∞ (LEE et al., 2008).
Em uma avaliação de modelos empíricos de radiação solar difusa, Despotovic et al. (2016),
considera como excelente RRMSE >10%, bom se 10% < RRMSE < 20%, razoável se 20% <
 68

RRMSE < 30% e ruim se > 30%. Em uma aplicação no Chile, Stehr et al. (2008) encontraram
valores de RRMSE para vazão mensal entre 0,30 e 0,82, que somado a outros índices de
desempenho, indicaram resultados satisfatórios para esse estudo.
 69

4 RESULTADOS E DISCUSSÕES

4.1 Avaliação preliminar da simulação do SWAT

Primeiramente, o modelo foi avaliado com uma rodada sem calibração. Esta etapa é
importante, pois auxilia na identificação dos componentes hidrológicos da modelagem que
devem receber maior atenção no processo de calibração. A Figura 21 mostra esta simulação,
sendo a estação Novo Porto Taquara, ilustrada na Figura 16, que corresponde à estação do
Baixo Ivaí com maior área de drenagem da BHRI. Nota-se que a vazão simulada (em vermelho)
subestimou diversos picos de vazão observada (destacado com a letra A na Figura 21), e que a
vazão de base também é menor (destaque em B). Em algumas condições de esgotamento da
vazão, nota-se o deslocamento dos valores para a direita (argumento C), assim como há picos
simulados que extrapolam as vazões observadas (argumento D).

Figura 21 – Simulação inicial da vazão da BHRI para a estação Novo Porto Taquara, com a
configuração do modelo SWAT mantida sem a calibração. Comportamentos em destaque: A) vazão
observada superando a simulação; B) subestimativa da vazão prevista em períodos de estiagem
indicando vazão de base menor; C) pequeno deslocamento dos valores simulados para a direita
durante período de recessão da vazão, e D) picos de vazão simulada extrapolando os valores
observados.

Nessa primeira rodada do modelo, foram eleitas as possíveis alterações que os

parâmetros devem sofrer durante a calibração. A correção do comportamento da vazão de base
de magnitude inferior foi feita a partir da redução do GW_REVAP e do GWQMN que
 70

controlam o movimento da água subterrânea, sendo o primeiro referente ao aquífero raso e o

segundo ao aquífero profundo. Os picos de vazão subestimados foram compensados com o
aumento de CN2 (controla o escoamento a partir da permeabilidade do solo) e redução de
SOL_AWC e ESCO, que em conjunto controlam a quantidade de água no solo a partir da
capacidade de água disponível e, também, a demanda evaporativa do solo, respectivamente. As
compensações realizadas nesses parâmetros são semelhantes ao procedimento adotado no
trabalho de Abbaspour et al. (2014). Caso o deslocamento da vazão para a direita não fosse
corrigido, seriam inseridos e calibrados os parâmetros explicativos à declividade do terreno.

4.2 Índices estatísticos da calibração

As cinco estações fluviométricas do rio Ivaí foram separadas por região (em Alto, Médio
e Baixo Ivaí) e calibradas simultaneamente para retratar o comportamento geral da bacia. Dessa
forma, após 2 iterações de 500 simulações, foi atingida a melhor qualidade de ajuste na
avaliação do modelo calibrado e suas incertezas. A avaliação de desempenho é conduzida pelos
valores de p-factor e r-factor, partindo da função objetivo no SUFI-2 de obter o melhor
intervalo de parâmetros (ver subseção 4.6.5). Os resultados dessa avaliação estão listados na
Tabela 8.

Tabela 8 – Índices de avaliação de incertezas do modelo de cada estação fluviométrica a partir da

captura dos registros de vazão (p-factor) e espessura do envelopamento 95PPU (r-factor).

Baixo Ivaí Médio Ivaí Alto Ivaí

Novo Porto Porto Paraíso Tereza
Vila Rica Ubá do Sul
Taquara do Norte Cristina
FLOW_01 FLOW_06 FLOW_11 FLOW_16 FLOW_24
p-factor 0,83 0,92 0,67 0,73 0,70
r-factor 0,91 1,00 0,49 0,83 0,72

Para o p-factor no Alto Ivaí, o intervalo 95PPU capturou 70 e 73% dos dados observados
para a estação Tereza Cristina e Ubá do Sul, respectivamente. No Médio Ivaí, o índice capturou
67% da totalidade dos dados para a estação Vila Rica e 92% para Porto Paraíso do Norte. Para
Novo Porto Taquara (Baixo Ivaí), estação com maior área de drenagem da BHRI, o índice
alcançado foi de 83%. Em geral, na literatura existente sobre o assunto, recomenda-se alcançar
 71

pelo menos 70% dos registros de vazão observada (p-factor de 0,7) combinado ao r-factor
próximo de 1 (ABBASPOUR et al., 2014).
O maior valor de r-factor para a BHRI, que dimensiona a espessura do envelope de
captura de leituras observadas (95PPU), está localizado na estação Porto Paraíso do Norte, no
Médio Ivaí, com valor igual a 1,00. Coincidentemente, o pior desempenho também é do Médio
Ivaí, com 0,49, para a estação Vila Rica (Tabela 8). Este resultado sugere comportamento
divergente de envelopamento em uma mesma região.
A partir do cálculo 95PPU das estações fluviométricas da calibração, é possível avaliar
os índices estatísticos (descritos na subseção 4.6.7) para cada simulação executada dentro da
iteração. Cada simulação gera cinco séries de vazão referentes à cada posto fluviométrico
considerado no modelo. Na Tabela 9, os índices estatísticos referem-se à melhor simulação da
iteração dois: a de número 129.

Tabela 9 – Índices estatísticos do desempenho da calibração para a simulação de número 129 para a
BHRI.
Novo
Porto Paraíso Tereza
Porto Vila Rica Ubá do Sul
do Norte Cristina
Taquara
FLOW_01 FLOW_06 FLOW_11 FLOW_16 FLOW_24
NS 0,87 0,88 0,70 0,86 0,89
R² 0,89 0,88 0,82 0,88 0,90
bR² 0,81 0,81 0,45 0,86 0,78
PBIAS 8,80 -3,90 16,0 6,00 6,70
RSR 0,36 0,35 0,55 0,37 0,33
Índices de avaliação do modelo (ver sub-seção 4.6.7): NS, Valor de eficiência de Nash-Sutcliffe; R²,
coeficiente de determinação; bR², coeficiente de determinação modificado; PBIAS, percentual de viés
e, RSR, normalização da raiz do erro quadrático médio com relação ao desvio padrão.

A eficiência pelo índice de Nash-Sutcliffe do modelo foi considerada Boa (0,65 < NS ≤
0,75) para a estação Vila Rica e, para as demais estações como Muito Boa (0,75 < NS ≤ 1,00)
visto que apresentaram a valores entre 0,86 e 0,89. O coeficiente de determinação entre as
simulações e observações (R²) obteve valores satisfatórios entre 0,82 e 0,90. Para o coeficiente
de determinação modificado (bR²), onde as discrepâncias de magnitude entre os sinais
simulados e observados são consideradas, a estação Vila Rica apresentou valor de 0,45
enquanto as outras estações mantiveram valores muito bons entre 0,78 e 0,86.
 72

A tendência média dos registros, avaliada pelo PBIAS, revela valor negativo apenas
para a estação Porto Paraíso do Norte, que aponta 3,9% de desvio nos dados simulados,
indicando a superestimativa da vazão pelo modelo calibrado. Quanto aos valores positivos, que
indicam a subestimação da vazão pelo modelo, em ordem crescente, se obteve: 6,0% para Ubá
do Sul; 6,7% para Tereza Cristina; 8,8% para Novo Porto Taquara, designando classificação de
desempenho Muito Boa (PBIAS < ±10); e, Satisfatória para Vila Rica com 16% do PBIAS (±15
≤ PBIAS < ±25).
Quanto ao RSR, que incorpora o índice de erros dos valores simulados, e por
consequência, quanto mais próximo de 0 melhor é o desempenho do modelo, foram
identificados em ordem crescente: Tereza Cristina com 0,33; Porto Paraíso do Norte
apresentando 0,35; 0,36 para Novo Porto Taquara; 0,37 para Ubá do Sul e, com maior erro,
Vila Rica com 0,55. Mesmo apresentando o maior RSR, o desempenho da estação Vila Rica
ainda é considerado como Bom (0,50 < RSR ≤ 0,60).

4.3 Vazão, desvio padrão e curva de permanência

Para entender a discrepância de magnitude entre as vazões simuladas e observadas

foram avaliados os valores de magnitude e desvio padrão gerados na calibração (Tabela 10).
Nas próximas seções cada estação será tratada individualmente, visando identificar as
peculiaridades de cada região da bacia durante a modelagem. As curvas de permanência das
vazões mensais observadas e simuladas também serão apresentadas.

Tabela 10 – Magnitude de vazão mensal média simulada, observada e respectivos desvios padrões
para as estações fluviométricas de referência da BHRI. Os valores observados referem-se à melhor
simulação da calibração.
Novo Porto
Tereza
Porto Paraíso do Vila Rica Ubá do Sul
Cristina
Taquara Norte
Vazão Simulada (m³/s) 655,04 625,01 448,14 286,41 80,18
Vazão Observada (m³/s) 717,88 601,39 533,64 304,77 85,94
Desvio Padrão S. (m³/s) 422,62 383,60 306,84 245,06 69,42
Desvio Padrão O. (m³/s) 439,61 393,23 504,30 233,59 75,31

A Figura 22 ilustra a contribuição de vazão em cada estação fluviométrica de

monitoramento para o comportamento geral da BHRI. Verifica-se que os anos de 1997 e 1998
 73

se destacam pelos altos valores de vazão em todas as estações monitoradas. Logo na sequência
são identificados períodos de estiagem para a mesma região durante os anos de 1999 e 2000.
Verifica-se que no fim do ano de 1999 ocorreu uma das maiores estiagens da série histórica. Os
eventos estão associados com os episódios El Niño (1997/1998) e La Niña (1999/2000), que
são caracterizados pela presença de anomalias na temperatura da superfície do Pacífico
Equatorial. Tais anomalias perturbam a circulação global e são capazes de produzir impactos
significativos na precipitação em várias regiões da América do Sul, incluindo a BHRI. Em geral
os estudos têm indicado que a região onde se localiza a BHRI pode ser influenciada por ambas
as fases da oscilação, com impactos tanto positivo (El Niño) quanto negativo (La Niña) na
precipitação (ver Grimm et al., 1998, 2000 e 2004)

Figura 22 –Contribuição da vazão simulada nas estações fluviométricas da BHRI.

4.3.1 Estação Tereza Cristina

A estação Tereza Cristina está localizada em uma região com terreno fortemente
influenciado pela estrutura geológica e apresenta um padrão de drenagem complexo (FUJITA,
2009). Instalada a uma altitude de 424 m, essa estação classifica-se como a mais elevada e com
menor área de drenagem da BHRI: com 3.572 km². Verifica-se que a vazão média observada é
de 85,94 m³/s para a série histórica de 1994 – 2005 e, ao longo desse período, verificou-se o
máximo de 380,20 m³/s em abril de 1998 e mínimo de 9,56 m³/s em março de 2005.
 74

Os resultados da calibração para a estação Tereza Cristina, que drena a sub-bacia de

número 24, são apresentados na Figura 23. A vazão simulada (em vermelho) produziu a média
de 80,18 m³/s – valor próximo ao observado, e desvio padrão de 69,42 m³/s. Tanto para a vazão
quanto para o desvio padrão, as medidas simuladas foram subestimadas. Isto pode ser
justificado pela dificuldade do modelo em reproduzir os picos de vazão da região.
Nota-se que o envelope de incerteza 95 PPU (área em cinza), consegue retratar a maior
parte do comportamento físico da bacia (70%), porém os maiores picos de vazões máximas não
são bem representados. O caráter regional do relevo e o padrão de drenagem complexo podem
ser considerados os fatores que dificultaram a representação do comportamento físico no
SWAT.

Figura 23 – Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área de
drenagem da estação Tereza Cristina, em cinza. Vazões observada destacada em azul, onde os picos
máximos apresentam-se fora do envelope 95PPU. E, em vermelho, vazão simulada.

Além da análise dos dados e do envelope 95PPU ambas vazões foram avaliadas sob a
perspectiva da Curva de Permanência. Esta curva expressa a relação entre a vazão e a frequência
que essa vazão é igualada ou superada. Existem alguns percentuais de permanência que
despertam maior interesse durante a análise hidrológica. Por exemplo, a vazão para a qual os
fluxos são excedidos 50% do tempo corresponde à vazão mediana, ou Q50. Os valores de Q10 e
Q90 representam a vazão que é superada em 10% e 90% do tempo, respectivamente. O Q90 é
frequentemente usado como um índice de fluxo baixo (ou fluxo mínimo). A razão Q90/Q50
costuma ser usada como um indicador de contribuição do fluxo base (CAISSIE e
 75

RABICHAUD, 2009) e Q10/Q50 pode indicar picos de enchentes (GORDON et al., 2004).
Q10/Q90 é usado como um indicador da variabilidade da vazão (RICHARDS, 1989) e Q95
costuma ser utilizada para definir a energia assegurada de uma usina hidrelétrica.
Em geral, as curvas de permanência das estações do rio Ivaí apresentam considerável
curvatura. E o formato da curva reflete condições de escoamento na área da bacia e no canal do
rio. Quanto maior a curvatura (caso da BHRI), maior é a variabilidade do fluxo, podendo indicar
escoamentos oscilatórios com fluxos rápidos e pouca vazão de base (BURT, 1996).
A Curva de Permanência da estação Tereza Cristina é ilustrada na Figura 24. O valor de
Q10 foi 173,05 m³/s para a vazão simulada e 192,52 m³/s para a vazão observada. Para o Q90
simulado e observado, atingiu-se os valores de 7,09 e 18,51 m³/s, respectivamente. Isso indica
que o modelo está com dificuldade em sustentar os valores de fluxo mínimo. O valor de Q50
alcançou 63,55 m³/s na simulação e 61,44 m³/s para a vazão obtida em campo, uma das poucas
ocasiões em que a magnitude da vazão simulada excedeu os registros observados.
Quanto à relação Q90/Q50, que indica a contribuição de base da vazão, obteve-se 0,30 e
0,11 para as vazões observadas e simuladas respectivamente. Para valores próximos de zero, o
rio deixará de fluir nas vazões abaixo de 90% do tempo e, quanto mais próximo de um, menor
é a variabilidade da vazão de base. Partindo dessa informação, verifica-se que o modelo
subestimou a contribuição da água subterrânea para a perenização nesse trecho do rio Ivaí. E
para a razão Q90/Q10, sendo 0,04 para o simulado e 0,09 para o observado, também há
divergência de comportamento entre observado e simulado.

Figura 24 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação

Tereza Cristina.

Para a vazão de energia assegurada (Q95), o observado foi 14,45 m³/s, enquanto para a
simulação resultou em 2,31 m³/s. Para essa região, estão previstas duas pequenas centrais
 76

hidrelétricas (PCH; ANEEL, 2017), que somadas totalizam 37 MW de potência instalada (PCH
Dois Saltos, 30 MW e PCH São João II, 7 MW). Atualmente, já operam quatro PCHs, com
previsão de repotencialização da estrutura instalada, demandando maior vazão outorgada para
produção de energia elétrica. Percebe-se que a maior diferença normalizada entre as vazões
ocorre exatamente na faixa final da curva de permanência (a partir de 70%), onde as vazões
mínimas são alocadas. Portanto, a capacidade do modelo representar indicadores para efeito de
aproveitamento hidrelétrico, em condições de baixa vazão, ainda precisa ser consideravelmente
melhorada.

4.3.2 Estação Ubá do Sul

A área de drenagem da estação Tereza Cristina somada à Ubá do Sul completa o

território do Alto Ivaí. A porção de drenagem exclusiva à Ubá do Sul compreende as sub-bacias
16, 17, 19, 20, 21, 22 e 23 (identificadas na Figura 9), onde rochas da Formação Serra Geral e
influências de fraturas e diques formam um relevo movimentado (MINEROPAR, 2006). A
estação drena 12.701 km² a uma altitude de 380 metros. A vazão média é de 304,77 m³/s.
Durante a série histórica, a vazão atingiu pico máximo de 1.148,86 m³/s em abril de 1998 e
mínimo 52,81 m³/s em maio de 2000.
O envelope de incerteza 95PPU é destacado pela área em cinza na Figura 25 e envelopa
73% das leituras de vazão observadas (destacada em azul). Nota-se que o 95PPU também não
conseguiu descrever os picos extremos de máximos de vazão e, mesmo que a melhor simulação
(em vermelho, NS=0,86) subestime as vazões mínimas, o modelo conseguiu representar a maior
parte do comportamento físico da bacia.
 77

Figura 25 – Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área de
drenagem da estação Ubá do Sul, em cinza. Vazões observada destacada em azul, onde os picos
máximos apresentam-se fora do envelope 95PPU. E, em vermelho, vazão simulada.

O melhor índice bR² (0,86) foi nesta estação, que forneceu, para vazão simulada, a
média de 286,41 m³/s e desvio padrão de 245,06 m³/s. A subestimativa da vazão acontece em
menor intensidade para a estação de Ubá do Sul, visto que o PBIAS recebeu o menor índice
positivo.
Ubá do Sul drena a região de transição de duas unidades hidroestratigráficas da Bacia
Sedimentar do Paraná, o Sistema Aquífero Serra Geral e o Sistema Aquífero Guarani, ambos
foram detalhados na subseção [Link]. A zona de transição implica na manutenção do nível de
base dos rios e impacta nos padrões de descarga entre os dois aquíferos e as zonas de recarga
(LASTORIA et al. 2007), acarretando em grande complexidade das variáveis hidrológicas e
componentes subterrâneos da região.
Quanto à Curva de Permanência, os valores máximos da vazão são bem representados
(Figura 26). A partir de 3%, as vazões simuladas declinam em uma curva côncava enquanto a
observada decai em forma de degraus. Já no segundo cruzamento das curvas, aproximadamente
em 18%, os comportamentos de ambas vazões se assemelham até Q50, quando o modelo volta
a subestimar as vazões. Vazões simuladas de 640,76 e 23,96 m³/s estão associadas a Q10 e Q90,
respectivamente, para valores observados: 600,57 e 83,05 m³/s.
 78

Figura 26 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação Ubá
do Sul.

