UNIVERSIDADE DE SÃO PAULO
INSTITUTO DE ASTRONOMIA, GEOFÍSICA E CIÊNCIAS ATMOSFÉRICAS
JÔNATAN DUPONT TATSCH
CONTROLE DO USO DA TERRA NO CLIMA E NO REGIME
HIDROLÓGICO DA BACIA DO RIO MOGI-GUAÇÚ, SP
v.1
SÃO PAULO
2011
JÔNATAN DUPONT TATSCH
CONTROLE DO USO DA TERRA NO CLIMA E NO REGIME
HIDROLÓGICO DA BACIA DO RIO MOGI-GUAÇÚ, SP
Tese a ser apresentada ao Instituto de Astronomia, Geofísica e Ciências Atmosféricas, para obtenção do título de Doutor em Ciências Atmosféricas. Área de Concentração: Meteorologia Orientador: Prof. Dr. Humberto Ribeiro da Rocha
SÃO PAULO
2011
Dedico esta tese a minha mãe: Astéria
Dupont Tatstch
AGRADECIMENTOS Aos meus pais pela formação moral, incentivo e pelo exemplo de vida; a minha irmã
“Dadá” por estar sempre ao meu lado me apoiando.
Meu especial agradecimento à paixão de minha vida Nathalie T. Boiaski, por sua
compreensão, companheirismo, carinho e apoio integral nesta etapa de minha vida.
A todos meus colegas de laboratório pelo companheirismo e pelos momentos
comparatilhados, em especial à Emília Brasílio e Helber Freitas pela valiosa ajuda durante todo
doutorado.
Minha gratidão ao Professor Dr. Humberto Ribeiro da Rocha pela confiança em mim
depositada. Sua orientação didática, compreensão e serenidade.
Ao Dr. Osvaldo Cabral pelos esclarecimentos de dúvidas e pela cooperação com dados de
campo fornecidos para realização da calibração do modelo.
Ao Prof. Dr. Edmilson Dias de Freitas pela ajuda e o apoio.
Ao Departamento de Ciências Atmosféricas da USP pela oportunidade de realização do
curso de doutorado e a todos os professores com os quais muito aprendi.
À FAPESP pelo suporte financeiro desta pesquisa.
Aos técnicos e analistas de informática do Departamento de Ciências Atmosféricas:
Sebastião, Djalma, pelo suporte essencial e as funcionárias (os) das secretarias e da Biblioteca
pela presteza.
A meus sogros pelo apoio e amizade.
Ao Doutor Tang da Universidade Qiuhong Tang disponibilizar o DBHM para realização
da pesquisa de doutorado.
Aos vigias da portaria, em especial a: Ricardo e Francisco.
À Deus.
A todos as pessoas que de alguma maneira sempre estiveram presentes e ajudaram direta ou
indiretamente no desenvolvimento desta tese.
RESUMO
Nesta tese investigou-se os efeitos das mudanças de uso da terra no clima e no ciclo hidrológico na bacia do Rio Mogi-Guaçú, SP, em especial a temperatura do ar, evapotranspiração e vazão, no contexto de diferentes cenários de uso da terra. O Modelo Hidrológico Distribuído da Biosfera (DBHM), que tem o modelo da biosfera SiB2 como modelo de superfície, foi implementado, calibrado e utilizado para simulações no período de 2000 a 2008. Os resultado da comparação entre a temperatura da superfície terrestre (LST) do MODIS e temperatura do ar medida em campo indicaram que LST diurna do MODIS corroborou as diferenças nos padrões de Tar nas áreas de cana-de-açúcar e cerrado, mas não para as áreas de eucalipto. No caso noturno, não houve uma comparabilidade razoável com Tar. A calibração do DBHM mostrou padrões calculados razoavelmente comparáveis com as observações, em especial a variação sazonal da vazão, com leves superestimativa da vazão mínima nos postos do médio e baixo Mogi-Guaçú, e leve subestimativa em janeiro e fevereiro. O modelo reproduziu adequadamente a variabilidade interanual da vazão, com pequena superestimativa em alguns postos do médio e baixo Mogi-Guaçú. A evapotranspiração (ET) simulada mostrou razoável concordância com as observações nas áreas de cana-de-açúcar, cerrado e eucalipto, em especial a sazonalidade e intrasazonalidade, além da hierarquia observada entre as médias dos ecossistemas. A sensibilidade do modelo aos diferentes cenários de uso da terra mostrou que a Vegetação atual e o cenário Agric_C4 (culturas C3 convertidas para gramíneas C4) tiveram maior vazão, ao longo de todo ano, seguidas em ordem decrescente na estação chuvosa pelos cenários Agric_Euc (conversão culturas C3 para eucalipto), Vegetação nativa e Reflorestamento (nas faixas de proteção na margem dos rios e áreas de declividade moderada a alta). Na estação