Modelagem hidrológica visando a melhoria da qualidade de dados diários de vazão em estações fluviométricas convencionais localizadas a jusante de reservatórios de regularização

Abstract

A estimativa de vazões em cursos d’água é essencial para que seja possível o estabelecimento de uma rede adequada de informações hidrológicas cuja finalidade é dar suporte para o planejamento e gestão dos recursos hídricos. O método do balanço hídrico é utilizado para monitoramento das vazões em situações em que se tem reservatórios de regularização em usinas hidrelétricas, de maneira que o cálculo da vazão defluente é realizado com base na vazão turbinada e na vazão vertida, em intervalos horários. Entretanto, na quase totalidade das estações fluviométricas da Rede Hidrometeorológica Nacional (RHN), a estimativa das vazões é feita com base no método da curva-chave, que embora seja amplamente utilizado apresenta como desvantagens a dependência da área da seção transversal de escoamento, que comumente é alterada nos ciclos de cheias e de secas, e as dificuldades operacionais para medições de vazões em eventos extremos máximos, fazendo-se necessário o uso de técnicas de extrapolação. Além disso, nas estações da RHN pertencentes à Agência Nacional de Águas e Saneamento Básico (ANA), as leituras são realizadas em apenas dois momentos do dia, às 7 e 17 horas, sendo a média entre os horários utilizada para a estimativa da vazão diária. Dessa forma, o objetivo geral do presente estudo foi, por intermédio da modelagem hidrológica, buscar técnicas e realizar análises que pudessem servir de base para a melhoria da qualidade de dados diários de vazão obtidos em estações fluviométricas convencionais localizadas a jusante de reservatórios de regularização de vazões, visando identificar e corrigir possíveis inconsistências. Todo o estudo foi realizado na bacia do rio Preto, adotando-se o reservatório da Usina Hidrelétrica de Queimado (UHE Queimado) como referência para a realização das análises. No primeiro capítulo é demonstrada uma aplicação dos modelos de aprendizado de máquinas e de regressão linear com o objetivo de realizar previsões de dados diários de vazão em estações fluviométricas convencionais localizadas a jusante de um reservatório de regularização. Os resultados indicaram que, além de serem encontradas inconsistências nas series de dados das estações convencionais analisadas, ainda foi observado que o modelo baseado em Redes Neurais (BRNN) foi o que apresentou melhor desempenho para as estações mais próximas do reservatório. Já o modelo de Regressão Linear Múltipla (RLM) foi o que melhor se ajustou para a estação mais distante do reservatório da UHE Queimado. No segundo capítulo foram utilizadas técnicas estatísticas para analisar a relação entre as vazões afluentes e defluentes ao reservatório da UHE Queimado, assim como entre vazões defluentes ao reservatório da UHE Queimado e as vazões das estações fluviométricas convencionais da RHN localizadas a jusante da UHE Queimado. Também foram analisadas as tendências temporais nas séries de vazões mínimas, médias e máximas. Os resultados mostraram que a operacionalização do reservatório está fortemente relacionada ao comportamento das vazões afluentes, especialmente ao se considerar análises em períodos trimestrais, afetando também o escoamento nas estações fluviométricas a jusante. Além disso, foi constatada tendência de redução em todas as variáveis analisadas relacionadas às vazões afluentes e defluentes ao reservatório da UHE Queimado, bem como das estações a jusante do barramento, com exceção da vazão máxima na estação mais distante ao reservatório, que apresentou comportamento estacionário. No terceiro capítulo foi avaliado o comportamento das vazões horárias defluentes ao reservatório da UHE Queimado e, também, a utilização de modelos de regressão logística para comparar as séries diárias de vazões defluentes ao reservatório e da estação fluviométrica convencional localizada imediatamente a jusante do barramento, com o objetivo de identificar discrepâncias entre dados obtidos pelos métodos do balanço hídrico e da curva-chave. Os resultados mostraram que os valores médios de vazão defluente obtidos a partir a partir da média de duas leituras feitas às 7 e 17 horas (padrão da RHN) ou de 24 leituras (medições horárias feitas nas UHEs) foram muito próximos, considerando assim que os dados estimados a partir da média entre as duas leituras diárias apresentam boa representatividade da variabilidade das vazões na região. Também foi observado que, embora os métodos do balanço hídrico e da curva-chave tenham apresentado desempenho estatístico semelhante para a maioria dos dados considerados, com a regressão logística foi possível a identificação de dados atípicos nas séries históricas de vazões analisadas, associados principalmente aos métodos de extrapolação da curva-chave nos períodos chuvosos. Palavras-chave: Vazões defluentes. Curva-chave. Aprendizado de máquinas. Regressão logística.