Seguindo a mesma análise da estação Tereza Cristina, a razão de Q90/Q50 para Ubá do
Sul também indicou grande divergência entre a simulação e observação, com 0,107 e 0,353,
respectivamente. Ainda que essa razão simulada seja pequena, Collischonn e Fan (2012)
investigaram essa relação para diversas estações fluviométricas em bacias brasileiras e
identificaram valores entre 0,11 e 0,90. Para a relação entre Q90/Q10, que mede a variabilidade
dos registros de vazão dentro da série histórica, o comportamento em Ubá do Sul se assemelha
ao da estação Tereza Cristina.
Com relação a produção de energia hidrelétrica, o Q95 simulado obteve 7,94 m³/s e
observado 69,64 m³/s. A ANEEL (2017) também prevê a construção da PCH Confluência (27
MW) e PCH Covó (5 MW) no rio Marrecas (sub-bacia 23); e em fase de estudo, apenas para o
rio Alonzo (ou do Peixe), seis PCHs são previstas, totalizando 40,85 MW (sub-bacia 17).
Novamente se observa a importância de melhorar o desempenho do modelo para porcentagens
de excedências mais elevadas. A diferença entre o valor de Q95 simulado e observado não
apresentou melhorias na comparação com a estação Tereza Cristina.

4.3.3 Estação Vila Rica

A vazão média observada para a estação Vila Rica foi de 533,64 m³/s, com valor
máximo de 2.568,90 m³/s e mínimo de 61,04 m³/s. Para a simulação, a vazão média foi de
448,14 m³/s, vazão máxima de 1.580,09 e mínima de 55,45 m³/s. A simulação da estação Vila
Rica, dentre as estações de monitoramento da BHRI, foi a que mais subestimou a vazão. O
índice PBIAS apresentou o maior valor (16%). Quanto ao Desvio Padrão (DP) da vazão
observada, o valor atingiu 504,3 m³/s enquanto que o DP da vazão simulada não passou de
 79

306,84 m³/s, subestimando a amplitude de variação no comportamento geral da vazão, mas

principalmente os valores de pico (Figura 27).
A estação drena as sub-bacias 11, 12, 13, 15 e 18 (Figura 9). O diagrama da vazão
simulada (em vermelho) e a observada (em azul) pode ser visualizado na Figura 27. Na cor
cinza pode ser observado o envelope de incerteza de 95% dos parâmetros (95PPU) selecionados
para a área de drenagem da estação Vila Rica, indicando a incerteza da simulação (p-factor e r-
factor). Observa-se, para esta área de drenagem, que o envelope compreende 67% dos registros
observados.

Figura 27 –Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área de
drenagem da estação Vila Rica, em cinza. Vazões observada destacada em azul, onde os picos
máximos apresentam-se fora do envelope 95PPU. E, em vermelho, vazão simulada.

Na análise da Curva de Permanência da estação Vila Rica (Figura 28) verifica-se que as
vazões superiores a 500 m³/s configuraram a maior discrepância e, para os valores abaixo desse
limiar, foram muito bem representados. A variabilidade da vazão (Q90/Q10) para Vila Rica foi
de 0,14 para a simulação e 0,11 para a observação. Já os picos de enchentes, determinados pela
razão entre Q10/Q50, foram 2,45 para o simulado e 3,24 para o observado. Entre todas as estações
da BHRI, foi em Vila Rica que se constatou a maior divergência entre a simulação e observação
para variabilidade da mediana (Q50) e das vazões máximas (Q90). Dessa forma, conclui-se que
o modelo não conseguiu representar as vazões máximas com qualidade e, apesar das respostas
das sub-bacias retratarem o comportamento físico, a intensidade não foi adequada. Os valores
 80

de Q10 para a vazão simulada foi de 886,72 e para a observada 1098,64 m³/s. O valor de Q95 foi
de 94,94 m³/s para a simulação e 88,38 m³/s para a observação.

Figura 28 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação Vila
Rica.

Uma provável explicação sobre a dificuldade em simular este ponto é que a área
localizada entre as estações Vila Rica e Ubá do Sul (ver Figura 16) apresenta algumas
peculiaridades que estão diretamente associadas à contribuição de vazão exclusiva deste trecho.
Se consideradas as contribuições a montante de Vila Rica, observa-se que as maiores
contribuições por unidade de área provêm das drenagens entre Ubá do Sul e Vila Rica. Neste
trecho, a contribuição é de cerca de 43% da vazão observada em Vila Rica, enquanto que a área
de drenagem corresponde a cerca de 34% da área de drenagem entre as duas estações. Em Leli
et al. (2017), os autores investigam a taxa de aporte de vazão dos principais afluentes da BHRI,
e concluíram que no trecho Ubá do Sul – Vila Rica o aporte é extremamente elevado (rios Bom
e Bulha com 79,7 m³/s e Corumbataí com 74,6 m³/s). Os mesmos autores concluíram que a
contribuição ao longo do rio Ivaí é majoritariamente derivada dos pequenos tributários. E, para
explicar a anomalia da elevada contribuição da vazão restrita às pequenas áreas, Paiva (2008)
sugere que as sub-bacias dessa região são fortemente influenciadas pela transferência de água
subterrânea devido à distribuição local e concentração de fraturas no solo basáltico. Esse
comportamento pode ser verificado na Figura 28 quando a vazão do rio Ivaí não se esgota, e
pelo Q90/Q50, que apresentou 0,34 para vazões simuladas e 0,36 para vazões observadas,
sugerindo fluxo de base suficiente para a manutenção de rio perene em mais de 90% do tempo.
É a partir desta estação que o modelo consegue representar com melhor qualidade as
vazões de base que contribuem para a característica de perenização do rio Ivaí. Nessa e nas
estações a jusante, as vazões simuladas não se esgotam e acompanham com melhor qualidade
 81

o efeito de contribuição dos aquíferos da BHRI. Dessa forma, as vazões mínimas resultantes de
períodos prolongados de estiagem são melhor representadas.

4.3.4 Estação Porto Paraíso do Norte

A simulação da estação Porto Paraíso do Norte foi a que apresentou melhor desempenho
nas simulações do SWAT. As sub-bacias drenadas são as de número 6, 7, 9, 10 e 14 e, em
conjunto com as sub-bacias de Vila Rica, constituem o Médio Ivaí. A estação drena 28.427
km², a uma altitude de 250 m e, mediu a vazão média de 601,39 m³/s. O maior pico de vazão
ocorreu em abril de 1998 com 2.212,60 m³/s e a menor vazão, com 135,48 m³/s, foi observada
em maio de 2000.
O índice de eficiência de Nash-Sutcliffe foi 0,88 e o PBIAS negativo, de -3,9%,
indicando a superestimativa das vazões no comportamento geral da simulação. Nota-se que
nessa estação, o envelope 95PPU (Figura 29) supera pela primeira vez os valores máximos
identificados, em especial o do ano de 1998. Ainda sobre o envelope, o índice p-factor atingiu
0,92 indicando que 92% das vazões observadas foram assimiladas pelo modelo, ou seja, os
processos hidrológicos da BHRI na estação Porto Paraíso do Norte foram representados em
quase sua totalidade durante as simulações.
A vazão média da simulação (curva em vermelho, na Figura 29) foi de 625,01 m³/s, com
desvio padrão de 383,60 m³/s – apenas 10 m³/s a menos que o desvio padrão da vazão
observada. A área exclusiva à estação compreende a zona de transição das rochas da Formação
Serra Geral e da Formação Caiuá e apresenta relevo suavemente ondulado (MINEROPAR,
2006). A área também é zona de transição de cobertura do solo, onde os solos férteis das
formações basálticas passam da agricultura para a exploração pecuária do Baixo Ivaí, embora
esta última tem cedido espaço para plantação de cana-de-açúcar nas duas últimas décadas.
Dessa forma, o posicionamento da estação Porto Paraíso do Norte é estratégico para a
delimitação do Médio Ivaí na regionalização dos parâmetros do modelo.
 82

Figura 29 – Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área de
drenagem da estação Porto Paraíso do Norte, em cinza. Vazões observada destacada em azul, onde os
picos máximos apresentam-se fora do envelope 95PPU. E, em vermelho, vazão simulada.

A Curva de Permanência da estação Porto Paraíso do Norte é ilustrada na Figura 30.

Verifica-se que os eventos extremos máximos estão defasados em aproximadamente 200 m³/s.
A vazão simulada nessa estação volta a subestimar o comportamento geral da BHRI, e apresenta
forte decaimento das vazões até a porcentagem de excedência de 6%, quando a inclinação
atenua indicando maior permanência de vazões entre 1.000 m³/s e 1.400 m³/s. O Q10 para a
vazão simulada foi de 1.167,70 ³/s, enquanto que para os registros observados foi de 1.096,03
m³/s. O Q90 foi de 221,67 m³/s e 209,38 m³/s para a vazão simulada e observada,
respectivamente.
Quanto à relação entre as vazões, é nessa estação que a variabilidade da vazão (Q90/Q10)
entre a simulação e observação são idênticas: 0,19 e 0,19. O indicador de fluxo de base (Q90/Q50)
foi de 0,41 para o simulado e 0,43 para o observado. E os picos de enchentes (Q90/Q50), também
sofrem pouca divergência entre os registros de vazão, 2,14 para o simulado e 2,27 para o
observado.
 83

Figura 30 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação Porto
Paraíso do Norte.

O Q95, da energia assegurada para hidrelétricas, é de 188,69 m³/s para a vazão simulada
e 196,96 m³/s para a vazão observada (praticamente o dobro da estação a montante, Vila Rica).
Tal como observado já a partir da estação Vila Rica, a calibração do modelo oferece condições
para seu uso na previsão de vazão para uso na produção de eletricidade. Apesar da vazão Q95
exibir grande relevância para empreendimentos hidroelétricos, essa porção do rio ainda pode
ser utilizada para fins de navegação por apresentar margens estáveis e leito profundo (COPEL,
1984a).

4.3.5 Estação Novo Porto Taquara

A estação Novo Porto Taquara é a mais representativa da BHRI, soma a área de

drenagem de 34.432 km² e representa 94,1% da área total da bacia, a 65 km do exutório. A
vazão média mensal é de 717,88 m³/s, apenas 62,84 m³/s a mais que a estação Porto Paraíso do
Norte, apesar desta drenar 6.000 km² a menos que Novo Porto Taquara. Portanto, Novo Porto
Taquara agrega 21% à área de drenagem de Porto Paraíso do Norte, mas menos de 10% de
vazão.
A redução da concentração de vazão é justificada pela entrada do fluxo do canal na
planície aluvial (SANTOS et al., 2008). A área exclusiva à estação Novo Porto Taquara somada
com a área de drenagem até a foz (sub-bacia 4) determinam a extensão do Baixo Ivaí. Nesta
extensão, o Segmento Inferior do rio percorre 140 km, coincidindo com o desenvolvimento da
planície aluvial, com início no município de Icaraíma, percorrendo 150 km até a foz com o rio
Paraná descrita por Santos et al. (2008). O escoamento do rio Ivaí interage com as mudanças
 84

na morfologia fluvial pelo aumento da largura do curso central, mudanças nas margens e
transposição da água sobre diques (DESTEFANI, 2005). No trecho mais próximo à foz,
também ocorre a redução da vazão em função da baixa velocidade de fluxo causada pelo
represamento provocado pelo rio Paraná (FUJITA, 2009).
O índice de eficiência NS foi 0,87 para a melhor simulação, que obteve vazão de 655,04
m³/s e desvio padrão de 422,62 m³/s (439,61m³/s para o DP observado). O envelope 95PPU,
em cinza na Figura 31, contemplou 83% dos dados de vazão observada com a espessura de 0,91
(r-factor).

Figura 31 – Envelope de incerteza de 95% dos parâmetros (95PPU) selecionados para a área de
drenagem da estação Novo Porto Taquara, em cinza. A vazão observada está destacada em azul e a
vazão simulada em vermelho.

Na Curva de Permanência, observa-se que a os valores simulados voltaram a ser

subestimados. Na Figura 32, nota-se que a curva de vazão simulada ficou abaixo dos registros
de observação. Maiores discrepâncias aconteceram nas vazões máximas, onde a diferença
chegou a mais de 300 m³/s (aproximadamente em 2%), e defasagem de cerca de 70 m³/s para o
restante das vazões. Os valores de Q10 foram 1218,86 m³/s para a simulação e 1302,46 m³/s
para a observação. Os valores de Q90 foram 220,61 m³/s para a simulação e 280,29 m³/s para a
observação.
 85

Figura 32 – Curva de permanência da vazão simulada (vermelho) e observada (azul) da estação Novo
Porto Taquara.

Os índices estatísticos de avaliação do modelo diminuíram em comparação com a

estação à montante. Porém as componentes hidrológicas do Baixo Ivaí se diferenciam das
demais componentes da BHRI. Além da característica de planície aluvial, o Baixo Ivaí, se
desenvolve em área de drenagem com baixa declividade e cercada de afloramentos do Arenito
Caiuá (SANTOS et al., 2008). Em função da parametrização das regiões da BHRI, os padrões
de escoamento superficial, infiltração no solo, vazão de base e evapotranspiração são
reavaliados pelo modelo – uma vez que os parâmetros explicativos dessa área ganham
características tão diferentes quanto as características físicas da bacia.
Ainda que a variabilidade das características físicas da BHRI seja determinante para as
respostas hidrológicas, a distribuição do comportamento da vazão representada pela inclinação
da curva de excedências é semelhante entre as estações Porto Paraíso do Norte e Novo Porto
Taquara. Como descrito na estação Porto Paraíso do Norte, o Q90/Q10 diferenciou-se em apenas
0,001, indicando a proximidade entre a variabilidade de comportamento da vazão, assim como
em Novo Porto Taquara. A Figura 33, ilustra a curva de permanência de ambas estações.
 86

Figura 33 – Curva de permanência da vazão simulada (vermelho escuro) e observada (azul escuro) da
estação Novo Porto Taquara e vazão simulada (vermelho claro) e observada (azul claro) da estação
Porto Paraíso do Norte.

4.4 Parâmetros calibrados

Na Tabela 11 são apresentados os resultados da calibração mensal da BHRI usando os

parâmetros eleitos na análise de sensibilidade. Foram calibrados 29 parâmetros, sendo 11 para
o Alto Ivaí (sub-bacias 16, 17, 19, 20, 21, 22, 23 e 24), 10 para o Médio (sub-bacias 6, 7, 9, 10,
11, 12, 13, 14, 15 e 18) e 8 para o Baixo Ivaí (sub-bacias 1, 2, 3, 4, 5 e 8). Na Tabela, o IMR
refere-se ao Intervalo de Modificação Remanescente calculado pela razão entre o intervalo de
modificação final e o intervalo de modificação inicial (Tabela 5) multiplicado por 100 para a
investigação em porcentagem do tamanho restante do intervalo de amostragem ao fim da
calibração.
Tabela 11 –Lista de parâmetros usados no SWAT-CUP para a modelagem do Ivaí e seus respectivos
valores iniciais de projeto, intervalo de modificação final e modificação final dos parâmetros referente
à melhor simulação. IMR corresponde ao Intervalo de Modificação Remanescente.
Parâmetro Porção Sub- Valor Intervalo de IMR Modificação
bacias inicial modificação (%) final
final
24 0,093 -0,027 – 0,317 86,0 0,288
1 r_ALPHA_BF.gw Alto 16, 17, 0,067 -0,027 – 0,317 86,0 0,288
19 - 23
Baixo 1 - 5, 8 31 -31,751 – 84,3 -8,780
69,431
2 Médio 6, 7, 9 – 31 3,167 – 64,9 55,900
v_GW_DELAY.gw 15,18 81,072
Alto 16, 17, 31 -55,514 – 97,5 -22,160
19 - 24 61,514
Baixo 1 - 5, 8 0,020 0,011 – 0,070 32,7 0,060
Médio 6, 7, 9 – 0,020 0,001 – 0,067 36,6 0,010
3 v_GW_REVAP.gw 15, 18
Alto 16, 17, 0,020 0,041 – 0,083 23,3 0,045
19 - 24
 87

