O que fazer quando não temos dados de precipitação?

Estivemos envolvidos recentemente numa atualização de estudo hidrológico para construção de barragem. A atualização parecia simples, era pegar o estudo anterior já analisado, aprovado e sem restrições (quem fez o original tem o peso necessário no sobrenome para dispensar dúvidas), e atualizar as séries de precipitação utilizadas no dimensionamento da barragem. Claro que a atualização por si já geraria incertezas e novas cotas no reservatório, mas não era esperado grandes mudanças no projeto da barragem (coroamento, vertedores, etc).

Ao abrir o problema (como uma pequena caixa de pandora), começaram a aparecer os desafios. A estação utilizada no estudo original, deixou de operar. Uma análise crítica da série, nos levou a compreender que os dados deixaram de ser confiáveis logo após a conclusão do estudo original (para nossa sorte ¬¬”), em 2006. Ou seja, ela não tinha novos dados confiáveis que cobriam o período de 2006 a 2025. São quase 20 anos de lacuna, o que hidrologicamente pode representar um novo cenário hidrológico ou uma nova tendência de eventos extremos.

Se a estação original parou de operar, não tem problema. Podemos buscar uma nova estação na região... Com esse pensamento veio o segundo desafio. A região não possui monitoramento hidrológico de longo prazo (o que é raro, mas acontece muito no Brasil). Apenas alguns postos espalhados e operados pela rede do CEMADEN (bons dados, boa discretização temporal, mas séries curtas de aproximadamente 5 anos) e alguns postos representativos e operados pelo empreendedor que irá construir e operar a barragem, mas com série temporal ainda mais curta que as estações do CEMADEN (aproximadamente 3 anos).

Até tinha uma estação operada pelo INMET na região (aproximadamente 15 anos de dados), mas os volumes precipitados e os eventos extremos registrados nos levaram a crer que ela está sob influência de umidade e regime de precipitações típico de regiões costeiras. Ou seja, apesar de possuir uma série boa e com dados consistentes, o comportamento das chuvas não representa o que se espera de uma bacia hidrográfica continental. Para se ter uma ideia, considerar esta estação levou a um aumento de 200% na precipitação máxima diária para um evento de 100 anos. Que é possível, é. É provável que este seja o comportamento numa região sem histórico de grandes alagamentos e chuvas torrenciais, talvez não.

Nós queríamos estimar vazões e verificar se a barragem continua atendendo padrões de segurança com o dimensionamento atual. Mas a incerteza hidrológica começou muito antes de sequer estimar vazões.  A precipitação é a principal variável de entrada em praticamente todos os estudos hidrológicos: modelagem chuva-vazão, balanço hídrico, geração de curvas IDF, avaliação de cheias, secas e disponibilidade hídrica.

Este caso representa um desafio estrutural conhecido por hidrólogos: os dados de precipitação disponíveis frequentemente apresentam lacunas, baixa densidade espacial e vieses sistemáticos. Em muitas regiões, especialmente fora de grandes centros urbanos, a rede de monitoramento é esparsa. As séries históricas monitoradas, quando existem, podem conter:

• Períodos longos sem registro (paradas na operação, por exemplo);

• Mudanças de local da estação (alteração no comportamento da precipitação, não relacionado a mudanças climáticas, uso e cobertura do solo, etc);

• Falhas operacionais (alguém esqueceu de anotar o valor medido, ou anotou um valor errado);

• Subestimação de eventos extremos por limitações instrumentais.

E quem paga esse pato?

No fim, o pessoal da hidrologia fica com um problemão nas mãos: Tomamos decisões com base em séries que podem não representar fielmente o comportamento hidrológico real da bacia.

Se ainda não ficou claro o objetivo deste texto, vou melhorar a compreensão. O ponto chave que quero trazer neste artigo é que a questão não é apenas “ter buracos na série”. Isto é possível de ser resolvido. O problema é que preencher lacunas pode simplesmente transferir o erro de lugar, sem resolvê-lo, inserindo novas incertezas nos nossos estudos:

• Se uma série subestima chuvas intensas, o dimensionamento hidráulico pode ficar abaixo do necessário.