seca alguns cenários invertem a hierarquia, havendo maior vazão em Reflo, seguida de Agric_Euc e Veg_Nativa. Para a vegetação atual (modelo calibrado) ~ 31% da Precipitação anual (450 mm) foi simulada como escoamento (básico e superficial) e o complemento (1003 mm ou 69%) como evapotranspiração. A evapotranspiração foi menor para os cenário Veg_Atual e Agric_C4, enquanto a do cenários com cobertura florestal (Veg_Nativa, Reflo e Agric_Euc) foram dominantes. O coeficiente de escoamento variou nos cenários Veg_Nativa, Reflo e Agric_Euc entre ~27 a 31%, e de ~31 a 39% nos cenários Veg_atual e Agric_C4. A simulação dos ecossistemas florestais tendeu a reduzir mais a vazão, em especial na estação chuvosa, ocasião dos picos de cheia e inundações, concorrente com o aumento da evapotranspiração. A geração de escoamento no cenário de Reflorestamento foi comparável ao da Vegetação nativa, com um aumento da vazão mínima na estiagem, mesmo com uma fração de cobertura florestal muito aquém, mostrando a potencial relevância de sua funcionalidade ecohidrológica.
ABSTRACT
This work investigated the effects of land use changes on climate and consequences for the hidrological cycle for the Mogi-Guaçú basin, SP. We focus on air temperature, evapotranspiration and discharges variables, within the framework of different land use change scenarios. The Distributed Biophere Hidrological Model (DBHM) was implemented, calibrated and used for simulations from 2000 to 2008. Regarding the diurnal land surface temperature (LST) from MODIS corroborated the distinct patterns of observed air temperature (Tar) over sugar cane and cerrado areas, but not for the eucalyptus area. On the contrary, such agreement could not be established between Tar and LST. The DBHM was calibrated for the Mogi-Guaçú river basin, using a dataset of measured discharges and evapotranspiration (LE) data. The simulated discharges reproduced seasonal patterns reasonably well, although the slight overestimation of minimum flow for the medium and lower reaches. The simulated discharges reproduced closely the observed interannual variability. The simulated LE was comparable to observations for cerrado vegetation, sugar-cane and eucalyptus plantations.| Moreover, there was a strong agreement between simulated LE and observations for the seasonal and intra-seasonal time scales, as well as for the hierarchal observed averages among the ecosystems. The sensitivity of the model regarding the different scenarios of land use revealed that "Veg_Atual" and the "Agric_C4" scenario (C3 plantation converted to C4) resulted in higher discharges, throughout the year, followed in decreasing order during the rainy season by the scenarios "Agric_Euc" (C3 plantation converted to eucaliptus), "Veg_Nativa" and "Reflo" (the buffer vegetation stripe along river edges and areas with moderate and high slope). For dry season, some of the scenarios showed a inverted pattern of hierarchy, with higher discharge for "Reflo", followed by "Agri-Euc" and "Veg Nativa". For the "Veg_Nativa" about 31% (450 mm) of the annual precipitation was simulated as runoff (recharge plus surface flow), with the rest (1003 mm or 69%) simulated as evapotranspiration. For the "Veg_Atual" and "Agric_C4" scenarios, the evapotranspiration was lowest, the opposite being the case for the scenarios with forest cover ("Veg_Nativa", "Reflo" e "Agric_Euc"). The runoff coefficient varied between ~27 to 31% for the "Veg_Nativa", "Reflo" and "Agric_Euc" scenarios, and between ~31 to 39% for the "Veg_atual" and "Agric_C4" scenarios. The simulation of forested ecosystems showed a tendency for reduced discharge, specially for rainy season periods, a time characteristic of discharge peaks, flooding, and concomitant high evapotranspiration. The river flow simulated for the "Reflo" scenario was comparable with that produced for the "Veg_Nativa" scenario, with increased minimum flow during dry season, even for a small fraction of remaining forest cover, revealing the potential relevance of the ecohidrological functionality.
lantation).