Parâmetro Porção Sub- Valor Intervalo de IMR Modificação

bacias inicial modificação (%) final
final
Baixo 1 - 5, 8 0,050 -0,195 – 0,601 79,6 0,004
Médio 6, 7, 9 – 0,050 0,294 – 0,883 58,9 0,300
4 v_RCHRG_DP.gw 15, 18
Alto 16, 17, 0,050 -0,369 – 0,543 91,2 -0,200
19 - 24
Baixo 1 - 5, 8 1000 -140,800 – 57,3 562,510
1578,800
Médio 6, 7, 9 – 1000 -2405,806 – 97,9 -1803,500
5 a_GWQMN.gw
15, 18 531,806
Alto 16, 17, 1000 -89,810 – 60,7 764,520
19 - 24 1731,810
Médio 6, 7, 9 – 2 -4,347 – 78,9 -0,430
6 v_SURLAG.hru
15, 18 14,554
Baixo 1 - 5, 8 0,950 0,553 – 0,751 99,0 0,640
Médio 6, 7, 9 – 0,950 0,707 – 0,823 58,0 0,770
7 v_ESCO.hru 15, 18
Alto 16, 17, 0,950 0,594 – 0,764 85,0 0,740
19 - 24
Baixo 1 - 5, 8 1 0,441 – 1,324 88,3 1,056
Médio 6, 7, 9 – 1 0,412 – 1,237 82,5 1,230
8 v_EPCO.hru 15, 18
Alto 16, 17, 1 -0,123 – 0,625 74,8 0,400
19 - 24
Baixo 1 - 5, 8 Variável -0,139 – 0,087 56,5 -0,060
Médio 6, 7, 9 – Variável -0,003 – 0,389 98,0 0,26
9 r_CN2.mgt 15, 18
Alto 16, 17, Variável -0,197 – 0,067 66,0 -0,023
19 - 24
Médio 6, 7, 9 – 0 3,500 – 51,1 8,96
v_CANMX.hru 15, 18 11,169
10
(AGRL) Alto 16, 17, 0 5,930 – 79,1 16,12
19 - 24 17,799
11 v_CANMX.hru Alto 16, 17, 0 6,021 – 80,3 11,04
(FRSE) 19 - 24 18,068
Baixo 1 - 5, 8 Variável -0,033 – 0,301 83,5 -0,028
Médio 6, 7, 9 – Variável -0,221 – 0,059 70,0 -0,18
12 r_SOL_AWC().sol 15, 18
Alto 16, 17, Variável -0,237 – 0,054 72,7 -0,18
19 - 24
Valores iniciais, intervalos iniciais e finais para o 95PPU e modificação final da melhor simulação. Os
parâmetros são abreviados como seguem: ALPHA_BF, fator alfa da vazão de base (1/dias);
GW_DELAY, intervalo de tempo para recarga do aquífero (dias); GW_REVAP, coeficiente “revap” de
água subterrânea; RCHRG_DP, fração de percolação do aquífero profundo; GWQMN, profundidade
limite requerida da água do aquífero profundo produzir fluxo de retorno; SURLAG, coeficiente de atraso
de vazão superficial; ESCO, fator de compensação de evaporação do solo; EPCO, fator de compensação
de absorção da planta; CN2, Número inicial da curva de escoamento SCS para a condição de umidade
II; CANMX: armazenamento máximo do dossel completamente desenvolvido (FRSE – floresta perene
agulhada e AGRL – agricultura); e, SOL_AWC, capacidade de água disponível na camada do solo.
 88

Mesmo que os valores do ALPHA_BF tenham sido calculados com auxílio do SWAT
Bflow, que estima o fluxo de base e recarga subterrânea a partir dos registros de vazão, o
ALPHA_BF para o Alto Ivaí passou pelo ajuste da calibração. No intervalo de modificação
final (86% do intervalo de modificação inicial), o SWAT-CUP propôs a alteração de -2,7% a
31% dos valores inicias dos parâmetros do Alto Ivaí (Tereza Cristina e Ubá do Sul). Esse
intervalo corresponde à 0,0661 e 0,1234, respectivamente, sendo compatíveis com outros
estudos, como por exemplo, aplicações na fronteira dos estados de São Paulo e Minas Gerais
(Rio Piracicaba/Rio Capivari e Rio Jundiaí em Bressiani, 2016), Minas Gerais (Rio das Mortes
em Monteiro et al., 2016) e Santa Catarina (Rio Negrinho em Brighenti et al., 2016).
Com relação ao parâmetro GW_DELAY, seu valor só pode ser estimado
experimentalmente através da observação da flutuação do nível da água subterrânea nos eventos
de precipitação (RICHARDS et al., 2010). Durante a calibração, o SWAT-CUP estabeleceu
que o tempo de atraso máximo para recarga do aquífero é de 81,072 dias, valores próximos com
o observado na literatura (Rio das Mortes-MG em Monteiro et al., 2016; Rio Pomba-MG em
Pereira, 2013; Rio Santa Maria/Torto-DF em Strauch e Volk, 2013).
O GW_REVAP refere-se à água que se move do aquífero raso em direção à porção não-
saturada. Os valores calibrados estabelecem o intervalo entre 0,001 e 0,083 para toda a bacia e
quanto maior o valor, maior é a taxa de evapotranspiração potencial (NEITSCH et al., 2011).
O intervalo de modificação final do GW_REVAP foi o que mais sofreu redução na aplicação
do SWAT-CUP. Para o intervalo de parâmetros final apenas 23,3% do intervalo inicial foi
empregado para amostragem do Alto Ivaí. Já para o Médio e Alto Ivaí, foram empregados
36,6% e 32,7% respectivamente. Sobre essa perspectiva, entre os parâmetros calibrados para a
BHRI, o GW_REVAP foi o que sofreu maior redução de abrangência para a explicação dos
processos hidrológicos subterrâneos da bacia. O outro parâmetro explicativo do “revap”,
REVAPMN, que determina a profundidade limite da água do aquífero raso em percolar para o
aquífero profundo, não foi sensível para a calibração.
A fração de percolação do aquífero profundo, RCHRG_DP, durante a primeira iteração
pôde variar entre 0 e 1, intervalo proposto por diversas aplicações na bacia do rio Paraná
(PEREIRA, 2003; BRIGHENTI et al., 2016; MONTEIRO et al., 2016; BRESSIANI, 2016).
Na segunda e melhor iteração, o intervalo final variou entre 0,00 e 0,88. Lembrando que os
valores negativos na Tabela 11 indicam subtração do parâmetro da simulação anterior.
O fluxo da água subterrânea ao curso d’água, definido por GWQMN, após a adição do
valor determinado pelo intervalo de calibração ao valor do parâmetro existente (a_, mudança
 89

aplicada ao parâmetro descrito na subseção 4.6.3), determinou, para a melhor simulação, os

valores: 1.764,53, 0,00 e 1.562,51 para o Alto, Médio e Baixo Ivaí.
O parâmetro SURLAG foi calibrado apenas para o Médio Ivaí, e recebeu o valor de 0,05
(em dias) para o coeficiente de atraso de vazão superficial. O mesmo valor foi encontrado para
a aplicação na bacia do Rio Piracicaba/Rio Capivari e Rio Jundiaí, entre os estados de São Paulo
e Minas Gerais utilizando o SUFI-2, e 0,03 para outro método de calibração dentro da interface
do SWAT-CUP (BRESSSIANI, 2016). Note que o valor mínimo de variação do SUFI-2 para
o SURLAG é 0,05, e esse método de calibração não aceita valores menores que esse limite.
O fator de compensação de evaporação do solo, ESCO, foi limitado em 0,65 e 0,85 na
primeira iteração baseado na aplicação de Bressiani (2016). Visto que o intervalo de
modificação no SWAT pode variar entre 0 e 1, essa segmentação é bastante limitada. Na
iteração final, o SWAT-CUP ampliou o intervalo (de 0,20 para 0,27 para toda a BHRI, entre
0,553 e 0,823), e considerando para cada porção, o Alto Ivaí reduziu seu intervalo para 85% do
intervalo inicial, o Médio para 88% e o Baixo praticamente manteve o intervalo de oscilação
com 99% (utilizando-se de um intervalo de amostragem de 0,198). Verifica-se que o ESCO
recebe maiores valores no Médio Ivaí, indicando maior dificuldade do modelo em retirar água
do solo pela demanda evaporativa. Esse comportamento é decorrente do solo de origem
basáltica garantindo-lhe menor capacidade de armazenamento de água pela menor tendência de
desenvolvimento de microestrutura, acarretando no surgimento de blocos que tornam os solos
compactos, menos permeáveis, com menos estabilidade de agregados de água e maior tendência
à erosão laminar (GHIDIN et al., 2006; FERREIRA, 1999). Diferentemente do solo arenoso
encontrado no Baixo Ivaí, que recebeu os menores valores de parâmetros (0,553 – 0,751), pelo
desenvolvimento em estruturas com forma esferoidal que conferem ao solo macroporosidade e
porosidade total, favorecendo solos mais permeáveis e com maior estabilidade de agregados de
água pela estrutura granular (MARUN, 1996).
O EPCO, fator de compensação da planta, usou todo o intervalo de abrangência do
parâmetro no modelo (0 – 1) para iniciar a calibração. Na literatura, apenas uma aplicação
indicou o valor calibrado para EPCO com parametrização por classe de cobertura do solo, sendo
1,0 para Mata e 0,25 para Cerrado e Campo no Distrito Federal (STRAUCH e VOLK, 2013).
Na parametrização da BHRI, os valores encontrados para a melhor simulação foi 0,4 para o
Alto Ivaí e 1,0 para o Médio e Baixo Ivaí. Na avaliação da redução dos intervalos da Tabela 11,
apesar da modificação inicial ter usado todo o intervalo do SWAT, a modificação final ainda
admitiu 74,8%, 82,5% e 88,3, para o Alto, Médio e Baixo Ivaí, respectivamente. Nessa
perspectiva, ainda que os outros parâmetros da calibração também tenham se aproveitado da
 90

grande maioria do intervalo de modificação final, apenas o intervalo de EPCO não foi
regionalizado.
O parâmetro CN2, número inicial da curva de escoamento SCS para a condição de
umidade II, foi calibrado sob a modificação por multiplicação (r_). Como o parâmetro é
distribuído, as alterações também devem respeitar as características de cada HRU. Dessa forma,
o valor de multiplicação inicial para a calibração foi de ±20%, amplitude adotada por Bressiani
(2016) e sugerido por Abbaspour (2014). O SOL_AWC, capacidade de água disponível no solo,
também foi calibrado com modificações de multiplicação e recebeu a mesma amplitude adotada
para o CN2. A partir da segunda iteração, os intervalos de modificação dos parâmetros foram
reduzidos. As maiores reduções identificadas pela porcentagem do Intervalo de Modificação
Remanescente (IMR) foram para o CN2 do Baixo Ívai (mantendo 56,5% do intervalo inicial) e
de 30,0% para o SOL_AWC do Médio Ivaí.
Lembrando que o estreitamento dos intervalos de modificação dos parâmetros leva a
menores incertezas medidas pelo 95PPU, e que, em equilíbrio com o envelopamento dos dados
observados, fornecem os resultados da calibração pelo SUFI-2. Por maiores que sejam as
porcentagens do IMR, deve-se destacar que os intervalos de parâmetros preliminares à
calibração foram regionalizados com o auxílio de outras aplicações do SWAT na bacia do rio
Paraná e que, durante a calibração, já partiam de intervalos bastante restritos. Com exceção de
EPCO que usou todo o intervalo de abrangência do modelo e, mesmo assim manteve grande
IMR.

4.5 Validação

A validação do modelo calibrado para a BHRI foi executada para os anos de 2006 e
2007, período predominantemente seco, registrando médias mensais menores que a do intervalo
de calibração (1994 – 2005). A limitação do período de validação foi reduzida para beneficiar
a calibração, visto que a seleção de comportamentos atípicos auxilia na compreensão dos
processos hidrológicos da bacia pelos parâmetros calibrados. A Tabela 12 apresenta os índices
estatísticos da validação da BHRI. Os valores em parêntesis referem-se aos índices calibrados.
 91

Tabela 12 – Índices estatísticos da validação do modelo hidrológico da BHRI.

Baixo Ivaí Médio Ivaí Alto Ivaí
Novo Porto Porto Paraíso Tereza
Vila Rica Ubá do Sul
Taquara do Norte Cristina
FLOW_01 FLOW_06 FLOW_11 FLOW_16 FLOW_24
p-factor (0,83) 0,88 (0,92) 0.96 (0,67) 0,92 (0,73) 0,92 (0,70) 0,88
r-factor (0,91) 1,25 (1,00) 1,45 (0,49) 0,92 (0,83) 1,30 (0,72) 1,05
NS (0,87) 0,83 (0,88) 0,85 (0,70) 0,83 (0,86) 0,81 (0,89) 0,86
R² (0,89) 0,87 (0,88) 0,86 (0,82) 0,84 (0,88) 0,88 (0,90) 0,88
bR² (0,81) 0,82 (0,81) 0,85 (0,45) 0,63 (0,86) 0,83 (0,78) 0,78
PBIAS (8,80) 11,20 (-3,90) -3,00 (16,00) 2,40 (6,00)12,20 (6,70) 10,20
RSR (0,36) 0,42 (0,35) 0,39 (0,55) 0,42 (0,37) 0,43 (0,33) 0,37
Descrição do p-facto e r-factor na subseção 4.6.5. Índices de avaliação do modelo (ver sub-seção 4.6.7):
NS, Valor de eficiência de Nash-Sutcliffe; R², coeficiente de determinação; bR², coeficiente de
determinação modificado; PBIAS, percentual de viés e, RSR, normalização da raiz do erro quadrático
médio com relação ao desvio padrão.

No período de validação, o 95PPU conseguiu abranger 88% dos registros observados

para as estações Novo Porto Taquara (mais próxima à foz) e Tereza Cristina (posicionada na
cabeceira). Descendo o rio Ivaí, as leituras observadas da estação Ubá do Sul e Vila Rica
superaram o desempenho da calibração envelopando 92% das leituras. Porto Paraíso do Norte,
com o melhor p-factor, alcançou 96% dos registros observados. O r-factor manteve valores
satisfatórios para todas as estações, em especial, a estação Vila Rica, que obteve índices
bastante bons. A Figura 34, ilustra a os resultados da validação da estação Novo Porto Taquara
com o envelope de 95PPU, a melhor simulação da iteração de validação e a vazão observada
para o perído. Cerca de 88% dos dados de vazão do período de validação para esta estação
foram envelopados com um r-factor de 1,25.
 92

Figura 34 – Envelope de incerteza de 95% dos parâmetros (95PPU) da validação para a área de
drenagem da estação Novo Porto Taquara, em cinza. Vazões observada destacada em azul e, em
vermelho, vazão simulada.

Quanto aos índices estatísticos para a melhor simulação da validação, em geral, o

desempenho do modelo para cada estação se aproximou ao da calibração. Com exceção de Vila
Rica que, com o índice de eficiência de NS de 0,83, garantiu à estação, o aumento da eficiência,
de Boa (na calibração) para Muito Boa (0,75 < NS ≤ 1,00). A mesma qualidade de desempenho
foi observado para o PBIAS (PBIAS < ±10) e para o RSR (0,00 ≤ RSR ≤0,50).
O NS obtido para as outras estações, quando comparado com a calibração, sugere
redução na qualidade da simulação, por apresentar valores de índices pouco menores. O mesmo
aconteceu com o índice RSR, porém para a estação Ubá do Sul o valor 0,88 se manteve igual
para a calibração e validação.O PBIAS de Porto Paraíso do Norte permaneceu negativo,
indicando superestimativa das vazões observadas pela validação do modelo. Para as outras
estações, o PBIAS manteve os valores positivos, assim como na calibração. Porém, Tereza
Cristina, Ubá do Sul e Novo Porto Taquara foram rebaixados para a classificação de
desempenho Boa.
A Figura 35 ilustra a contribuição das vazões da melhor simulação da validação nas
estações da BHRI. Nela estão em destaque as vazões resultantes da validação e em cores mais
claras as respectivas vazões observadas. Ainda que nos anos de 2006/2007 a intensidade do El
Niño tenha sido fraca, verificou-se anomalias na precipitação da região, que produziram
menores vazões mensais durante os primeiros meses do ano e depois na última metade desse
 93

ano. No fim de 2006, o evento de El Niño alcançou a maturidade, prolongando os efeitos até o
início de 2007 (NOAA, 2006).

Figura 35: Vazões simuladas e observadas do período de validação do modelo da BHRI.

Ainda em relação às anomalias causadas pelo evento de El Niño, verifica-se os efeitos

na vazão quando se avalia a média mensal para o período de validação. Quando comparado ao
período de calibração (1994 a 2005, ver Tabela 10), verifica-se que a média mensal entre as
estações praticamente se reduz pela metade para os anos de 2006 e 2007, Tabela 13.

Tabela 13: Magnitude de vazão mensal média simulada, observada e respectivos desvios padrões para
as estações fluviométricas de referência da BHRI. Os valores observados referem-se à melhor
simulação da validação.
Porto
Novo Porto Ubá do Tereza
Paraíso do Vila Rica
Taquara Sul Cristina
Norte
Vazão Simulada (m³/s) 427,90 399,08 278,70 155,00 43,93
Vazão Observada (m³/s) 481,87 387,47 285,45 176,60 48,91
Desvio Padrão S. (m³/s) 280,05 251,76 188,05 143,13 40,12
Desvio Padrão O. (m³/s) 276,99 238,07 230,06 125,93 42,48
 94

4.6 Avaliação do número de estações na BHRI

Com o modelo da BHRI calibrado e validado, os parâmetros da melhor simulação são

fixados para que a investigação se concentre apenas nos efeitos da precipitação no modelo. A
vazão da simulação controle foi determinada com o produto de interpolação das 151 estações
pluviométricas, e serve de comparação com as vazões resultantes da precipitação superficial
gerada pelos Arranjos de Estações Interpoladas (AEI – descrição na subseção 4.7) entre os anos
de 1994 e 2005.

4.6.1 Vazões das estações virtuais

A Figura 36 exibe a magnitude das vazões simuladas para cada AEI investigado. Cada
coluna refere-se à uma simulação do SWAT com o respectivo AEI. O segmento da coluna
refere-se ao aporte da vazão medido nas estações de monitoramento, representação garantida
pelo regime hidrológico normal da bacia, que com o acúmulo de área de drenagem, maior é a
contribuição da vazão (DESTEFANI, 2005). Quando comparadas com os valores da simulação
controle (última coluna e linhas de projeção no gráfico), verifica-se que as vazões produzidas
pelos AEI são superestimadas para a grande maioria das simulações, com exceção dos primeiros
cenários das estações Tereza Cristina (arranjos de 2, 3, 5, 8 e 9 estações) e Ubá do Sul (AEI de
2 e 3), o detalhamento encontra-se na Tabela A6 dos Anexos.