• Se superestima volumes médios, estudos de disponibilidade hídrica podem indicar uma segurança inexistente.

• Se a distribuição estatística é distorcida, curvas IDF e análises de extremos tornam-se frágeis.

• E existe um risco ainda maior: Modelos hidrológicos podem ser calibrados com dados enviesados e ainda assim apresentar bons indicadores estatísticos — mas representar incorretamente os processos físicos da bacia.

Isso é particularmente crítico quando trabalhamos com:

• Estudos de segurança de barragens;

• Planejamento de drenagem urbana;

• Avaliação de risco de inundação;

• Projeções sob mudanças climáticas.

  
  

Tem como descascar esse abacaxi?

Importante destacar: Nada substitui uma rede de monitoramento robusta e bem mantida. Mas, enquanto essa realidade não é universal, precisamos de metodologias que reduzam o risco técnico associado às imperfeições dos dados.

Para combater essa incerteza, o ideal é utilizar uma abordagem integrada, combinando estatística, climatologia e coerência hidrológica. Infelizmente, não temos uma receita de bolo ou produto de prateleira pronto para uso que resolva o problema. Essa solução, dá trabalho, mas é necessário para termos bons resultados e podermos confiar neles (ou pelo menos saber onde eles falham).

Na EcoNumérica Engenharia, resolvemos estes problemas com algumas alternativas, que são brevemente apresentadas na sequência.

Integração de múltiplas fontes

A combinação entre estações pluviométricas, precipitação obtida por satélite e Reanálises climáticas, por exemplo, permite ampliar a representatividade espacial da chuva.

O princípio é utilizar a cobertura espacial dos produtos gradeados (disponíveis em grid) e ajustá-los com base na informação observada localmente, por meio de Regressões estatísticas (uni ou multivariadas) com base na espacialidade das precipitações, análises geoespaciais (como a Krigagem) para avaliações integradas no espaço-tempo e até o ajuste condicional por estação.

A ideia é reduzir erros sistemáticos sem abandonar o dado monitorado de fato, por mais afastado que ele esteja do local onde o estudo é realizado. Lembre-se que gerar chuva, corrigir falha, e preencher séries é a parte fácil. Difícil é gerar uma série que seja representativa dos processos hidrológicos na região de estudo.

Preenchimento de falhas

Geralmente, a escolha do método de preenchimento depende do tamanho do gap (falhas na série temporal), do tipo de precipitação que se deseja preencher (diária, mensal, anual) e da correlação regional com outros postos pluviométricos existentes.

Podem ser aplicados:

• Regressão com estações vizinhas;

• IDW (ponderação por distância inversa);

• Krigagem;

• Modelos de machine learning (quando há não linearidades relevantes).

O desafio aqui é avaliar o preenchimento realizado. Novamente, gerar precipitações não é um problema, o problema é estimar dados para preencher falhas que não resultem em séries pluviométricas com comportamento hidrológico distinto do observado no local.

A depender da quantidade de dados preenchidos, ou da qualidade do preenchimento, podemos alterar coisas básicas como volume total precipitado num dia, até alterar regimes sazonais de precipitação e máximas anuais. Quando mais preenchemos os dados, menor é a segurança que temos na série preenchida.

Uso de precipitação por remota

Uma base de dados com razoável abrangência espacial e boa qualidade temporal é obtida quando misturamos produtos disponíveis em grade. Aqui, estou falando do excelente banco de dados do Xavier (quem não conhece, está perdendo tempo), dados de reanálise (ERA-ECMWF), produtos de precipitação específicos (CHIRPS, MERGE e afins). Não é um mundo perfeito, mas ajuda a preencher algumas lacunas.

