Monitoramento e modelagem da produção de sedimentos em uma bacia hidrográfica no noroeste do Rio Grande do Sul

Abstract

O entendimento da dinâmica hidrossedimentológica em uma bacia hidrográfica pode ser realizado pelo monitoramento das variáveis hidrossedimentológicas e pela modelagem desses processos. Nesse contexto, essa pesquisa analisou a eficiência do modelo Soil and Water Assessment Tool (SWAT) na previsão dos processos hidrossedimentológicos na bacia do Taboão (Pejuçara, RS), considerando as saídas (vazão e produção de sedimentos) em um passo de tempo mensal e diário. Para tal, foram utilizados dados de chuva horária dos anos 2008 a 2016, monitorada em quatro pluviógrafos instalados na bacia (PVGs 34, 40, 43 e 51), e dados climáticos da estação meteorológica de Cruz Alta. As informações de vazão, para os anos de 2011 a 2016, foram obtidas por meio da conversão dos dados de nível de água monitorados no exutório da bacia, utilizando uma curva-chave cota x vazão. A concentração de sedimentos suspensos (CSS), para os anos de 2013 a 2015, foi estimada por meio de modelos de redes neurais artificias (RNAs), empregando como entrada dados de turbidez e de nível de água, monitorados no exutório da bacia. O preenchimento das falhas dos registros de precipitação horária foi executado por meio de modelos de Combinações de RNAs (CRNAs) associados à média simples (MS) ou à média ponderada pelo inverso da distância (MP), utilizando como entrada dados pluviométricos dos postos vizinhos. As falhas nos dados de nível de água foram preenchidas por modelos de RNAs, que usaram como entrada níveis de água monitorados em sub-bacias embutidas ou adjacente à bacia do Taboão (bacias do Donato, Turcato, Alemão e Andorinhas), e dados de precipitação média dos quatro pluviógrafos utilizados nessa pesquisa Foram determinadas as defasagens temporais entre os níveis de água das diferentes bacias, e testados o uso da precipitação média com aplicação de filtro temporal linear e/ou exponencial. Os registros falhos nos dados de turbidez foram preenchidos por modelos de RNAs, que empregaram como entrada informações de nível de água monitoradas, de 10 em 10 minutos, no exutório da bacia. A calibração do modelo SWAT para a previsão dos processos hidrológicos foi realizada usando dados de vazão, diários e mensais, para os anos de 2013, 2014 e 2016 e; a etapa de verificação foi executada para os anos de 2011 e 2015. Considerou-se o Método de Green & Ampt para determinação da infiltração de água no solo e 2 anos (2008-2009) para período de aquecimento do modelo SWAT. A calibração do modelo para a produção de sedimentos foi realizada para os anos de 2013 e 2015 e o processo de verificação foi efetuado para o ano de 2014. A calibração e a análise de sensibilidade dos parâmetros foram realizadas com auxílio do SWAT-CUP, utilizando o algoritmo SUFI-2. O coeficiente de Nash–Sutcliffe (NS) das RNAs para preenchimento das falhas de precipitação variou entre 0,35, classificado como “Insatisfatório”, e 0,86, avaliado como “Muito Bom”, considerando critérios propostos por Moriasi et al. (2007). Das 13 RNAs desenvolvidas para preenchimento das falhas nos níveis de água, apenas uma delas foi classificada como de desempenho “Satisfatório” durante o treinamento e; as demais enquadraram-se como de desempenho “Muito Bom”. Na etapa de verificação, sete RNAs foram consideradas com desempenho “Muito Bom” e cinco com “Bom” desempenho No preenchimento das falhas de turbidez, das cinco RNAs desenvolvidas, quatro mostraram “Bom” desempenho durante o treinamento, e uma rede teve desempenho “Muito Bom”; enquanto que, no processo de verificação, duas RNAs tiveram desempenho “Muito Bom”, uma delas foi classificada com desempenho “Bom” e; duas RNAs foram consideradas com desempenho “Satisfatório”. As estatísticas de desempenho dos modelos de RNAs desenvolvidos para o preenchimento das falhas de nível de água, de turbidez e de precipitação também demonstraram que tais redes representam uma alternativa interessante para a obtenção de séries contínuas desses dados, possibilitando o uso posterior dos registros para a modelagem hidrossedimentológica. A calibração do modelo SWAT para estimativa da vazão mensal mostrou desempenho “Muito Bom” (NS=0,78), e para a determinação da vazão diária foi considerado “Bom” (NS=0,72). Na etapa de verificação, o modelo manteve o “Bom” desempenho (NS=0,68) para estimativa da vazão diária, decaindo para desempenho “Satisfatório” (NS=0,64) para a simulação em escala mensal. Para a estimativa da produção de sedimentos mensal, o desempenho do modelo foi considerado “Bom” tanto na calibração (NS=0,66) quanto na verificação (NS=0,70). Na escala diária o desempenho foi “Satisfatório” para a calibração (NS=0,64) e “Insatisfatório” para a verificação (NS=0,38) Tais resultados indicam que o modelo SWAT é uma ferramenta promissora para aplicações na previsão hidrossedimentológica na bacia do Taboão, especialmente em termos de simulações dos processos hidrológicos. No entanto, existem limitações para aplicações na estimativa da produção de sedimentos, sobretudo quando considerados os processos em escala diária. Essas limitações são consequência da presença de processos erosivos na bacia (voçorocas), que não são simulados pelas rotinas presentes no modelo SWAT, bem como pelo escoamento dominante ser do tipo subsuperficial, com ocorrência de pipping; indicando-se, portanto, adequações nas rotinas do modelo para melhor representatividade desses processos.