Figura 36 – Vazão produzida pelos AEI nas simulações da BHRI. Cada coluna representa uma
estação, e a as faixas representam o valor da vazão da simulação controle (151 estações).
 95

Ainda que a média de vazão da Figura 36 seja extremamente importante na investigação

da qualidade da simulação hidrológica, a medida implica em interpretações limitadas. Uma vez
que a vazão medida refere-se à média mensal entre 1994 a 2005 e, ao longo do cálculo desse
período, os picos de máximo e mínimo podem ser bastante distintos entre as simulações. Como
no exemplo da Figura 37, que mostra a vazão simulada da estação Tereza Cristina para um AEI
de 4 estações (80,50 m³/s, em laranja) e a vazão do modelo controle (80,18 m³/s, em azul).
Apesar da média diferenciar em apenas 0,32 m³/s, há divergência entre picos e valores mínimos
de vazão, que se anulam com a oposição dos comportamentos.

Figura 37 –Vazão simulada da estação Tereza Cristina com AEI de 150 estações (em azul) e 4
estações (em laranja).

Para contornar esse problema e avaliar a qualidade das simulações hidrológicas frente
aos diferentes AEI, aplicou-se o erro quadrático médio relativo (RRMSE, ver subseção 4.7.1),
que assume valores positivos entre zero e ∞, onde zero indica completa semelhança entre o
modelo controle e a simulação investigada. A Figura 38 ilustra o RRMSE das simulações nas
estações de vazão para os cenários de precipitação da BHRI. Os 19 primeiros elementos
referem-se à interpolação das estações em passo progressivo unitário, iniciando com 2 unidades.
A partir de 20 estações, o passo de adição é de 10, até que sejam atingidas as 150 estações.
 96

Figura 38 – RRMSE da vazão simulada nas estações fluviométricas da BHRI resultantes da aplicação
de estações virtuais sob parâmetros do modelo controle. São apresentados o comportamento para cada
estação fluviométrica de monitoramento para os 33 cenários de arranjos de estações.

Como esperado, o RRMSE da vazão alcançou o seu maior valor nos menores arranjos
para as cinco localidades e, com a adição de estações ao longo do gráfico, o erro se aproxima
de zero até que em 150 o RRMSE assume valores entre 0,0002 e 0,0007 indicando a
equivalência com a simulação controle. Os valores do RRMSE encontram-se na Tabela A7 nos
Anexos. O decaimento da curva indica o aumento da qualidade das simulações com o
incremento no AEI a cada interpolação. Esse resultado foi esperado pela semelhança com outras
investigações de densidade de estações em modelagem hidrológica (ANDRÉASSIAN et al.,
2001; FAURÈS et al., 1995). Esperava-se que maiores concentrações de estações
proporcionariam melhor representação espacial da precipitação e, por consequência, melhores
simulações.
Mesmo que o RRMSE se aproxime de zero, verifica-se que o aprimoramento das
simulações é relativamente lento. Visando a atenuação de erro em uma perspectiva coerente,
visto que redes de monitoramento densas e completas não são comuns, considerou-se um
RRMSE de aproximadamente 0,05 como aceitável. Nessa perspectiva, verifica-se que com
menos de 20 estações é possível atenuar o erro a esse valor, e assim, a Figura 39 detalha os
RRMSE das vazões simuladas para os 19 primeiros AEI.
 97

Figura 39 –RRMSE da vazão simulada nas estações fluviométricas da BHRI resultantes da aplicação
de estações virtuais sob parâmetros do modelo controle. São apresentados o comportamento para cada
estação fluviométrica de monitoramento para os 19 primeiros cenários de arranjos de estações.

A estação fluviométrica de Tereza Cristina apresentou os maiores erros para todas as

simulações e, é a partir do AEI de 13 que o RRMSE alcança um comportamento próximo ao
das outras estações. A estação Ubá do Sul ocupa a segunda posição de atraso na aproximação
com o erro das outras três estações, que acontece a partir do AEI com 5 componentes. Para o
restante das estações, a atuação do erro é correlata.
Sob o panorama de AEI com até 20 estações, é possível distinguir as particularidades
de cada região da bacia pela inclinação da curvatura no gráfico. Para o erro de aproximadamente
0,05, as simulações atingiram esse valor com 20, 15, 14, 11 e 12 estações no arranjo de
interpolação para Tereza Cristina, Ubá do Sul, Vila Rica, Porto Paraíso do Norte e Novo Porto
Taquara respectivamente. Ou seja, na mesma ordem, a área de abrangência de uma estação
nessa configuração é de 744 km², 824 km², 831 km², 923 km² e 870 km². Grande parte dessa
diferença atribui-se à característica da altimetria respectiva à área de drenagem da estação
investigada: Tereza Cristina apresenta a média de altitude da área de drenagem de 801,90 m,
enquanto que Novo Porto Taquara apresenta média de 345,93 m. Calculando a correlação da
altitude média com o AEI mínimo, verificou-se que o coeficiente de Pearson foi de 0,85
indicando grande relação linear entre erro e altitude.
Quanto ao efeito da precipitação sobre a vazão, a Figura 40, apresenta o diagrama de
dispersão entre o RRMSE da precipitação e da vazão para os 33 AEI nas cinco estações
 98

fluviométricas. O RRMSE da precipitação encontra-se detalhado na Tabela A8 dos Anexos.

Graficamente, verifica-se que os RRMSE são positivamente correlacionados e, os maiores erros
de precipitação são relacionados aos maiores erros de vazão. As linhas de tendência entre as
estações Tereza Cristina, Vila Rica e Novo Porto Taquara apresentam inclinações aproximadas
e indicam comportamento similar. Quanto ao ângulo da estação Ubá do Sul (em cinza), nota-
se que é o menor, indicando que os efeitos da precipitação para essa região criam reações mais
influentes sobre a vazão que nas outras estações fluviométricas. Esse efeito é esperado, visto
que os maiores índices de precipitação média anual encontram-se na área de drenagem da
estação Ubá do Sul (região centro-sul da BHRI na Figura 3b) e, somado às características do
relevo, geram numerosos picos de vazão. Em contrapartida, a estação Porto Paraíso do Norte,
onde está concentrado o menor acumulo de precipitação da BHRI, apresenta maior angulação
da linha de tendência (em laranja) implicando na atenuação dos efeitos da precipitação sobre as
respostas de vazão.

Figura 40 – Gráfico de dispersão entre o RRMSE da precipitação e o RRMSE da vazão para as cinco
estações de monitoramento.

4.6.2 Padrão de precipitação das estações virtuais

Em um estudo sobre os padrões da precipitação superficial, Teegavarapu (2012)

identificou que em escala diária ou menor resolução temporal, as condições de dias sem chuva
(valores zero de precipitação) formam a grande maioria dos dados de precipitação. E quando
 99

se aplica a interpolação, o valor nulo é substituído pela fração da precipitação resultante sob
influência das estações vizinhas. A Figura 41 ilustra a porcentagem de dias com precipitação
nula para os arranjos, em cada estação fluviométrica do modelo e para todo o período de
simulação (1991 a 2007 - warm-up, calibração e validação do modelo). Verifica-se que, com
menos estações interpoladas, prevalecem os dias sem chuva (entre 63,63 e 70,16% para Tereza
Cristina e Novo Porto Taquara, respectivamente) e com a adição de estações a cada arranjo, o
total de valores nulos é reduzido a menos de 20% (13,98 para Ubá do Sul e 18,82% para Novo
Porto Taquara).

Figura 41 –Dias sem chuva para as estações de monitoramento da BHRI para os 33 AEI.

Quanto aos extremos de precipitação, ilustrados na Figura 42, verifica-se grande

disparidade entre a magnitude dos valores a cada arranjo. Inicialmente, os máximos de
precipitação são superestimados e, conforme as estações são adicionadas, ocorre a permanência
em uma determinada medida para cada estação monitorada. O valor máximo para cada estação
fluviométrica pertence ao conjunto de estimativas diárias resultantes da interpolação e identifica
a precipitação máxima diária de uma superfície.
 100

Figura 42 – Precipitação máxima superficial das estações de monitoramento da BHRI dos 33 AEI.

As estações Ubá do Sul e Novo Porto Taquara praticamente reduzem seus máximos pela
metade com o aumento dos AEI. A estação Novo Porto Taquara no AEI de 5 estações especifica
o valor de precipitação de 123,30 mm, enquanto que os arranjos de uma estação antes e depois
reportam aproximadamente 129 mm. Em função da grande variabilidade espacial da
precipitação, algumas estimativas na interpolação são capazes de perturbar comportamentos
que aparentam certa previsibilidade. Porém, a estabilidade dos valores só é atingida quando os
efeitos dessas perturbações são reduzidos à pequenas influências pela ponderação dos registros
vizinhos. Ou seja, ao considerar mais estações, captura-se a variabilidade da precipitação e
prevalecem os valores mais representativos.
Quanto à identificação da melhor configuração de AEI na investigação de extremos de
precipitação, constata-se que é possível atingir a linearidade para valores de precipitação
máxima com menos de 20 estações. Porém, este resultado não deve ser generalizado visto que
se refere à precipitação acumulada de apenas um dia. Por exemplo: o dia mais chuvoso entre os
anos 1991 e 2007 na estação Tereza Cristina ocorreu em quatro dias diferentes ao longo dos 10
primeiros AEI. Já as estações Ubá do Sul e Vila Rica mantiveram o mesmo dia por todos os 33
AEI.
Em última análise, investigou-se os RRMSE da precipitação para os 33 AEI nas sub-
bacias do rio Ivaí. As sub-bacias são apresentadas por números na Figura 43, com uma
descrição completa sobre os dados na Tabela 1. A partir dos RRMSE das sub-bacias, foram
criados os diagramas de caixas (ou boxplot). A interpretação se dá pelos quartis e valores
 101

extremos. O retângulo é delimitado pelo quartis de 25% e 75% dos dados (Q1 e Q3,
respectivamente). As retas verticais (wiskers) ligam Q1 ao valor mínimo e Q3 ao valor máximo.
Os outliers são os valores discrepantes da série de dados, e são detectados a partir da soma entre
Q3 e 150% da diferença entre o Q3 e Q1. O retângulo, intervalo interquartílico, é a diferença
entre o Q3 e Q1 e mede a variabilidade dos dados.

Figura 43 – Diagrama de blocos do RRMSE para cada uma das sub-bacias da BHRI.

Quanto maior o erro, maior é a magnitude do valor de RRMSE. As sub-bacias 2, 4, 6,

8, 10, 13, 14, 17, 23 e 24 revelaram mais de um outlier, indicando que essas sub-bacias
apresentaram maiores erros na avaliação da precipitação superficial para os menores arranjos.
Diferentemente das sub-bacias 11 e 15, que foram as únicas que não apresentaram outliers.
Quanto ao valor máximo da série de amostras (desconsiderando os outliers), identifica-se a
grande variação de amplitude entre as sub-bacias, assim como o valor Q3, que delimita onde os
dados são menores ou iguais a 75% da série. Já para 25%, na base da caixa do boxplot, a
variação entre as sub-bacias é menor e os valores de RRMSE não superam 0,1. O mínimo de
todas as sub-bacias é zero e não há outliers inferiores.
A dispersão dos dados das sub-bacias, representada pela diferença entre o terceiro e o
primeiro quartil (tamanho da caixa) garante a interpretação mais robusta da variabilidade dos
valores de RRMSE e, a diferença entre os valores máximos e mínimos (diferença entre os
 102

wiskers), mostra a amplitude da dispersão. Em ambos, o comportamento entre as sub-bacias é

bastante divergente. Porém destacam-se duas sub-bacias: 11 e 9.
A sub-bacia 11 apresenta pequena dispersão e amplitude dos erros. Em análise mais
detalhada, identificou-se que é a menor sub-bacia da BHRI e, que a pequena área (2,48 km²),
somada às estações em proximidade, garantiram a minimização do erro. E em contrapartida, a
sub-bacia 9, com maior amplitude e dispersão do boxplot, pertence à maior sub-bacia do Ivaí,
com 4.416,82 km². Ainda que o comportamento geral das outras sub-bacias não mantenha o
padrão desta análise, é coerente afirmar que pequenas sub-bacias garantem melhor
detalhamento da precipitação, pela capacidade de representações regionais mais específicas e
que sofrem menos generalizações. Já para maiores áreas, a atuação das estações deve
representar maior perímetro e nem sempre são suficientes para descrever situações opostas, seja
pela distância ou pelos padrões da precipitação.

4.6.3 Densidade das estações interpoladas

A Organização Mundial de Meteorologia (OMM), em seu Guia de Instrumentação

Meteorológica e Métodos de Observação (WMO; JARRAUD, 2008), estabelece que a
densidade de estações meteorológicas depende da escala temporal e espacial do fenômeno
meteorológico observado e, geralmente é estabelecido pelo usuário ou pelas regulamentações
da OMM. A densidade mínima de estações pluviométricas para zonas temperadas,
mediterrâneas e tropicais é de uma estação a cada 250 km² em áreas montanhosas, 575 km² para
planícies interioranas e regiões onduladas/montanhosas e 900 km² para região costeira e litoral
(JARRAUD, 2008).
Obedecendo a diretiva da OMM, com 1 estação abrangendo 575 km², seriam necessárias
161 estações pluviométricas para a área desse estudo (BHRI somado ao buffer). Quando se
considera apenas os limites dentro da BHRI, estão disponíveis 83 estações, criando uma rede
de monitoramento condizente com as diretivas da OMM (com 1 estação abrangendo 441 km²).
Porém, para as simulações, considerou-se uma expansão do limite de abrangência na seleção
das estações da ANA. Isto foi feito para que a interpolação fosse praticável, e que a influência
das estações sobre o centroide não fosse tendenciosa pela escolha de apenas estações dentro da
BHRI.
A Tabela 14 resume as relações do RRMSE, AEI e densidade das estações
pluviométricas da ANA (consideradas na interpolação: BHRI e buffer). Ao manter o mesmo
 103

RRMSE, identifica-se a quantidade de estações mínimas necessárias para manter a mesma

qualidade da simulação hidrológica e padrões de precipitação. As células da tabela são coloridas
para indicar a gradação da densidade de estações, sendo tons mais claros aos menores arranjos
e mais escuros para os maiores arranjos – tons de laranja para a vazão e azul para a precipitação.
A estação Tereza Cristina, em todas situações, demanda maior número de estações e destaca-
se pelas características de relevo predominantemente ondulado.

Tabela 14 - Relação de AEI e densidades respectivas aos RRMSE da vazão e precipitação.

Tereza Ubá do Sul Vila Rica Porto Novo Porto
Cristina Paraíso do Taquara
Norte
RRMSE 20 15 14 11 12
(apróx. (744,44) (824,20) (831,63) (923,11) (870,85)
Vazão

0,05)
RRMSE 9 4 3 2 3
(apróx. (941,94) (1357,51) (1709,46) (2366,94) (1709,46)
0,10)
RRMSE 40 30 40 40 40
(apróx. (715,58) (721,17) (715,58) (715,58) (715,58)
0,10)
Precipitação

RRMSE 20 12 17 16 19
(apróx. (744,44) (870,85) (795,78) (816,91) (762,90)
0,15)
RRMSE 14 6 9 8 8
(apróx. (831,63) (1073,38) (941,94) (992,59) (992,59)
0,20)

Para ambos casos de vazão, são necessárias mais estações a montante que a jusante do
rio. Diferentemente dos padrões de precipitação que, com exceção de Tereza Cristina, não
indicam qualquer padrão. Levando à percepção de que os processos hidrológicos explicativos
da BHRI amortecem as variações de entrada de precipitação do modelo. E que, a modelagem
hidrológica com o SWAT, flexibiliza o número de estações mínimo de representação da
precipitação em regiões diferentes da bacia.
 104

5 CONCLUSÃO

Os resultados obtidos nas simulações de vazão mensal para BHRI, indicam que o
modelo SWAT simulou de forma satisfatória as vazões mensais de acordo com especificações
propostas por Moriasi et al. (2007) para a eficiência de Nash-Sutcliffe. Das cinco estações
fluviométricas de monitoramento, quatro se classificaram como Muito Boa (entre 0,86 e 0,89)
e uma, a estação Vila Rica, atingiu o índice Bom (0,70). Diante desses valores, a aplicabilidade
do modelo para a BHRI é confirmada através das respostas simuladas.
Dentre as características particulares da BHRI, o SWAT apresentou maior dificuldade
na representação das vazões mínimas em função da grande complexidade do conjunto de
estruturas subterrâneas, que contribuem aos processos hidrológicos da bacia. Registros e
estudos específicos que caracterizam essas componentes não são comuns e de difícil aferição.
No entanto, o SWAT é estruturado para admitir entradas de água, pelo usuário, para reestruturar
as parcelas de contribuição na equação do balanço hídrico que rege o modelo.
Ainda que o modelo da BHRI possa ser constantemente aperfeiçoado, as vazões
simuladas obtidas neste estudo se mostram adequadas para uso imediato por gestores e
formuladores de políticas para gestão dos recursos hídricos da bacia do Ivaí. A avaliação do
impacto sobre a vazão, que as mudanças que ocorreram na cobertura do solo nas últimas
décadas, representa um exemplo de aplicação imediata do modelo calibrado.
Este trabalho também investigou o desempenho do SWAT sobre diferentes densidades
de estações pluviométricas aplicadas às interpolações. Eventos de precipitação com maior
variabilidade espacial são mais difíceis de simular. Em geral, o modelo com maior densidade
de estações mostrou melhores simulações e maior estabilidade do que com menos estações
consideradas. Porém, a sub-bacia com menor área garantiu ótimos resultados com o menor AEI,
indicando possível habilidade na captura de variabilidade da precipitação a partir de pequenas
áreas.
Os resultados indicaram que a distribuição das estações pode ser variável ao longo da
bacia para um erro mínimo RRMSE de 0,05, quando comparado com o modelo controle. A
estação a montante, Tereza Cristina, necessita de no mínimo uma estação a cada 744,44 km²
para captura da variabilidade da precipitação devido à região com relevo ondulado. Já as
estações a jusante, onde o terreno é menos movimentado, a densidade pode ser menor. Destaca-
se a estação fluviométrica Porto Paraíso do Norte, que precisa de uma estação a cada 923,11
km², por apresentar a maior área de abrangência por estação na BHRI para o mesmo RRMSE.
 105

