Data integration approaches for hydrological analyses in Brazil

Abstract

Given Brazil’s diverse environmental conditions, accurately capturing the dynamics of hydrological systems is critical for sustainable water resource management. This work investigated the hydrological variability across Brazil’s vast and heterogeneous landscape, with a focus on improving representation and understanding of environmental processes through data integration approaches. To address these challenges, three studies were produced, each targeting a distinct issue: water storage variability, drainage density of stream networks, and streamflow predictions in ungauged basins. The first study focused on Brazil’s monthly water storage variability by analyzing groundwater, soil moisture, surface waters, and reservoir storage across 12 Brazilian Hydrographic Regions (BHRs) from 2003 to 2020. Results showed that subsurface elements like soil moisture and groundwater are primary drivers of water storage variation. Soil moisture, particularly, influences short-term fluctuations, while groundwater responds more slowly due to infiltration processes. In north-western regions affected by monsoons, surface water also plays a major role. Reservoir impacts are pronounced in human-modified basins such as Paraná and São Francisco. Over time, water storage has declined in eastern regions but increased in the northwest and south. This study provides critical insights into Brazil’s spatial and temporal water storage patterns, helping understand regional responses to climate and human activities. The second study introduced the Topographic Position-based Stream (TPS) method to improve stream network mapping. Traditional methods using digital elevation models (DEMs) rely on a fixed drainage area threshold (DAT), often failing to capture drainage density variations, especially in areas with diverse landforms. The TPS method, however, leverages the Topographic Position Index (TPI) to better identify drainage initiation. Applied to three Brazilian river basins with varied climates and landscapes, the TPS accurately captured drainage density variability, especially in flatter and drier areas where DAT approaches typically fall short. By using only a DEM and three parameters, TPS provides a reliable tool for large-scale hydrological studies, including landscape classification and flood risk analysis. The third study focused on predicting streamflow in ungauged basins using a machine learning (ML) model to estimate average and low flows. Six ML algorithms were tested using bespoke environmental data to predict flows at over 1,000 gauging stations. This approach generated reference flows for over 400,000 ungauged points across Brazil. Findings showed that average precipitation was the most influential predictor for mean flows, while low flows were affected by other factors like soil organic content and drainage density. The complex relationships identified by ML models underscore the need for diverse environmental variables in streamflow prediction. Each study contributed unique methodologies and datasets, culminating in sets of tools and insights that enhance hydrological knowledge across diverse Brazilian regions, providing actionable tools for water resource management, environmental conservation, and infrastructure planning.

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