The understanding of hydrosedimentological dynamics in a watershed can be obtained by monitoring the hydrossedimentological variables and by modeling these processes. In this context, this research analyzed the efficiency of the Soil and Water Assessment Tool (SWAT) in predicting the hydrosedimentological processes in the Taboão basin (Pejuçara, RS), considering the outputs (flow and sediment production) in a monthly and daily time step. For that, hourly rainfall data from 2008 to 2016 were monitored at four pluviographs installed in the basin (PVGs 34, 40, 43 and 51), and climate data were obtained from the Cruz Alta meteorological station. The flow information for the years 2011 to 2016 was obtained by converting the monitored water level data into flow by using a rating curve. The suspended sediment concentration (SSC), from 2013 to 2015, was estimated using artificial neural network (ANN) models, using as input turbidity and water level data, monitored in the basin. The filling of the hourly rainfall records was performed by models of Combinations of RNAs (CRNAs) associated with the simple mean (MS) or weighted mean to the inverse distance (MP), using as input rainfall data from the neighboring stations. Failures in the water-level data were filled by RNA models, which used as input water levels monitored in sub-basins adjacent or embedded to the Taboão basin (Donato, Turcato, Alemão and Andorinha basins), and mean precipitation data of the four pluviographs used in this research. The temporal lags between the water levels of the different basins were determined and the use of the average precipitation with linear and exponential temporal filters was tested The turbidity data records were filled by RNA models, using water level information monitored at every 10 minutes. The SWAT model calibration for predicting the hydrological processes was performed using daily and monthly flow data for the years 2013, 2014 and 2016 and the verification step was performed for the years 2011 and 2015; considering Green & Ampt Method for infiltration estimation and 2 years of warm-up period (2008-2009). The calibration of the model for sediment yield was performed for the years 2013 and 2015 and the verification process was carried out for the year 2014. The calibration and sensitivity analysis of the parameters were performed with the assistance of SWAT-CUP, using the SUFI-2 algorithm. The Nash-Sutcliffe Coefficient (NS) of the RNAs used to fill precipitation faults varied between 0.35, classified as "Unsatisfactory", and 0.86, evaluated as "Very Good", considering criteria proposed by Moriasi et al. (2007). Of the 13 RNAs developed to fill water level failures, only one of them was classified as a "Satisfactory" performance during training and; the others have been classified as "Very Good" performance. In the verification step, seven RNAs were considered to have "Very Good" performance and five had "Good” performance. In the fulfillment of the turbidity faults, of the five RNAs developed, four showed "Good" performance during the training, and one network had "Very Good" performance; while in the verification process two ANNs performed "Very Good", one of them was classified as "Good" and; two ANNs were considered to have "Satisfactory" performance The performance statistics of the ANN models developed to fill the water level, turbidity and precipitation failures also demonstrated that such networks represent an interesting alternative to obtain continuous series of these data, allowing the later use of the records for hydrossedimentological modeling. In the verification processes, the model maintained a “Good” performance (NS=0.68) to estimate the daily flow, decreasing to "Satisfactory" performance (NS=0.64) for the monthly scale simulation. For the estimation of sediment yield the model performance was considered "Good" for monthly calibration period (NS=0.66) and also for the verification (NS=0.70). In daily scale the performance was "Satisfactory" for calibration (NS=0.64) and “Unsatisfactory” in the verification (NS=0.38). These results indicate that the SWAT model is a promising tool for applications in the hydrosedimentological forecasting in the Taboão basin, especially in terms of hydrological processes simulations. However, there are limitations to applications in the estimation of sediment production, especially when considering daily scale processes. These limitations are due to the presence of erosive processes in the basin (gully erosion), which are not simulated by the routines present in the SWAT model, as well as by the existence of the lateral flow with occurrence of pipping; indicating, therefore, the need for adjustments in the routines of the model to better represent these processes.