Apesar desse trabalho considerar a média da precipitação superficial para compor as

estimativas diárias de precipitação no centroide, é no centroide que o SWAT localiza o núcleo
da precipitação, responsável pela descrição dos padrões da pluviosidade e geração do
escoamento. Porém, deve ser apontado que o trabalho ainda apresenta várias limitações e que
podem ser melhoradas e exploradas. (a) Investigar outros métodos de interpolação da
precipitação. (b) Testar outras metodologias de seleção de estações para interpolação, como por
exemplo a partir de raio de abrangência com o centroide ou randomização dos pontos. (c)
Explorar diferentes limites de área das sub-bacias investigando o erro atribuído na
representação da precipitação. (d) Complementar a investigação com outros componentes do
SWAT: sedimento e qualidade da água. (e) Refinar a investigação para escala de simulação
diária para aprimorar a análise da variabilidade dentro do modelo hidrológico. (f) incluir na
formulação do modelo as bandas de elevação que auxiliam na interpretação de padrões de
orografia. (g) acoplar um modelo de interação entre água superficial e subterrânea para
investigação detalhada desses processos.
Por fim, cabe ressaltar que o rio Ivaí se configura como um dos principais tributários do
rio Paraná, e destaca-se pelo curso principal sem barramentos. Dentre as características físicas,
a BHRI nasce em região montanhosa em meio a morros e escarpas que garantem percurso
sinuoso ao curso d’água, constituindo alvo para instalação de aproveitamentos hidrelétricos. O
Segmento Médio destaca-se pelo posicionamento sobre estruturas de água subterrânea que
afloram por meio de fraturas que contribuem ao aporte de vazão. No trecho da planície aluvial,
com destaque às formações do arenito Caiuá, a contribuição do aquífero também determina o
regime de vazões em função da característica de aquífero livre. Dessa forma, o processo de
calibração do SWAT para a BHRI e a avaliação preliminar de seus resultados, oferecem não
apenas a possibilidade de seu uso imediato na bacia, mas também importantes lições para outros
estudos de modelagem hidrológica.
 106

REFERÊNCIAS

ABBASPOUR, Karim C.; JOHNSON, C. A.; VAN GENUCHTEN, M. Th. Estimating

uncertain flow and transport parameters using a sequential uncertainty fitting
procedure. Vadose Zone Journal, v. 3, n. 4, p. 1340-1352, 2004.

ABBASPOUR, K. C. SWAT-CUP 2012: SWAT Calibration and Uncertainty Programs—

A User Manual: Swiss Federal Institute of Aquatic Science and Technology. 2014.

ABBASPOUR, K. C.; ROUHOLAHNEJAD, E.; VAGHEFI, S.; SRINIVASAN, R.; YANG,

H.; KLØVE, B. A Continental-scale hydrology and water quality model for Europe: Calibration
and uncertainty of a high-resolution large-scale SWAT model. Journal of Hydrology, v. 524,
p. 733-752, 2015.

ABBASPOUR, K. C.; YANG, J.; MAXIMOV, I.; SIBER; R., BOGNER, K.; MIELEITNER,
J.; SRINIVASAN, R. Modelling hydrology and water quality in the pre-alpine/alpine Thur
watershed using SWAT. Journal of Hydrology, v. 333, n. 2-4, p. 413-430, 2007.

ABBASPOUR, K.C. SWAT-CUP: SWAT Calibration and Uncertainty Programs - A User

Manual. © Eawag, 2011. Disponível em: [Link]
siam/software/swat/index_EN. Acesso em: 2018-02-14.

AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA – ANEEL. Aproveitamentos

Hidrelétricos Paraná. Versão 23/03/2017, 2017.

AGÊNCIA NACIONAL DAS ÁGUAS – SUPERINTENDÊNCIA DE GESTÃO DA REDE

HIDROMETEOROLÓGICA (ANA-SGH). Orientações para consistência de dados
pluviométricos. Brasília. 21 p. 2012.

ALVARES, C. A. ; STAPE, J. L.; SENTELHAS, P. C.; DE MORAES GONÇALVES, J. L.;

SPADOVEK, G. Köppen's climate classification map for Brazil. Meteorologische Zeitschrift,
v. 22, n. 6, p. 711-728, 2013.

ANDERSON, M. C.; ZOLIN, C. A.; HAIN, C. R.; SEMMENS, K.; YILMAZ, M. T.; GAO,
F. Comparison of satellite-derived LAI and precipitation anomalies over Brazil with a thermal
infrared-based Evaporative Stress Index for 2003–2013. Journal of Hydrology, v. 526, p. 287-
302, 2015.

ANDRADE, A. R. Variabilidade da Precipitação Pluviométrica na Bacia Hidrográfica do

Ivaí - Paraná. Dissertação de Mestrado - UEM, Maringá, 118 p, 2003.

ANDRADE, A. R. de; NERY, J. T. Análise preliminar da precipitação pluviométrica da

bacia hidrográfica do Rio Ivaí - Paraná. XII Congresso Brasileiro de Meteorologia, p.1120–
1125, 2002.

ANDRÉASSIAN, V.; PERRIN, C.; MICHEL, C.; USART-SANCHEZ, I.; LAVABRE, J.

Impact of imperfect rainfall knowledge on the efficiency and the parameters of watershed
models. Journal of Hydrology, v. 250, n. 1-4, p. 206-223, 2001.
 107

ARNELL, N. W.; GOSLING, S. N. The impacts of climate change on river flow regimes at the
global scale. Journal of Hydrology, v. 486, p. 351-364, 2013.

ARNOLD, J. G.; SRINIVASAN, R.; MUTTIAH, R. S.; WILLIAMS, J. R. Large area

hydrologic modeling and assessment part I: model development. JAWRA Journal of the
American Water Resources Association, v. 34, n. 1, p. 73-89, 1998.

ARNOLD, J.G.; MORIASI, D.N.; GASSSMAN, P.W.;, ABBASPOUR, K.C.; WHITE, M.J.;
SRINIVASAN, R.; SANTHI, C.; HARMEL, R.D.; VAN GRIENSVEN, A.; Van LIEW,
M.W.; KANNAN, N; JHA, M. K. SWAT: Model use, calibration, and validation. Transactions
of the ASABE, v. 55, n. 4, p. 1491-1508, 2012.

ARNOLD, J.G.; SRINIVASAN, R.; MUTTIAH, R.S.; ALLEN, P.M., Continental scale
simulation of the hydrologic balance. JAWRA Journal of the American Water Resources
Association, v. 35, n. 5, p. 1037-1051, 1999.

ARNOLD, J.G.; YOUSSEF, M.A.; YEN, H. ; WHITE, M.J.; SHESHUKOV, A.Y.; SADEGHI,
A.M.; MORIASI, D.N.; STEINER, J.L.; AMATYA, D.M.; SKAGGS, R.W.; HANEY, E.B.;
JEONG, J.; ARABI, M.; GOWDA, P.H. Hydrological processes and model representation:
Impact of soft data on calibration. Transactions of the ASABE, v. 58, n. 6, p. 1637-1660,
2015.

ARNOLD, JEFFREY G.; ALLEN, P. M. Automated methods for estimating baseflow and
ground water recharge from streamflow records. JAWRA Journal of The American Water
Resources Association, v. 35, n. 2, p. 411-424, 1999.

ARROIO JUNIOR, P. P. Aprimoramento das rotinas e parâmetros dos processos

hidrológicos do modelo computacional Soil and Water Assessment Tool-SWAT. Tese de
Doutorado. Universidade de São Paulo, 2016.

BALDO, M. C. Variabilidade pluviométrica e a dinâmica atmosférica na bacia

hidrográfica do rio Ivaí – PR. Tese de Doutorado– UNESP, Presidente Prudente, 2006.

BARNETT, T. P.; PIERCE, D. W.; HIDALGO, H. G.; BONFILS, C.; SANTER, B. D.; DAS,
T.; CAYAN, D. R. Human-induced changes in the hydrology of the western United States.
Science, v. 319, n. 5866, p. 1080-1083, 2008.

BERNARDES, L. M. C. Distribuição da população no Estado do Paraná em 1940. Revista

Brasileira de Geografia. Rio de Janeiro, p.56-69, 1950.

BERNDT, C.; RABIEI, E.; HABERLANDT, U. Geostatistical merging of rain gauge and radar
data for high temporal resolutions and various station density scenarios. Journal of Hydrology,
v. 508, p. 88-101, 2014.

BINDOFF, N.L.; WILLEBRAND, J.; ARTALE, V.; CAZENAVE, A.; GREGORY, J.M.;
GULEV, S.; HANAWA, K.; LE QUERE, C.; LEVITUS, S.; NOJIRI, Y.; SHUM, C.K.;
TALLEY, L.D.; UNNIKRISHNAN, A.S. Observations: Oceanic Climate Change and Sea
Level, Climate Change 2007: The Physical Science Basis. Contribution of Working Group 1
to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change,
Cambridge University Press, Cambridge, UK and NY, USA, pp. 385-432, 2007.
 108

BINGNER, R. L.; THEURER, F. D. AnnAGNPS Technical Processes. Version 3.2. Oxford:

USDA-ARS/USDA-NRCS, 84 p, 2005.

BIRKMANN, J. Measuring vulnerability to natural hazards: towards disaster resilient

societies. United Nations University Press, Tokyo, 2006.

BRAS, R. L. Sampling of interrelated random fields: The rainfall‐runoff case. Water

Resources Research, v. 15, n. 6, p. 1767-1780, 1979.

BRESSIANI, D. A. Coping with hydrological risks through flooding risk index, complex
watershed modeling, different calibration techniques, and ensemble streamflow
forecasting. Tese de Doutorado. Universidade de São Paulo, 2016.

BRIGHENTI, T. M.; BONUMÁ, N. B.; CHAFFE, P. L. B. Calibração hierárquica do modelo

swat em uma bacia hidrográfica Catarinense. Revista Brasileira de Recursos Hídricos, v. 21,
n. 1, p. 53-64, 2016.

BURROUGH, P. A.; MCDONNELL, R. A. Creating continuous surfaces from point data.

Principles of Geographic Information Systems. Oxford University Press, Oxford, UK, 1998.

BURT, T. P.; HEATHSTAITE, A. L. The hydrology ofthe siapton catchments. Field Studies,
v. 8, p. 543-557, 1996.

CAISSIE, D.; ROBICHAUD, S. Towards a better understanding of the natural flow

regimes and streamflow characteristics of rivers of the Maritime Provinces, Canadian
Technical Report of Fisheries and Aquatic Sciences 2843, 2009.

CARAMORI, P. H.; CAVIGLIONE, J. H.; WREGE, M. S.; GONÇALVES, S. L.; FARIA, R.

T. DE; ANDRICIOLI, FILHO, A.; KOGUISHI, M.. S. Zoneamento de riscos climáticos para
a cultura de café (Coffea arabica L.) no Estado do Paraná. Revista Brasileira de
Agrometeorologia, v. 9, n. 03, p. 486-494, 2001.

CARVALHO, A. L., de SOUZA, J. L., LYRA, G. B., & WANDERLEY, H. S. Aplicação da

cadeia de markov para dias secos e chuvosos. Revista Brasileira de Meteorologia, v. 32, n. 2,
p. 207–214, 2017.

CELLIGOI, A.; DUARTE, U. Aspectos Climáticos e Balanço Hídrico da Região Noroeste

do Estado do Paraná. First Joint World Congress on Groundwater, 2000.

CHAPLOT, V.; SALEH, A.; JAYNES, D. B. Effect of the accuracy of spatial rainfall
information on the modeling of water, sediment, and NO3–N loads at the watershed level.
Journal of Hydrology, v. 312, n. 1-4, p. 223-234, 2005.

CHO, J.; BOSCH, D.; LOWRANCE, R.; STRICKLAND, T.; VELLISIS, G. Effect of spatial
distribution of rainfall on temporal and spatial uncertainty of SWAT output. Transactions of
the ASABE, v. 52, n. 5, p. 1545-1556, 2009.

CHOW, V. T. Open-Channel Hydraulics. McGRaw-Hill, New York, 1959. 680 p.

 109

CHOW, V. T.; MAIDMENT, D. R.; MAYS, L. W. Applied hydrology. New York: McGraw-
Hill, Inc., 1988.

CHU, J.; ZHANG, C.; WANG, Y.; ZHOU, H.; SHOEMAKER, C.A. A watershed rainfall data
recovery approach with application to distributed hydrological models. Hydrological
Processes, v. 26, n. 13, p. 1937-1948, 2012.

COLLISCHONN, W.; FAN, F. M. Defining parameters for Eckhardt's digital baseflow filter.
Hydrological Processes, v. 27, n. 18, p. 2614-2622, 2012.

COMPANHIA DE PESQUISA E RECURSOS MINERAIS (CPRM) Serviço Geológico do

Brasil, Ana Claudia Viero, Diogo Rodrigues Andrade da Silva, 2010: Geodiversidade do
Estado do Rio Grande do Sul. Programa Geologia do Brasil Levantamento da
Geodiversidade, 250 p, 2010.

COMPANHIA DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO DO

PARANÁ/SECRETARIA DO MEIO AMBIENTE E RECURSOS HÍDRICOS DO PARANÁ
(CELEPAR/SEMA). Atlas da Vegetação do Estado do Paraná. Atlas Digital.
CELEPAR/SEMA: Curitiba, 2002.

COPANHIA PARANAENSE DE ENERGIA. Diagnóstico do aproveitamento do baixo

curso do Rio Ivaí para transporte e geração de energia. Curitiba, Relatório Interno, v. 1,
336p, 1984a.

COPANHIA PARANAENSE DE ENERGIA. Diagnóstico do aproveitamento do baixo

curso do Rio Ivaí para transporte e geração de energia. Curitiba, Relatório Interno, v. 2,
401p, 1984b.

CRONSHEY, R. G.; ROBERTS, R. T.; MILLER, N. Urban hydrology for small watersheds
(TR-55 Rev.). In: Hydraulics and Hydrology in the Small Computer Age. ASCE, 1985. p.
1268-1273.

DAI, A.; WIGLEY, T. M. L. Global patterns of ENSO‐induced precipitation. Geophysical

Research Letters, v. 27, n. 9, p. 1283-1286, 2000.

DE ROO, A. P. J.; WESSELING, C. G.; JETTEN, V. G.; RITSEMA, C. J. LISEM: A

physically-based hydrological and soil erosion model incorporated in a GIS. IAHS
Publication, v. 235, p. 395-403, 1996.

DESPOTOVIC, M.; NEDIC, V.; DESPOTOVIC, D.; CVETANOVIC, S. Evaluation of

empirical models for predicting monthly mean horizontal diffuse solar radiation. Renewable
and Sustainable Energy Reviews, v. 56, p. 246-260, 2016.

DESTEFANI, E. V. Regime Hidrológico do rio Ivaí – PR. Dissertação de Mestrado – UEM,

Maringá. 95 p, 2005.

DINGMAN, S.L. Physical hydrology. Prentice-Hall, Inc., Englewood Cliffs, NJ, 1994.

DOORENBOS, J.; KASSAM, A. H. Efeito da água no rendimento das culturas. Paraíba:

Universidade Federal da Paraíba. n.33, 221p, 2000.
 110

DOUGLAS-MANKIN, K. R.; SRINIVASAN, R.; ARNOLD, J. G. Soil and Water Assessment

Tool (SWAT) model: Current developments and applications. Transactions of the ASABE, v.
53, n. 5, p. 1423-1431, 2010.

EASTERLING, D. R. MEEHL, G. A. PARMESAN, C. CHANGNON, S. A. KARL, T. R.

MEARNS, L. Climate Extremes: Observations, Modelling and Impacts. Review: Atmospheric
Science. Science. v.289. 2000.

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA – EMBRAPA. Centro

Nacional de Pesquisa de Solos. Sistema brasileiro de classificaçao de solos. 2. Ed. Rio de
Janeiro: EMBRAPA Solos, 2006. 306 p.

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA – EMBRAPA. Sistema

brasileiro de classificação de solos. Brasília, Serviço de Produção de Informação, 1999. 412p.

ENGMAN, E.T. Roughness coefficients for routing surface runoff. Proc. Spec. Conf.
Frontiers of Hydraulic Engineering, 1983.

FARR, T. G.; ROSEN, P. A.; CARO, E.; CRIPPEN, R.; DUREN, R.; HENSLEY, S.; SEAL,
D. The shuttle radar topography mission. Reviews of geophysics, v. 45, n. 2, 2007.

FAUCONNIER, Y. Evaluation de La Ressource Dans Le Bassin Versant de l’Ibicuí Grâce

à La Modélisation Hydrologique: Application de l’outil SWAT, 2017.

FAURÈS, J. M.; GOODRICH, D. C.; WOOLHISER, D. A.; SOROOSHIAN, S. Impact of

small-scale spatial rainfall variability on runoff modeling. Journal of Hydrology, v. 173, n. 1-
4, p. 309-326, 1995.

FENG, H.; ZOU, B.; LUO, J. Coverage-dependent amplifiers of vegetation change on global
water cycle dynamics. Journal of hydrology, v. 550, p. 220-229, 2017.