The estimation of flow in water courses is essential so that it is possible to establish an adequate network of hydrological information whose purpose is to support the planning and management of water resources. The water balance method is used to monitor flows in situations where there are regularization reservoirs in hydroelectric plants, so that the calculation of the effluent flow is performed based on the turbine flow and the spilled flow, at hourly intervals. However, in almost all fluviometric stations of the National Hydrometeorological Network (RHN), the estimation of flows is made based on the rating curve method, which, although widely used, has as disadvantages the dependence of the flow cross-sectional area, which it is commonly changed in flood and drought cycles and operational difficulties for flow measurements in maximum extreme events, making it necessary to use extrapolation techniques. In addition, at RHN stations belonging to the National Water and Basic Sanitation Agency (ANA), readings are taken at only two times of the day, at 7 am and 5 pm, with the average between the times used to estimate the daily flow. Thus, the general objective of this study was, through hydrological modeling, to seek techniques and perform analyzes that could serve as a basis for improving the quality of daily flow data obtained from conventional fluviometric stations located downstream of flows regularization reservoirs, aiming to identify and correct possible inconsistencies. The entire study was carried out in the Preto River basin, using the reservoir of the Queimado Hydroelectric Power Plant (UHE Queimado) as a reference for carrying out the analyses. The first chapter demonstrates an application of machine learning and linear regression models in order to perform daily flow data predictions in conventional fluviometric stations located downstream of a regularization reservoir. The results indicated that, in addition to inconsistencies being found in the data series of the analyzed conventional stations, it was also observed that the model based on Neural Networks (BRNN) presented the best performance for the stations closer to the reservoir. The Multiple Linear Regression (MRL) model was the best fit for the station farthest from the UHE Queimado reservoir. In the second chapter, statistical techniques were used to analyze the relationship between the inflows and outflows to the reservoir of the UHE Queimado, as well as between the outflows into the reservoir of the UHE Queimado and the flows of conventional fluviometric stations of RHN located downstream of the UHE Queimado. Temporal trends in the series of minimum, average and maximum flows were also analyzed. The results showed that the operationalization of the reservoir is strongly related to the behavior of the inflows, especially when considering analyzes in quarterly periods, also affecting the flow in the fluviometric stations downstream. In addition, a downward trend was observed in all analyzed variables related to the inflows and outflows to the UHE Queimado reservoir, as well as the stations downstream of the dam, with the exception of the maximum flow in the station furthest from the reservoir, which presented a stationary behavior. In the third chapter, the behavior of the hourly flows effluent to the reservoir of the UHE Queimado was evaluated, as well as the use of logistic regression models to compare the daily series of effluent flows to the reservoir and the conventional fluviometric station located immediately downstream of the dam, with the objective of identifying discrepancies between data obtained by the water balance and the rating curve methods. The results showed that the outflows mean values obtained from the average of two readings taken at 7 and 17 hours (RHN standard) or 24 readings (hourly measurements taken at the UHEs) were very close, considering that the data estimated from the average between the two daily readings show good representation of the variability of flows in the region. It was also observed that, although the water balance and rating curve methods have presented similar statistical performance for most of the data considered, with logistic regression it was possible to identify atypical data in the historical series of analyzed flows, mainly associated with the methods of extrapolation of the rating curve in rainy periods. Keywords: Effluent flows. Rating curve. Machine learning. Logistic regression.