Análise de uma abordagem probabilística para a modelagem e determinação da qualidade da água de rios

Abstract

A determinação de indicadores de qualidade da água é essencial para o correto manejo dos corpos d’água e avaliação da possibilidade de utilização destes mananciais para diversas atividades. Neste contexto, modelos de qualidade da água são frequentemente empregados para simular as condições da qualidade da água de um corpo hídrico. Além disso, estes modelos podem ser muito úteis para casos de projeção de cenários futuros, estudo de propostas alternativas para o planejamento dos recursos hídricos, investigação de mudanças no clima e no uso da água e do solo, e suporte técnico para Estudos de Impacto Ambiental. No entanto, há muitas incertezas no processo de modelagem, desde a falta de dados disponíveis, até a insegurança quanto à confiabilidade das medições executadas. Assim, este trabalho trata destas incertezas, objetivando analisar o uso de uma abordagem probabilística para a avaliação do efeito de poluentes sobre a qualidade da água de rios. Para isso, foi elaborada uma modificação em um modelo determinístico de simples utilização, através da utilização do Método de Monte Carlo. Foi simulado um caso real, previamente modelado, na situação atual, e em dois cenários futuros. O modelo probabilístico desenvolvido apresentou ótima conformação ao modelo determinístico, além de bom ajuste aos dados reais. A Análise de Sensibilidade programada se provou eficiente, porém a auto-calibração não pôde ser testada definitivamente. Concluiu-se que, dependendo da variabilidade adotada, a abordagem estatística pode levar a conclusões diferentes de uma determinística em relação à satisfação da legislação ambiental, de modo que a incerteza é um fator importante. Também se verificou que uma abordagem estatística tende a ser mais confiável, e que o modelo probabilístico pode ser uma ferramenta útil na determinação da qualidade da água e no processo de tomada de decisões para planejamento dos recursos hídricos. De maneira complementar, constatou-se que as novas figuras geradas pelo modelo desenvolvido ajudam no processo decisório, ao facilitarem a visualização das incertezas presentes na modelagem.

Determining water quality indexes is crucial for a correct management of water bodies and evaluation of usage possibilities for many activities. In this context, water quality models are frequently employed to simulate water quality conditions in water bodies. Furthermore, these models can be very useful for future scenarios projection, evaluation of alternatives for water resources management, investigating the impacts of climate change, and different water and soil use, and technical support for Environmental Impact Studies. However, there are many uncertainties in the modelling process, from lacking sufficient data, to insecurity regarding the reliability of the available measurements. Therefore, this research thesis addresses these uncertainties, aiming to investigate the application of a probabilistic approach to the analysis of environmental impacts caused by pollutants on the water quality of rivers. To achieve this, a modification of a simple deterministic model was developed, by making use of the Monte Carlo method. A real, previously simulated, study case was modelled, in a current situation and in two future scenarios. The probabilistic model that was created showed great conformity to the original deterministic model, besides good adjustment to real data. The programmed Sensibility Analysis proved efficient, but the self-calibration algorithm couldn’t be tested with certainty. It was inferred that, depending on the adopted variability, a statistical approach can lead to different conclusions than a deterministic one as to satisfying the environmental limits. Consequently, uncertainty is a key factor. It was also verified that a probabilistic methodology tends to be more trustworthy, and that the probabilistic model can be a useful tool in establishing water quality and in the decision-making process for water resources management. Complementarily, it was determined that the new images generated by the developed model can help the judgment procedure, by making visible the uncertainties present in the model.