FERNANDES, L.A.; COIMBRA, A.M. O Grupo Caiuá (Ks): revisão estratigráfica e contexto
deposicional. Revista Brasileira de Geociências, v.24, n.3, p.164-176, 1994.

FERREIRA, M. M.; FERNANDES, B.; CURI, N. Mineralogia da fração argila e estrutura de

Latossolos da região Sudeste do Brasil. Revista Brasileira de Ciência do Solo, v. 23, n. 3, p.
507-514, 1999.

FORTIN, M. J.; DALE, M. Spatial Analysis: A guide for Ecologists. Cambridge: Cambridge
University Press, 2006.

FRANCHINI, J. C.; COSTA, J. M.; DEBIASI, H.; TORRES, E. Importância da rotação de

culturas para a produção agrícola sustentável no Paraná. Londrina: Embrapa Soja, 2011.

FRIEDL, M. A.; SULLA-MENASHE, D.; TANn, B.; SCHNEIDER, A.; RAMANKUTTY, N.;
SIBLEY, A.; HUANG, X. MODIS Collection 5 global land cover: Algorithm refinements and
characterization of new datasets. Remote sensing of Environment, v. 114, n. 1, p. 168-182,
2010.
 111

FUJITA, R. H. O perfil longitudinal do rio Ivaí e sua relação com a dinâmica de fluxos
Maringá. 2009. Tese de Doutorado. Dissertação de Mestrado, Departamento de Geografia,
Universidade Estadual de Maringá, Maringá.

FUNK, C.; PETERSON, P.;LANDSFELD, M.; PEDREROS, D.; VERDIN, J.; SHUKLA, S.;
MICHAELSEN, J. The climate hazards infrared precipitation with stations—a new
environmental record for monitoring extremes. Scientific data, v. 2, p. 150066, 2015.

GASSMAN, P. W., Reyes, M. R., Green, C. H., & Arnold, J. G. . The soil and water assessment
tool: historical development, applications, and future research directions. Transactions of the
ASABE, v. 50, n. 4, p. 1211-1250, 2007.

GHIDIN, A.A.; FREITAS MELO, V.; COSTA LIMA, V.; JONASSON COSTA LIMA, J. M.
Toposseqüências de latossolos originados de rochas basálticas no paraná. II-Relação entre
mineralogia da fração argila e propriedades físicas dos solos. Revista Brasileira de Ciencia
do Solo, v. 30, n. 2, 2006.

GIRONS LOPEZ, M.; WENNERSTRÖM, H.; NORDÉN, L. Å.; SEIBERT, J. Location and
density of rain gauges for the estimation of spatial varying precipitation. Geografiska Annaler:
Series A, Physical Geography, v. 97, n. 1, p. 167-179, 2015.

GLOBALWEATHER, 2017. NCEP Climate Forecast System Reanalysis

(CFRS).Disponível em: [Link] Acesso em: ago. 2017.

GORDON, N. D.; MCMAHON, T. A.; FINLAYSON, B. L. Stream hydrology: an

introduction for ecologists. John Wiley and Sons, 2004.

GRIMM, A. M. How do La Niña events disturb the summer monsoon system in Brazil?.
Climate Dynamics, v. 22, n. 2-3, p. 123-138, 2004.

GRIMM, A. M.; BARROS, V. R.; DOYLE, M. E. Climate variability in southern South

America associated with El Niño and La Niña events. Journal of climate, v. 13, n. 1, p. 35-58,
2000.

GRIMM, A. M.; FERRAZ, S. ET; GOMES, J. Precipitation anomalies in southern Brazil

associated with El Niño and La Niña events. Journal of climate, v. 11, n. 11, p. 2863-2880,
1998.

GUPTA, H. V.; SOROOSHIAN, S.; YAPO, P. O. Status of automatic calibration for hydrologic
models: Comparison with multilevel expert calibration. Journal of Hydrologic Engineering,
v. 4, n. 2, p. 135-143, 1999.

GUPTA, H.V.; PERRIN, C.; BLOSCHL, G.; MONTANARI, A.; KUMAR, R.; CLARK, M..;
ANDRÉASSIAN, V. Large-sample hydrology: a need to balance depth with breadth.
Hydrology and Earth System Sciences, v. 18, n. 2, p. 463, 2014.

HABERLANDT, U.; KITE, G. W. Estimation of daily space–time precipitation series for

macroscale hydrological modelling. Hydrological Processes, v. 12, n. 9, p. 1419-1432, 1998.
 112

HARGREAVES, G. L.; RILEY, J. P. Agricultural benefits for Senegal River Basin. Journal
of Irrigation and Drainage Engineering, v. 111, n. 2, p. 113- 124,1985.

HELD, I. M.; SUAREZ, M. J. A proposal for the intercomparison of the dynamical cores of
atmospheric general circulation models. Bulletin of the american Meteorological society, v.
75, n. 10, p. 1825-1830, 1994.

HESPANHOL, A. N. A formação sócio-espacial da região de Campo Mourão e dos

municípios de Ubiratã, Campina da Lagoa e Nova Cantú-PR. Boletim de Geografia.
Maringá, n.1, ano 11, p.17-28, 1993.

HONG, Y.; ADLER, R. F.; HOSSAIN, F.; CURTIS, S.;HUFFMAN, G. J. A first approach to
global runoff simulation using satellite rainfall estimation. Water Resources Research, v. 43,
n. 8, 2007.

HUNTINGTON, T. G. Evidence for intensification of the global water cycle: review and
synthesis. Journal of Hydrology, v. 319, n. 1, p. 83-95, 2006.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Manual técnico da

vegetação brasileira. Manuais Técnicos em Geociências. Rio de Janeiro, n.1, 92p, 1992.

INSTITUTO DE TERRAS CARTOGRAFIA E GEODÉSIA (ITCG). Mapa Climático do

Estado do Paraná – 1:500.000. ITCG/SIMEPAR. 2008a. Disponível em:
<[Link]>. Acesso em 13 janeiro de 2018.

INSTITUTO DE TERRAS CARTOGRAFIA E GEODÉSIA (ITCG). Mapa de Solos do

Estado do Paraná – 1:50.000. ITCG/EMBRAPA/EMATER. 2008b. Disponível em:
<[Link]>. Acesso em 13 janeiro de 2018.

INSTITUTO DE TERRAS CARTOGRAFIA E GEODÉSIA (ITCG). Mapa fitogeográfico do

Estado do Paraná – 1:250.000. ITCG/SIMEPAR. 2008c. Disponível em:
<[Link]>. Acesso em 14 janeiro de 2018.

INSTITUTO DE TERRAS CARTOGRAFIA E GEODÉSIA (ITCG). Mapa geomorfológico

do Estado do Paraná – 1:250.000. ITCG/SIMEPAR. 2008d. Disponível em:
<[Link]>. Acesso em 14 janeiro de 2018

INSTITUTO PARANAENSE DE ASSISTÊNCIA TÉCNICA E EXTENSÃO RURAL –

EMATER. Projeto Irrigaçã[Link]ível em:
[Link] Acesso em:
[Link].2018.

JARRAUD, M. Guide to meteorological instruments and methods of observation (WMO-No.

8). World Meteorological Organisation: Geneva, Switzerland, 2008.

JUNG, C. ;LEE, D. R.; MOON, J. W. Comparison of the Penman Monteith and Regional
Calibration of Hargreaves Equation for Actual Evapotranspiration Using SWAT-Stimulated
Results in Seolma-Cheon Watershed. Hydrological Sciences Journal, 2016.
 113

KUO, X.; GE, J.; WANG, Y.; ZHANG, C. Validation of the weather generator CLIGEN with
daily precipitation data from the Loess Plateau, China. Journal of hydrology, v. 347, n. 3-4, p.
347-357, 2007.

KRAUSE, P.; BOYLE, D. P.; BÄSE, F. Comparison of different efficiency criteria for
hydrological model assessment. Advances in geosciences, v. 5, p. 89-97, 2005.

KRYSANOVA, V.; HATTERMANN, F. F. Intercomparison of climate change impacts in 12

large river basins: overview of methods and summary of results. Climatic Change, v. 141, n.
3, p. 363-379, 2017.

KUERTEN, S. Variação Longitudinal das Características Sedimentares e Hidrológicas do

Rio Ivaí, PR, em seu Curso Inferior. 2006. Dissertação (Mestrado em Geografia) – UEM,
Maringá.

LASTORIA, G.; GASTMANS, D.; CHANG, H. K.; SINELLI, O.; HUTCHEON, I.

Evidências da conectividade hidráulica entre os sistemas aqüíferos Serra Geral e Guarani
no estado de Mato Grosso do Sul e aspectos ambientais correlacionados. Águas
Subterrâneas, n. 1, 2007.

LEE, T. C.K; ZWIERS, F. W.; TSAO, Min. Evaluation of proxy-based millennial

reconstruction methods. Climate Dynamics, v. 31, n. 2-3, p. 263-281, 2008.

LEGATES, D. R.; G. J. McCABE. 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.

LELI, I. T.; STEVAUX, J. C.; DA NÓBREGA, M. T.. Dinâmica espacial da hidrologia da

bacia do rio Ivaí. Boletim de Geografia, v. 28, n. 2, p. 41-47, 2010.

LELI, I. T., STEVAUX, J. C., CREMON, É. H., e da NÓBREGA, M. T. . River Functioning

Analysis from Suspended Sediment and Water Discharge Study: The Case of the Ivaí River,
Southern Brazil. Revista Brasileira de Geomorfologia, v. 18, n. 1, 2017.

LI, Z.; ZHANG, J. Calculation of field Manning’s roughness coefficient. Agricultural Water
Management, v. 49, n. 2, p. 153-161, 2001.

LY, S.; CHARLES, C.; DEGRE, A.. Geostatistical interpolation of daily rainfall at catchment
scale: the use of several variogram models in the Ourthe and Ambleve catchments, Belgium.
Hydrology and Earth System Sciences, v. 15, n. 7, p. 2259-2274, 2011.

MAACK, H., Geografia física do Paraná. Secretaria da Cultura e do Esporte do Governo do

Estado do Paraná. Ed. José Olimpo S.A. 450p, 2002.

MARUN, Felipe. Propriedades físicas e biológicas de um Latossolo Vermelho-Escuro do

arenito Caiuá sob pastagem e culturas anuais. Pesquisa Agropecuária Brasileira, v. 31, n. 8,
p. 593-597, 1996.
 114

MERCURI, E. G. F., DEPPE, F., LOHMANN, M., & SIMÕES, K. Metodologia da Geração
de Dados de Entrada e Aplicação do Modelo SWAT para Bacias Hidrográficas Brasileiras.
Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, p. 4773–4780, 2009.

MEURER, M.; BRAVARD, J.; STEVAUX, J. C. Ecorregioes da bacia hidrográfica do Rio

Ivaí, Paraná, Brasil: Uma contribução metodológica para a gestao de bacias hidrográficas.
Geografia, v. 35, n. 2, p. 345-357, 2010.

MINEROPAR– Atlas Geológico do Paraná. Secretaria da Indústria do Comércio e do

Turismo. Governo do Estado do Paraná. ,2001.

MINEROPAR, Minerais do Paraná SA. Atlas Geomorfológico do Estado do Paraná–Escala

1: 250.000. 2006.

MONTEIRO, J. A., Kamali, B., Srinivasan, R., Abbaspour, K., & Gücker, B. Modelling the effect of
riparian vegetation restoration on sediment transport in a human‐ impacted Brazilian
catchment. Ecohydrology, v. 9, n. 7, p. 1289-1303, 2016.

MONTEIRO, C. A. F. Clima. In: INSTITUTO BRASILEIRO DE GEOGRAFIA E

ESTATÍSTICA (Ed.). Geografia do Brasil: Grande Região Sul. Rio de Janeiro, v.4, n.18,Tomo
I., p.114-166, 1968.

MONTEITH, J. L. Evaporation and environment. In: SYMPOSIUM OF THE SOCIETY

FOR EXPERIMENTAL BIOLOGY, XIX, 1965, Swansea. The State and Movement of Water
in Living Organisms. New York: Cambridge University Press, p. 205-234, 1965.

MORIASI, D. N., Arnold, J. G., Van Liew, M. W., Bingner, R. L., Harmel, R. D., & Veith, T.
L.. Model evaluation guidelines for systematic quantification of accuracy in watershed
simulations. Transactions of the ASABE, v. 50, n. 3, p. 885-900, 2007.

MULETA, M. K.; NICKLOW, J. W. Sensitivity and uncertainty analysis coupled with

automatic calibration for a distributed watershed model. Journal of Hydrology, v. 306, n. 1-4,
p. 127-145, 2005.

NASH, J. E.; SUTCLIFFE, J. V. River flow forecasting through conceptual models part I—A
discussion of principles. Journal of Hydrology, v. 10, n. 3, p. 282-290, 1970.

NEITSCH, S. L.; ARNOLD, J. G.; SRINIVASAN, R. Pesticides fate and transport predicted
by the Soil And Water Assessment Tool (SWAT). Atrazine, Metolachlor and Trifluralin in
the Sugar Creek Watershed: BRC Report, v. 3, 2002.

NEITSCH, S.; ARNOLD, J. ; KINIRY, J.; WILLIAMS, J. Soil & Water Assessment Tool
Theoretical Documentation Version 2009. Texas Water Resources Institute, 1–647, 2011.

NERY, J.T. Estudio Climático de la Precipitación del Brasil Meridional Asociados con
Extremos Extrarregionales. (Tesis Doctoral). Buenos Aires – Argentina, 1996.

NICKS, A. D. Stochastic Generation of the Occurrence, Pattern, And. Miscellaneous

Publication, n. 1275, p. 154, 1974.
 115

NIJSSEN, B.; O'DONNELL, G. M.; LETTENMAIER, D. P.; LOHMANN, D.; WOOD, E. F.

Predicting the discharge of global rivers. Journal of Climate, v. 14, n. 15, p. 3307-3323, 2001.

NOAA National Centers for Environmental Information, State of the Climate: El

Niño/Southern Oscillation for Annual 2006, published online January 2007, Disponível
em:[Link] Acesso em: [Link].2018.

NORMAN, E.; BAKKER, K.; COOK, C.; DUNN, G.; ALLEN, D. Water Security: A
[Link] on Water Governance. UBC, Vancouver, p. 56, 2010.

OKI, T.; KANAE, S. Global hydrological cycles and world water resources. science,
Freshwater Resources v. 313, n. 5790, p. 1068-1072, 2006.

OVERTON, D. E. Muskingum flood routing of upland streamflow. Journal of Hydrology, v.

4, p. 185-200, 1966.

PACIFICI, M.; FODEN, W.B.; VISCONTIL, P.; WATSON, J.E.M.; BUCHART, S.H.M.;
KOVACS, K.M.; SCHEFFERS, B.R.; HOLE, D.G.; MARTIN, T.G.; AKÇAKAYA,H.R.;
CORLETT,R.T.; HUNTLEY, B.; BICKFORD, D.; CARR, J.A.; HOFFMAN, A.A.
MIDGLEY, G.F.; PEARCE-KELLY, P.; WILLIAMS, S.E.; WILLIS, S.G.; YOUNG, B.;
RONDININIL, C. Assessing species vulnerability to climate change. Nature Climate Change,
v. 5, n. 3, p. 215, 2015.

PAI, N.; SARASWAT, D.; SRINIVASAN, R. Field_SWAT: A tool for mapping SWAT output
to field boundaries. Computers & Geosciences, v. 40, p. 175-184, 2012.

PAIVA, D.G., Análise do índice de relação entre fluxo de base e desflorestamento por meio
de imagens orbitais e análise hidrológica: Baixo curso do rio Ivaí. Dissertação (Mestrado
em análise regional e ambiental) - Departamento de Geografia, Universidade Estadual de
Maringá, Maringá, 2008.

PEREIRA, D.R. Simulação hidrológica na bacia hidrográfica do rio Pomba usando o

modelo SWAT. Tese de Doutorado. Tese (Doutorado em Engenharia Agrícola)–Programa de
Pós-Graduação em Engenharia Agrícola, Universidade Federal de Viçosa, Viçosa, MG, 126 p.
2013.

POLSKY, C.; NEFF, R.; YARNAL, B. Building comparable global change vulnerability
assessments: The vulnerability scoping diagram. Global Environmental Change, v. 17, n. 3-
4, p. 472-485, 2007.

PRIESTLEY, C. H. B.; TAYLOR, R. J. On the assessment of surface heat flux and evaporation
using large-scale parameters. Monthly weather review, v. 100, n. 2, p. 81-92, 1972.

RALLISON, R. E.; MILLER, N. Past, present, and future SCS runoff procedure. In: Rainfall-
runoff relationship/proceedings, International Symposium on Rainfall-Runoff Modeling held
May 18-21, 1981 at Mississippi State University, Mississippi State, Mississippi, USA/edited
by VP Singh. Littleton, Colo.: Water Resources Publications, c1982., 1982.

RAMANATHAN, V. C. P. J.; CRUTZEN, P. J.; KIEHL, J. T.; ROSENFELD, D. Aerosols,

climate, and the hydrological cycle. Science, v. 294, n. 5549, p. 2119-2124, 2001.
 116

REBOUÇAS, A.C. Recursos hídricos subterrâneos da Bacia do Paraná – análise de pré-

viabilidade. Tese (Livre Docência) – IG/USP, São Paulo. 143 p, 1976.

REFSGAARD, J.C. Parameterisation, calibration and validation of distributed hydrological

models. Journal of Hydrology, v. 198, n. 1-4, p. 69-97, 1997.

RICHARDS, R.P., 1989. Measures of flow variability for Great Lakes tributaries. Environ.
Monit. Assess. 12, 361–377.