O problema é que produtos remotos e modelos climáticos possuem problemas relacionados ao viés existente na obtenção e processamento destes dados, como:

• Subestimação de extremos;

• Superestimação de chuvas fracas;

• Deslocamentos sazonais.

Logo, se uma alternativa para condução de estudos em grandes ou pequenas bacias for o uso de dados remotos, uma etapa extremamente importante é a chamada remoção de viés. Há estudos que utilizam estes dados para gerar curvas IDF, atualizar estudos de precipitações intensas, estimar balanço hídrico, modelagem hidrológica, e assim por diante. Infelizmente, nem todos os estudos param e olham pra o viés que estes dados podem apresentar perante séries pluviométricas monitoradas na região.

É importante não confiar cegamente na correção feita por quem disponibiliza os dados. O viés deve ser analisado e, quando possível, corrigido. No mínimo, deve ser indicado como uma possível fonte de incerteza nas análises realizadas. 

Na EcoNumérica, usamos dois métodos principais para análise e remoção de viés: Quantile Mapping (QM) e Quantile Delta Mapping (QDM).

O primeiro (QM), ajusta a distribuição estatística completa da série obtida de forma remota para coincidir com a observada no período coincidente. A série temporal completa não fica perfeita, mas a tendência é que a distribuição de eventos extremos, sazonalidade, e etc, fique próxima dos dados observados. É eficaz para correção estatística histórica, mas pode alterar tendências projetadas para o futuro. O método olha para o passado e força o dado a se ajustar a ele, sem compromisso com o futuro.

O segundo (QDM) pode ser dizer que é uma evolução do QM e se torna fundamental quando trabalhamos com cenários futuros. Enquanto o QM força a precipitação a ter uma distribuição estatística que segue o padrão histórico observado, o QDM preserva o delta (variação relativa ou absoluta) entre dados, ajustando os quantis mas mantendo possíveis sinais de alterações futuras. Esse Delta é essencial quando analisamos:

• Intensificação de eventos extremos;

• Alterações na frequência de secas;

• Mudanças sazonais de precipitação;

• Geração de curvas IDF futuras.

Validação hidrológica integrada

A série pluviométrica gerada não pode ser validada apenas contra ela mesma. Ou seja, preencher falhas, calcular uma nova série, ou mesmo usar dados obtidos em um pixel qualquer de produtos remotos, por mais confiáveis que eles sejam, não é suficiente. Uma abordagem robusta inclui verificar:

• Se a série corrigida melhora a simulação de vazões observadas. Este é um caso particular, onde há possibilidade de realizar o cruzamento em precipitação e vazão;

• Se o balanço hídrico anual fecha adequadamente;

• Se as precipitações intensas obtidas são fisicamente plausíveis naquela região;

Independentemente do método, a coerência hidrológica da bacia é o resultado mais importante.

Transparência na incerteza

No fim do dia, a incerteza que a fonte dos dados gera não pode ser esquecida. Nenhuma metodologia elimina completamente o viés, e toda metodologia insere incertezas em nossos resultados. Mesmo quando usamos um dado observado...

Por isso, é fundamental que o dado seja testado por várias formas, como: Aplicar validação cruzada; avaliar métricas como NSE, KGE e RMSE (quando há modelagem); realizar análise de sensibilidade; e etc.

O mais importante é comunicar explicitamente as incertezas remanescentes. De preferência, incorporar ela nas análises realizadas para que a tomada de decisão seja a mais responsável possível. Incerteza não invalida o resultado, apenas o coloca sob uma perspectiva diferente.

Entre em contato e faça parte da nossa rede de clientes e parceiros! 

Nossa empresa compreende as necessidades e os objetivos de nossos clientes para seus usos de recursos hídricos. Valorizamos a construção colaborativa dos nossos serviços garantindo que o resultado atenda aos seus desejos. Integrando as necessidades identificadas com as melhores soluções técnicas disponíveis, superamos as expectativas de nossos clientes e fortalecemos nosso relacionamento de longo prazo.

Entre em contato e conheça nossas soluções!