SUMÁRIO
RESUMO ................................................................................................................................................................... IV
ABSTRACT ................................................................................................................................................................. V
1. INTRODUÇÃO ........................................................................................................................................................ 2
1.1 OBJETIVOS ........................................................................................................................................................ 4
3. METODOLOGIA .................................................................................................................................................... 6
3.1 ÁREA DE ESTUDO ............................................................................................................................................ 6
3.2 SÍTIOS EXPERIMENTAIS ................................................................................................................................. 8
3.3 DADOS DE SENSORIAMENTO REMOTO .................................................................................................... 11 3.3.1.Dados de temperatura da superfície terrestre ........................................................................................... 11
3.3.2. Índices espectrais de vegetação do sensor MODIS .................................................................................. 12
3.3.3. Processamentos de dados e variação mensal do LAI ............................................................................... 12
3.3.4. Mapa de vegetação contemporânea da bacia MoGu ................................................................................ 16
3.4 MODELAGEM HIDROLÓGICA DA BIOSFERA ........................................................................................... 16
3.4.1.Estrutura do modelo .................................................................................................................................. 18 3.5. CALIBRAÇÃO DO DBHM PARA BACIA MOGU ........................................................................................ 31
3.5.1.Critérios de avaliação ................................................................................................................................ 32 3.6 CENÁRIOS DE MUDANÇA DE USO DA TERRA ......................................................................................... 34
3.7. PRESCRIÇÃO DE LAI/FPAR PARA CENÁRIOS DE USO DATERRA ....................................................... 39
4. RESULTADOS ....................................................................................................................................................... 41
4.1. COMPARAÇÃO ENTRE A LST DO SENSOR MODIS E A TEMPERATURA DO AR ............................... 41
4.2. AJUSTE DA PARAMETRIZAÇÃO DE ONDA LONGA ............................................................................... 48
4.3. CALIBRAÇÃO DO DBHM PARA BACIA DO RIO MOGI-GUAÇÚ ............................................................ 52 4.4. COMPARAÇÃO ENTRE CENÁRIOS DE MUDANÇA DO USO DA TERRA ............................................. 61
Fluxos Hidrológicos ........................................................................................................................................... 61 Fluxos de energia ................................................................................................................................................ 68 Variação dos Fluxos hidrológicos anuais ........................................................................................................... 72
5. CONCLUSÕES ...................................................................................................................................................... 76
7. REFERÊNCIAS BIBLIOGRÁFICAS.................................................................................................................. 79
2
1. INTRODUÇÃO
O clima exerce notável controle na produtividade da biosfera e nos recursos hídricos, e
as prováveis mudanças globais do clima, assim as mudanças de uso da terra nas regiões
tropicais, alteram o clima local e os processos hidrológicos com magnitudes comparáveis
(Stohlgren et al. 1998, Foley et al. 2005, Pielke, 2005, Feddema et al 2005). No Brasil, as
mudanças de uso da terra ocorreram principalmente no século 20, pelo desflorestamento,
monoculturas e urbanização, devido à crescente demanda de alimentos, fibras, energia e
insumos, por meio do agronegócio que representa ~1/3 do PIB e contribui direta e
indiretamente com ~50% dos empregos no país. Buscam-se assim soluções sustentáveis que
atendam o crescente ritmo da agropecuária com o equilíbrio ambiental e a conservação da
biodiversidade.
Os efeitos no clima decorrentes das mudanças de uso da terra surgem em grande parte
por alterações do balanço de energia na superfície e decorrentes das características da
cobertura de superfície como albedo, área foliar, rugosidade, mecanismos de fotossintese, que
controlam a temperatura, a umidade e a velocidade do vento (Pielke et al. 1991). Na
Amazônia as áreas de pastagens mostram temperatura do ar diária máxima superior às das das
áreas de floresta (Gash et al. 1996). No estado de SP a cobertura de Mata Atlântica e Cerrado
em 1850 era de ~81% (fonte: Instituto Florestal SP) e cedeu espaço ao café em torno de 1910,
sucedido pelo milho, laranja e algodão até por volta de 1970, e daí então pela cana-de-açúcar
nas regiões de Piracicaba e Ribeirão Preto, e em diversas áreas por florestas plantadas de
eucalipto e pinus em 1980. A cana-de-açúcar ocupa em 2010 cerca de 3,5 milhões ha em SP.