RITCHIE, Joe T. Model for predicting evaporation from a row crop with incomplete
cover. Water resources research, v. 8, n. 5, p. 1204-1213, 1972.

RODERJAN, C. V.; GALVÃO, F.; KUNIYOSHI, Y. S.; HATSCHBACH, G. G. As unidades

fitogeográficas do Estado do Paraná, Brasil. Revista Ciência & Ambiente. Santa Maria, v.1,
n.24, p.75-92, 2002.

ROUHOLAHNEJAD, E.; ABBASPOUR, K. C.; VEJDANI, M.; SRINIVASAN, R.;

SCHULIN, R.; LEHMANN, A. A parallelization framework for calibration of hydrological
models. Environ. Model. Software, v. 31, p. 28-36, 2012.

SAHA, S.; MOORTHI, S.; PAN, H.; WU, X.; WANG, J.; NADIGA, S.; TRIPP, P.;
KISTLER,R.; WOOLLEN, J.; BEHRINGER, D.; LIU, H.; STOKES, D.; GRUMBINE, R.;
GAYNO, G.; WANG, J.; HOU, I.; CHUANG, H.; JUANG, H.H.; SELA, J.; IREDELL, M.;
TREADON, R.; KLEIST, D.; DELST, P.V.; KEYSER, D.; DERBER, J.; EK, M.; MENG, J.;
WEI, H.; YANG, R.; LORD, S.; DOOL, H.; KUMAR, A.; WANG, W.; LONG, C.;
CHELLIAH, M.; XUE, Y.; HUANG, B.; SCHEMM, J.; EBISUZAKI, W.; LIN, R.; XIE, P.;
CHEN, M.; ZHOU, S.; HIGGINS, W.; ZOU, C.; LIU, Q.; CHEN, Y.; HAN, Y.; CUCURULL,
L.; REYNOLDS, R. W.; RUTLEDGE, G.; GOLDBERG, M. The NCEP climate forecast
system reanalysis. Bulletin of the American Meteorological Society, v. 91, n. 8, p. 1015-
1058, 2010.

SAHA, S.; MOORTHI, S.; PAN, H. L.; WU, X.; WANG, J.; NADIGA, S. NCEP Climate
Forecast System Reanalysis (CFSR) Selected Hourly Time-Series Products, January 1979
to December 2010. Research Data Archive at the National Center for Atmospheric Research,
Computational and Information Systems Laboratory, 2016.

SAHA, S.; MOORTHI, S.; WU, X.; WANG, J.; NADIGA, S.; TRIPP, P.; BECKER, E. The
NCEP climate forecast system version 2. Journal of Climate, v. 27, n. 6, p. 2185-2208, 2014.

SALA, M. G. Unidades Geoambientais da Margem Esquerda da Planície Aluvial do Rio

Ivaí. 2014. Tese de Doutorado – UEM, Maringá. 152 p.

SANTHI, C, J. G. ARNOLD, J. R. WILLIAMS, W. A. DUGAS, R. SRINIVASAN, and L. M.

HAUCK Validation of the swat model on a large rwer basin with point and nonpoint sources.
JAWRA Journal of the American Water Resources Association, v. 37, n. 5, p. 1169-1188,
2001.
 117

SANTOS, M. L.; STEVAUX, J. C.; GASPARETTO, N. V. L.; DE SOUZA FILHO, E. E.

Geologia e Geomorfologia da Planície Aluvial do Rio Ivaí em seu Curso Inferior. Revista
Brasileira de Geomorfologia, v. 9, n. 1, 2008.

SANTOS, V. C. dos. Ambientes de Confluência no Contexto da Rede de Drenagem:

Exemplo da Bacia Hidrográfica do rio Ivaí. Tese de Doutorado - UNESP, Rio Claro, 2015

SASAL, M. C.; CASTIGLIONI, M. G.; WILSON, M. G. Effect of crop sequences on soil

properties and runoff on natural-rainfall erosion plots under no tillage. Soil and Tillage
Research, v. 108, n. 1-2, p. 24-29, 2010.

SCAFETTA, N. Problems in modeling and forecasting climate change: CMIP5 general

circulation models versus a semi-empirical model based on natural oscillations. International
Journal of Heat and Technology, v. 34, p. S435-S442, 2016.

SCHNEIDER, R. L.; MÜHLMANN, H.; TOMMASI, E.; MEDEIROS, R. A.; DAEMON, R.

F.; NOGUEIRA, A. A. Revisão estratigráfica da Bacia do Paraná. In: Congresso Brasileiro de
Geologia, 28. Porto Alegre. Anais São Paulo: Sociedade Brasileira de Geologia, v. 1, p. 41-65,
1974.

SCHUOL, J.; ABBASPOUR, K. C. Using monthly weather statistics to generate daily data in
a SWAT model application to West Africa. Ecological modelling, v. 201, n. 3-4, p. 301-311,
2007.

SCHUOL, J.; ABBASPOUR, K. C.; SRINIVASAN, R.; YANG, H. Estimation of freshwater

availability in the West African sub-continent using the SWAT hydrologic model. Journal of
hydrology, v. 352, n. 1-2, p. 30-49, 2008.

SECRETARIA ESPECIAL DE ASSUNTOS DE MEIO AMBIENTE E RECURSOS

HÍDRICOS (SEMA). Plano de Manejo da Área de Proteção Ambiental da Serra da
Esperança. [s.n]: Curitiba-PR, 2009.

SECRETARIA ESPECIAL DE ASSUNTOS DE MEIO AMBIENTE E RECURSOS

HÍDRICOS (SEMA). Plano Estadual de Recursos Hídricos do Paraná - Resumo Executivo.
[s.n]: Curitiba-PR, 2010a.

SECRETARIA ESPECIAL DE ASSUNTOS DE MEIO AMBIENTE E RECURSOS

HÍDRICOS (SEMA). Bacias hidrográficas do Paraná – Série Histórica. [s.n]: Curitiba-PR,
2010b.

SECRETARIA ESPECIAL DE ASSUNTOS DE MEIO AMBIENTE E RECURSOS

HÍDRICOS (SEMA). Elaboração do Plano Estadual de Recursos Hídricos - Produto 1.2 –
Parte B: Diagnóstico das Disponibilidades Hídricas Subterrâneas [s.n]: Curitiba-PR,
2010c.

SECRETARIA ESPECIAL DE ASSUNTOS DE MEIO AMBIENTE E RECURSOS

HÍDRICOS (SEMA). Elaboração do Plano Estadual de Recursos Hídricos - Produto 1.1 -
Anexo II: Diagnóstico das Demandas e Disponibilidades Hídricas Superficiais [s.n]:
Curitiba-PR, 2010d.
 118

SHARPLEY, A.N.; WILLIAMS, J.R. EPIC-Erosion/Productivity Impact Calculator: 1, Model

Documentation. USDA Techn. Bull. 1759, v. 235, 1990.

SHEN, Z.; CHEN, L.; LIAO, Q.; LIU, R.; HONG, Q. Impact of spatial rainfall variability on
hydrology and nonpoint source pollution modeling. Journal of Hydrology, v. 472, p. 205-215,
2012.

SIMÕES, R.M.A. Notas sobre o clima do Estado do Paraná. Revista Brasileira de Geografia.
Rio de Janeiro, v.16, n.1, p.126-132, 1954.

SINGH, V. P. Effect of spatial and temporal variability in rainfall and watershed characteristics
on stream flow hydrograph. Hydrological Processes, v. 11, n. 12, p. 1649-1669, 1997.

SINGH, J.; KNAPP, H. V.; DEMISSIE, M. Hydrologic model- ing of the Iroquois River
watershed using HSPF and SWAT. ISWS CR 2004-08. Champaign, Ill.: Illinois State Water
Survey, 2004.

SINGH, S. K.; MARCY, N. Comparison of Simple and Complex Hydrological Models for
Predicting Catchment Discharge Under Climate Change. Geoscience, v. 3, n. 3, p.467-497,
2017.

SLOAN, P. G. Modeling surface and subsurface stormflow on steeply-sloping forested

watersheds. Report 142. Lexington: Water Resources Inst, 1983.

SMEDEMA, L.K; RYCROFT, D.W. Land drainage—planning and design of agricultural

drainage systems. Cornell University Press, Ithica, N.Y, 1983.

SRINIVASAN, R.; ZHANG, X.; ARNOLD, J. SWAT ungauged: hydrological budget and crop
yield predictions in the Upper Mississippi River Basin. Transactions of the ASABE, v. 53, n.
5, p. 1533-1546, 2010.

STEDUTO, P.; HOOGEVEEN, J.; WINPENNY, J.; BURKE, J. Coping with water scarcity:
an action framework for agriculture and food security. Food and Agriculture Organization
of the United Nations Rome, Italy, 2017.

STEHR, A.; DEBELS, P.; ROMERO, F.; ALCAYAGA, H. Hydrological modelling with
SWAT under conditions of limited data availability: evaluation of results from a Chilean case
study. Hydrological sciences journal, v. 53, n. 3, p. 588-601, 2008.

STORM, B.; JENSEN, K. Høgh; REFSGAARD, J. C. Estimation of catchment rainfall

uncertainty and its influence on runoff prediction. Hydrology Research, v. 19, n. 2, p. 77-88,
1988.

STRAUCH, N.; DUARTE, A. C. Noroeste do Paraná: guia de excursões. In: Encontro Nacional
de Geógrafos, 1, Presidente Prudente. Anais. Presidente Prudente: Associação dos Geógrafos
Brasileiros, p.133-166, 1972.

STRAUCH, M. OTTO, R. VOLK, M. HRU aggregation and its effects on model outputs.
In: 2015 International SWAT Conference, Sardinia, June. 2015. p. 24-25.
 119

STRAUCH, M. SCHWEPPE, R. SCHUERZ, C. TopHRU: Threshold Optimization for HRUs

in SWAT (Version 1.2). Zenodo, 2016.

STRAUCH, Michael; VOLK, Martin. SWAT plant growth modification for improved
modeling of perennial vegetation in the tropics. Ecological modelling, v. 269, p. 98-112, 2013.

STRECK, E.V.; KÄMPF, N.; DALMOLIN, R.S.D.; KLAMPT, E.; NASCIMENTO, P.C. &
SCHINEIDER, P. Solos do Rio Grande do Sul. Porto Alegre, Universidade Federal do Rio
Grande do Sul. 107p, 2002.

SYED, T. H.; FAMIGLIETTI, J. S.; CHAMBERS, D. P.; WILLIS, J. K.; HILBURN, K.

Satellite-based global-ocean mass balance estimates of interannual variability and emerging
trends in continental freshwater discharge. Proceedings of the National Academy of Sciences,
v. 107, n. 42, p. 17916-17921, 2010.

TAURO, F.; SELKER, J.; VAN DE GIESEN, N.; ABRATE, T.; UIJLENHOET, R.; PORFIRI,
M.; CIRAOLO, G.; ESTES, L. DOMENEGHETTI,A.; PERKS, M.T.; CORBIARI, C.;
RABIEI, E.; RAVAZZANI, G.; BOGENA, H.; HARFOUCHE, A.; BROCCA, B.; MALTES,
A.; WICKERT, A.; TARPANELLI, A.; GOOD, S.; ALCALA, J. M. L.; PETROSELLI, A.;
CUDENNEC, C.; BLUME, T.; HUT, R.; GRIMALDI,E. Measurements and Observations in
the XXI century (MOXXI): innovation and multi-disciplinarity to sense the hydrological cycle.
Hydrological Sciences Journal, v. 63, n. 2, p. 169-196, 2018.

TEEGAVARAPU, R. S.V. Floods in a changing climate: extreme precipitation. Cambridge

University Press, 2012.

TIAN, H.; LU, C.; CIAIS, P.; MICHALAK, A. M.; CANADELL, J. G.; SAIKAWA, E.;
YANG, J. BOUSQUET, P.; BRUHWILER, L.; CHEN, G.; DLUGOKENCKY, R.;
FRIEDLINGSTEIN, P.; MELILLO, J.; PAN, S.; POULTER, B.; PRINN, R.; SAUNOIS, M.;
SCHWALM, C.R.; WODSY, S.C. The terrestrial biosphere as a net source of greenhouse gases
to the atmosphere. Nature, v. 531, n. 7593, p. 225, 2016.

TORRES, R. R.; MARENGO, J. A. Uncertainty assessments of climate change projections over

South America. Theoretical and applied climatology, v. 112, n. 1-2, p. 253-272, 2013.

TUCCI, C. E. M. Água no meio urbano. Livro água Doce, p. 1-40, 1997.

TUCCI, C. E. M. Controle de Enchentes. In: TUCCI, C. E. M. (Ed.). Hidrologia: Ciência e

Aplicação. 4 ed. Porto Alegre: ABRH, 2014. cap. 2, p. 35-40.

TUCCI, C. E. M. Modelos Hidrológicos/Carlos EM Tucci; colaboração da Associação

Brasileira de Recursos Hídricos/ABRH, 2005.

TUO, Y.; DUAN, Z.; DISSE, M.; CHIOHNA, G. Evaluation of precipitation input for SWAT
modeling in Alpine catchment: A case study in the Adige river basin (Italy). Science of the
Total Environment, v. 573, p. 66-82, 2016.

UNITED STATES DEPARTMENT OF AGRICULTURE - USDA; Soil conservation service

- SCS. National Engineering Handbook. Section 4 Hydrology, Chapters 4-10, 1972.
 120

VAN LIEW, M. W.; ARNOLD, J. G.; GARBRECHT, J. D. Hydrologic simulation on

agricultural watersheds: Choosing between two models. Transactions of the ASAE, v. 46, n.
6, p. 1539, 2003.

VAVRUS, S. J.; NOTARO, M.; LORENZ, D. J. Interpreting climate model projections of

extreme weather events. Weather and Climate Extremes, v. 10, p. 10-28, 2015.

VILLELA, S. M.; MATTOS, A. Hidrologia aplicada. São Paulo: McGraw-Hill do Brasil,

1975.

VÖRÖSMARTY, C. J.; MOORE, B.; GRACE, A. L.; GILDEA, M. P.; MELILLO, J. M.;
PETERSON, B. J.; RASTETTER, E. B.; STEUDLER, P. A. Continental scale models of water
balance and fluvial transport: an application to South America. Global biogeochemical cycles,
v. 3, n. 3, p. 241-265, 1989.

VÖRÖSMARTY, C. J., Green, P., Salisbury, J., & Lammers, R. B. Global water resources:
vulnerability from climate change and population growth. Science, v. 289, n. 5477, p. 284-288,
2000.

WADA, Y.; BIERKENS, M. F.; DE ROO, A.; DIRMEYER, P. A.; FAMIGLIETTI, J. S.;
HANASAKI, N.; POKHREL, Y.; SIVAPALAN, M.; TROY, T.J.; VAN DIJK, A.I.J.;
EMMERIK, T.; VAN HUIJGEVOORT, V.; VAN LANEN, H.A.J.; VÖRÖSMARTY, C.J.;
WANDERS, N.; WHEATER, H. Human–water interface in hydrological modelling: current
status and future directions. Hydrology and Earth System Sciences, v. 21, n. 8, p. 4169, 2017.

WADA, Y.; LO, M. H.; YEH, P. J. F.; REAGER, J. T.; FAMIGLIETTI, J. S.; WU, R. J.;
TSENG, Y. H. Fate of water pumped from underground and contributions to sea-level rise.
Nature Climate Change, v. 6, n. 8, p. 777, 2016.

WADA,Y.; VAN BEEK, L. P.; VAN KEMPEN, C. M.; RECKMAN, J. W.; VASAK, S.;
BIERKENS, M. F. Global depletion of groundwater resources. Geophysical research letters,
v. 37, n. 20, 2010.

WAGNER, P.D.; FIENER, P.; WILKEN, F.; KUMAR, S.; SCHNEIDER, K. Comparison and
evaluation of spatial interpolation schemes for daily rainfall in data scarce regions. Journal of
Hydrology, v. 464, p. 388-400, 2012.

WHITE, K. L.; CHAUBEY, I. Sensitivity analysis, calibration, and validations for a multisite
and multivariable SWAT model. JAWRA Journal of the American Water Resources
Association, v. 41, n. 5, p. 1077-1089, 2005.

WILD, M.; GRIESER, J.; SCHÄR, C. Combined surface solar brightening and increasing
greenhouse effect support recent intensification of the global land‐based hydrological cycle.
Geophysical Research Letters, v. 35, n. 17, 2008.

WILLIAMS, J. R. Flood routing with variable travel time or variable storage coefficients.
Transactions of the ASAE, v. 12, n. 1, p. 100-103, 1969.
 121

WILLNER, S. N., Levermann, A., Zhao, F., & Frieler, K. Adaptation required to preserve future
high-end river flood risk at present levels. Science Advances, v. 4, n. 1, p. eaao1914, 2018.

WINCHELL, M.; SRINIVASAN, R.; DI LUZIO, M..; ARNOLD, J. ArcSWAT Interface for
SWAT 2012. User's Guide. Texas: Blackland Research and Extension Center, 2013.

WINCHELL, M.; SRINIVASAN, R.; DI LUZIO, M.; ARNOLD, J. ArcSWAT Interface for
SWAT 2012: User’s Guide. Temple: Texas A&M AgriLife Research/USDA Agricultural
Research Service, 2013. 464 p.

XIE, S. P.; KOSAKA, Y.; DU, Y.; HU, K.; CHOWDARY, J. S.; HUANG, G. Indo-western
Pacific ocean capacitor and coherent climate anomalies in post-ENSO summer: a review.
Advances in Atmospheric Sciences, v. 33, n. 4, p. 411-432, 2016.

XU, H., Xu, C. Y., Chen, H., Zhang, Z., & Li, L.. Assessing the influence of rain gauge density
and distribution on hydrological model performance in a humid region of China. Journal of
Hydrology, v. 505, p. 1-12, 2013.

ZHANG, X.; SRINIVASAN, R. GIS-based spatial precipitation estimation: A comparison of

geostatistical approaches. JAWRA Journal of the American Water Resources Association,
v. 45, n. 4, p. 894-906, 2009.
 122

ANEXOS

Tabela A 1 – Descrição dos parâmetros de solo.

Nome Descrição dos parâmetros Valores absolutos
NLAYERS Número de camadas do perfil do solo 1 – 10
HYDGRP Grupo hidrológico do solo
SOL_ZMX Profundidade máxima da raiz no solo 0 – 3500
ANION_EXCL Fração da porosidade do solo que os ânions são 0,01 – 1
excluídos
SOL_CRK Volume potencial de fendas do solo 0–1
TEXTURE Textura do solo
SOL_Z Profundidade de cada horizonte (mm) 0 – 3500
SOL_BD Densidade aparente úmida (Mg/m³) 0,9 – 2,5
SOL_AWC Capacidade de água disponível (mm H2O/mm solo) 0–1
SOL_K Condutividade hidráulica saturada (mm/hr) 0 – 2000
SOL_CBN Teor de carbono orgânico (%) 0,05 – 10
CLAY Conteúdo de argila (%) 0 – 100
SILT Conteúdo de silte (%) 0 – 100
SAND Conteúdo de areia (%) 0 – 100
ROCK Conteúdo de cascalho (%) 0 – 100
SOL_ALB Albedo do solo úmido 0 – 0,25
USLE_K Fator K da Equação Universal de Perda do Solo – 0 – 0,65
USLE
SOL_EC Condutividade elétrica 0 - 100

Tabela A 2 – Descrição dos parâmetros de solo do trabalho de Fauconnier (2017).

SNAM Cambissolo Gleissolo Latossolo Argissolo Neossolo Nitossolo
NLAYERS 5 3 5 6 1 6
HYDGRP B D A B A B
SOL_ZMX 1100 900 3000 2200 200 1800
ANION_EXCL 0.5 0.5 0.5 0.5 0.5 0.5
SOL_CRK 0 0 0 0 0 0
TEXTURE SC SICL SCL SL SIL SICL
SOL_Z1 300 150 130 250 200 150
SOL_BD1 1.4 1.4 1.4 1.4 1.35 1.4
SOL_AWC1 0.18 0.24 0.12 0.165 0.255 0.21
SOL_K1 2 4 7 4 2.5 1.5
SOL_CBN1 2 2 2 2 2 2
CLAY1 37 41 21 12 23 49
SILT1 18 52 9 30 58 41
SAND1 45 7 70 58 19 10
ROCK1 0 0 0 0 0 0
SOL_ALB1 0 0 0 0 0 0
USLE_K1 0.16 0.21 0.1 0.14 0.16 0.16
SOL_EC1 1 1 1 1 1 1
SOL_Z2 600 300 350 650 0 400
SOL_BD2 1.4 1.4 1.4 1.4 0 1.4
SOL_AWC2 0.195 0.195 0.105 0.09 0 1.18
 123

SNAM Cambissolo Gleissolo Latossolo Argissolo Neossolo Nitossolo

SOL_K2 0.5 0.4 5.6 1.5 0 0.3
SOL_CBN2 0.5 0.5 0.5 0.5 0 0.5
CLAY2 34 53 22 12 0 56
SILT2 36 40 8 10 0 37
SAND2 30 7 70 78 0 7
ROCK2 0 0 0 0 0 0
SOL_ALB2 0 0 0 0 0 0
USLE_K2 0.16 0.23 0.13 0.13 0 0.22
SOL_EC2 0 0 0 0 0 0
SOL_Z3 800 900 550 1000 0 650
SOL_BD3 1.4 1.4 1.4 1.4 0 1.4
SOL_AWC3 0.21 0.18 0.12 0.135 0 0.165
SOL_K3 0.7 0.3 1.6 1 0 0.3
SOL_CBN3 0.1 0.1 0.1 0.1 0 0.1
CLAY3 28.4 57 26 29 0 65
SILT3 37.7 36 8 11 0 29
SAND3 33.9 7 66 60 0 6
ROCK3 0 0 0 0 0 0
SOL_ALB3 0 0 0 0 0 0
USLE_K3 0.17 0.22 0.13 0.13 0 0.21
SOL_EC3 0 0 0 0 0 0
SOL_Z4 1000 0 1200 1300 0 950
SOL_BD4 1.35 0 1.35 1.35 0 1.35
SOL_AWC4 0.21 0 0.21 0.21 0 0.21
SOL_K4 0.7 0 0.7 0.7 0 0.7
SOL_CBN4 0.1 0 0.1 0.1 0 0.1
CLAY4 26.8 0 26.8 26.8 0 26.8
SILT4 43.7 0 43.7 43.7 0 43.7
SAND4 29.5 0 29.5 29.5 0 29.5
ROCK4 0 0 0 0 0 0
SOL_ALB4 0 0 0 0 0 0
USLE_K4 0.18 0 0.18 0.18 0 0.18
SOL_EC4 0 0 0 0 0 0
SOL_Z5 1100 0 3000 1600 0 1300
SOL_BD5 1.35 0 1.35 1.35 0 1.35
SOL_AWC5 0.14 0 0.14 0.14 0 0.14
SOL_K5 8 0 8 8 0 8
SOL_CBN5 0.05 0 0.05 0.05 0 0.05
CLAY5 27 0 27 27 0 27
SILT5 39.3 0 39.3 39.3 0 39.3
SAND5 33.7 0 33.7 33.7 0 33.7
ROCK5 0 0 0 0 0 0
SOL_ALB5 0 0 0 0 0 0
USLE_K5 0.17 0 0.17 0.17 0 0.17
SOL_EC5 0 0 0 0 0 0
SOL_Z6 0 0 0 2200 0 1800
SOL_BD6 0 0 0 1.35 0 1.35
SOL_AWC6 0 0 0 0.15 0 0.135
SOL_K6 0 0 0 0.5 0 0.3
 124

SNAM Cambissolo Gleissolo Latossolo Argissolo Neossolo Nitossolo

SOL_CBN6 0 0 0 0.06 0 0.06
CLAY6 0 0 0 35 0 75
SILT6 0 0 0 12 0 20
SAND6 0 0 0 53 0 5
ROCK6 0 0 0 0 0 0
SOL_ALB6 0 0 0 0 0 0
USLE_K6 0 0 0 0.13 0 0.19
SOL_EC6 0 0 0 0 0 0

Tabela A 3 – Detalhamento da contribuição individualizada dos aquíferos da BHRI e seus volumes de

água outorgados para exploração de água subterrânea (SEMA, 2010c). Em destaque estão os valores
de contribuição conjunta do aquífero que foram inseridas no modelo como operação de gestão de
água.
SUB- V (104 m³/mês)
BACIA
Caiuá Serra Geral Guarani Paleozóica Paleozóica TOTAL
Norte Superior Média-
Superior
01 0.00 0.00 0.00 0.00 0.00 0.001
02 0.04 0.00 0.00 0.00 0.00 0.040
03 0.03 0.00 0.00 0.00 0.00 0.030
04 0.07 0.00 0.00 0.00 0.00 0.071
05 0.08 0.00 0.00 0.00 0.00 0.085
06 0.01 0.01 0.00 0.00 0.00 0.019
07 0.03 0.00 0.00 0.00 0.00 0.030
08 0.04 0.00 0.00 0.00 0.00 0.040
09 0.04 0.10 0.00 0.00 0.00 0.140
10 0.00 0.04 0.00 0.00 0.00 0.044
11 0.00 0.00 0.00 0.00 0.00 0.000
12 0.00 0.03 0.00 0.00 0.00 0.033
13 0.00 0.05 0.00 0.00 0.00 0.051
14 0.01 0.05 0.00 0.00 0.00 0.052
15 0.00 0.01 0.00 0.00 0.00 0.014
16 0.00 0.00 0.00 0.00 0.00 0.004
17 0.00 0.01 0.52 0.45 0.75 1.730
18 0.00 0.11 0.00 0.00 0.00 0.114
19 0.00 0.04 0.96 0.23 0.00 1.231
20 0.00 0.02 0.22 0.00 0.00 0.250
21 0.00 0.01 0.26 0.01 0.00 0.278
22 0.00 0.03 0.30 0.06 0.00 0.380
23 0.00 0.00 0.04 0.15 0.01 0.199
24 0.00 0.00 0.36 0.58 0.59 1.527
TOTAL 0.36 0.53 2.65 1.48 1.34 6.361
Obs.: valores menores que 0,001 não considerados pelo modelo.
 125

Tabela A 4 – Detalhamento da vazão de irrigação retirada de curso d'água outorgado.

Sub-bacia Vazão de
irrigação
outorgada (m³/s)
01 0,00
02 1,11
03 0,00
04 0,63
05 0,63
06 0,00
07 0,03
08 0,00
09 0,16
10 0,13
11 0,00
12 0,01
13 0,47
14 0,04
15 0,00
16 0,00
17 0,06
18 0,00
19 0,00
20 0,00
21 0,00
22 0,05
23 0,00
24 0,05
Fonte: SEMA, 2010d.

Tabela A 5 – Descrição da rotina de rotação de culturas para a BHRI (Adaptado de Franchini, 2011).
A rotação acontece entre as culturas de milho (CORN) e de soja (SOYB). O ciclo se inicia a cada 4
anos até o fim da simulação.
Ano Dia e mês Operação Plantação
1 01/01 Plantação/ começo da temporada de crescimento CORN
1 30/06 Colheita e operação de morte
1 01/07 Plantação/ começo da temporada de crescimento SOYB
1 31/12 Colheita e operação de morte
2 01/01 Plantação/ começo da temporada de crescimento CORN
2 30/06 Colheita e operação de morte
2 01/07 Plantação/ começo da temporada de crescimento SOYB
2 31/12 Colheita e operação de morte
3 01/01 Plantação/ começo da temporada de crescimento CORN
3 30/06 Colheita e operação de morte
3 01/07 Plantação/ começo da temporada de crescimento CORN5
3 31/12 Colheita e operação de morte
4 01/01 Plantação/ começo da temporada de crescimento CORN
4 30/06 Colheita e operação de morte
4 01/07 Plantação/ começo da temporada de crescimento SOYB
4 31/12 Colheita e operação de morte
5
Refere-se ao milho safrinha.
 126

Tabela A 6 – Detalhamento da Figura 35, que ilustra a vazão produzida pelos AEI em cada estação
fluviométrica de monitoramento da BHRI.
Porto
Tereza Novo Porto
Ubá do Sul Vila Rica Paraíso do
Cristina Taquara
Norte
2 74.4738 285.9091 459.5838 660.385 699.730
3 77.7732 283.319 457.3185 650.855 684.304
4 80.5054 295.3182 470.1059 664.379 699.484
5 79.1836 296.7565 471.2276 664.503 697.238
6 82.4517 299.7139 473.5995 666.531 699.219
7 80.8658 298.4494 471.8967 661.803 694.032
8 79.9410 297.9355 469.0218 654.389 688.726
9 80.0062 294.1473 465.5281 650.348 684.160
10 81.6767 296.1111 468.3724 653.446 686.826
11 81.6545 295.9537 468.4141 651.908 684.642
12 81.6477 296.3503 468.3938 651.370 683.511
13 81.7387 296.0662 465.8452 648.753 680.209
14 81.5709 295.3587 465.4784 647.839 679.439
15 81.0744 294.0517 463.6703 646.440 677.907
16 81.4953 294.3633 463.8849 646.173 677.453
17 81.7620 293.9307 463.0901 645.483 676.684
18 81.1427 292.9056 462.1665 643.887 674.960
19 81.2594 293.0486 462.0992 644.310 675.080
20 81.2228 293.3115 462.1072 644.002 674.675
30 80.9330 292.8720 459.3750 639.583 669.459
40 80.9810 291.2885 457.2009 636.893 666.378
50 81.0483 291.2726 456.7127 636.119 665.597
60 80.9512 290.5774 455.4116 634.242 663.751
70 80.9017 290.0212 454.4318 633.037 662.676
80 80.7974 289.5921 453.8020 631.990 661.789
90 80.7015 289.1976 452.9163 630.916 660.827
100 80.6233 288.8065 452.1262 629.769 659.766
110 80.5208 288.3280 451.2885 628.784 658.860
120 80.4115 287.9016 450.5785 627.846 657.883
130 80.3404 287.4264 449.7504 626.869 656.932
140 80.2660 286.9663 449.0336 625.970 656.001
150 80.1994 286.4739 448.2332 625.109 655.155
151 80.1861 286.4133 448.1487 625.007 655.054
 127

Tabela A 7 – Detalhamento da Figura 36, 37 e 38, que ilustram o RRMSE da vazão simulada nas
estações fluviométricas da BHRI resultantes da aplicação de estações virtuais sob parâmetros do
modelo controle. São apresentados o comportamento para cada estação fluviométrica de
monitoramento para os 33 cenários de arranjos de estações.
Porto
Tereza Novo Porto
Cenário Ubá do Sul Vila Rica Paraíso do
Cristina Taquara
Norte
2 0.328452 0.175915 0.124605 0.115535 0.125810
3 0.199042 0.119023 0.087222 0.082292 0.088132
4 0.169821 0.098476 0.082942 0.083561 0.090017
5 0.154160 0.086127 0.077113 0.078671 0.081966
6 0.139484 0.082712 0.075988 0.078130 0.081201
7 0.109440 0.076405 0.070029 0.069305 0.071667
8 0.107783 0.075026 0.064488 0.058435 0.063007
9 0.102883 0.061895 0.054998 0.049379 0.053320
10 0.094245 0.061280 0.058115 0.053669 0.057436
11 0.075974 0.057747 0.056919 0.050560 0.053794
12 0.077192 0.059029 0.057059 0.049368 0.051631
13 0.066610 0.058511 0.051198 0.045350 0.046873
14 0.065063 0.056367 0.050081 0.043170 0.044755
15 0.057832 0.050828 0.045830 0.040562 0.042310
16 0.058215 0.048631 0.044791 0.039642 0.041147
17 0.057205 0.046882 0.042906 0.038415 0.039803
18 0.051924 0.044104 0.041038 0.035798 0.037030
19 0.050383 0.044206 0.040687 0.036213 0.036923
20 0.050535 0.043446 0.039871 0.035425 0.035927
30 0.041873 0.038530 0.032939 0.027821 0.027698
40 0.037972 0.031276 0.026835 0.022552 0.021972
50 0.031705 0.029698 0.025044 0.020779 0.019857
60 0.025894 0.025828 0.021413 0.017434 0.016508
70 0.021044 0.021890 0.018364 0.015082 0.014215
80 0.016675 0.018119 0.015996 0.013011 0.012293
90 0.013387 0.015441 0.013466 0.011055 0.010499
100 0.010544 0.012697 0.011218 0.009027 0.008641
110 0.007507 0.009975 0.008853 0.007191 0.006935
120 0.005459 0.007678 0.006838 0.005439 0.005215
130 0.003714 0.005012 0.004439 0.003567 0.003475
140 0.002106 0.002754 0.002470 0.001904 0.001827
150 0.000707 0.000434 0.000338 0.000266 0.000312

Tabela A 8 – Detalhamento da Figura 38, que ilustra o RRMSE da precipitação superficial nas áreas
de drenagem das estações de monitoramento da BHRI em comparação com o comportamento da
precipitação do modelo controle. São apresentados os 33 cenários de arranjos de estações.
Tereza Ubá do Sul Vila Rica Porto Novo Porto
Cristina Paraíso do Taquara
Norte
2 0.994955 0.409101 0.387626 0.477099 0.399020
3 0.727450 0.290807 0.323610 0.386255 0.323553
4 0.615380 0.245302 0.300549 0.280759 0.285225
 128

Tereza Ubá do Sul Vila Rica Porto Novo Porto

Cristina Paraíso do Taquara
Norte
5 0.527545 0.216523 0.271184 0.243228 0.253177
6 0.463913 0.192013 0.245734 0.219086 0.227045
7 0.395035 0.181497 0.220976 0.216859 0.222480
8 0.385671 0.179129 0.210470 0.202280 0.203052
9 0.356392 0.165702 0.190844 0.190119 0.191973
10 0.303008 0.159008 0.181172 0.188665 0.189867
11 0.252552 0.154177 0.174974 0.181971 0.184218
12 0.239487 0.148898 0.171404 0.163597 0.177634
13 0.207147 0.146005 0.168041 0.158582 0.170862
14 0.203996 0.142090 0.160911 0.157064 0.167647
15 0.192574 0.136586 0.155149 0.154012 0.165612
16 0.178143 0.132749 0.154528 0.153415 0.161273
17 0.172062 0.129224 0.150559 0.146627 0.157261
18 0.164740 0.126585 0.147908 0.141182 0.152581
19 0.159829 0.123419 0.142924 0.139176 0.149713
20 0.158784 0.122333 0.141329 0.137214 0.147608
30 0.118741 0.104379 0.113559 0.113406 0.120918
40 0.098333 0.087420 0.091948 0.097001 0.102055
50 0.079006 0.076508 0.076430 0.080714 0.084608
60 0.063208 0.066268 0.064622 0.067075 0.069641
70 0.050626 0.055898 0.054266 0.057453 0.056213
80 0.039874 0.045985 0.045057 0.047971 0.044566
90 0.032141 0.038412 0.037167 0.039004 0.035181
100 0.024307 0.030689 0.029475 0.032195 0.027045
110 0.017537 0.023428 0.022533 0.025497 0.020353
120 0.012236 0.017095 0.016047 0.019488 0.014945
130 0.007813 0.010933 0.010366 0.013348 0.009417
140 0.003997 0.005486 0.005166 0.006791 0.004897
150 0.000719 0.000593 0.000560 0.000646 0.000573