Negrón-Juárez (2004) utilizou o modelo atmosférico BRAMS para investigar a sensibilidade
do clima ao desmatamento no Sudeste do Brasil, e mostrou que a temperatura à superfície
média diária foi ~0,5°C mais quente na cobertura vegetal atual em relação à cobertura
primitiva, em especial nas áreas de cana-de-açúcar. Tatsch (2006) utilizou medidas com torres
de fluxo no centro-norte de SP e reportou que durante a estação úmida o eucalipto mostrou
evapotranspiração expressivamente maior (5,2 mm d-1) do que o cerrado e a cana-de-açúcar
(3,1 e 2,5 mm d-1, respectivamente), e que a temperatura do ar acima do dossel na cana-de-
açúcar foi significativamente maior que no cerrado, e de ambos superior à do eucalipto, em
3
coerência com as diferenças da evapotranspiração. Loarie et al (2011) utilizou dados de
temperatura do MODIS para associar um provável aquecimento do clima de ~1,6oC se áreas
de Cerrado forem ocupadas com pastagens, e que se a cobertura fosse cana-de-açúcar ainda
haveria aquecimento, mas levemente menor e de ~0,9oC, o que tem alguma correspondência
com Tatsch (2006).
O impacto da mudança do uso da terra na evapotanspiração total do estado de SP foi
estimado por Martins (2011), que utilizou o modelo SiB2 calibrado com dados de torres de
fluxo e reportou nas condições da vegetação primitiva uma evapotranspiração média anual de
3,3 mm d-1, que foi ~20% superior à correspondente na vegetação atual.
O ciclo hidrológico, a vazão ao longo da bacia e os recursos hídricos de forma geral,
dependem fortemente da sazonalidade e das oscilações do clima, mas as mudanças de uso da
terra e principalmente o desflorestamento ou reflorestamento, podem ser causas de expressivo
impacto devido às alterações nos regimes de infiltração, recarga do aquífero, geração de
escoamento e de evapotranspiração. Exemplos observacionais mostram que o
desflorestamento pode aumentar a vazão de pico e elevar a freqüência e intensidade de
inundações, reduzir o escoamento básico e portanto a vazão mínima de estiagem (Bosch &
Hewlett 1982; Costa et al. 2003). Em especial as conversões de floresta para pastagens e
cultura, quando associadas com desproteção das matas ripárias e manejo incorreto do solo,
produzem além daquelas alterações o aumento da erosão e do fluxo de sedimentos (Vertessy
et al. 2003; Ataroff & Rada 2000, Niel et al. 2006). Tucci & Clarke (1997) e Collischonn
(2001) sugerem que o desmatamento pode aumentar as cheias de pequeno e médio período de
retorno, mas sobre as de maior período há grande incerteza. Do ponto de vista da
evapotranspiração, observações de redução parcial da cobertura florestal em pequenas bacias
de coníferas e eucaliptos indicaram aumento da oferta de água, devido à redução da
evapotranspiração (Sahin & Hall, 1996), assim como simulações numéricas de
reflorestamento por eucalipto em escala regional que indicaram o aumento da
evapotranspiração e redução da temperatura máxima (Jackson et al. 2005).
Todavia, são ainda inconclusivos os estudos do impacto do uso e manejo da terra nos
recursos hídricos, devido à dificuldade de se isolar os controles separadamente nas análises
das séries históricas, a escassez de dados, tanto de vazão como outros como a captação de
água por irrigação, e as grandes variações de escala de tempo e espaço envolvidas nos
4
processos (Prudhomme et al. 2003). A legislação brasileira que estabelece critérios de
conservação de áreas nativas nas propriedades rurais e de proteção das matas ripárias é desde
1965 o Código Florestal. Sabe-se que esta legislação não é cumprida na prática,
principalmente no que se refere às faixas de proteção nas margens dos rios, pelo fato de ~90%
das propriedades rurais incorrerem na ilegalidade, e desta forma existirem desde 2009
contundentes propostas de alteração do Código Florestal em tramitação para promover
condições de anistia aos ilegais, e reforma de vários dos critérios originais. Não se conhece
exatamente quais os impactos que o descumprimento da lei promoveu no regime hídrico até
então, e nem sobre o que ocorrerá se os critérios forem alterados, ou seja, há enorme escassez
de estudos a este respeito.
Esta tese enquadra-se em uma linha de investigação dos controles da cobertura vegetal
no clima local e no ciclo hidrológico, e alinha-se com a literatura sobre o entendimento das
relações funcionais hídricas e energéticas dos ecossistemas brasileiros utilizando a medição
dos fluxos superfície-atmosfera de energia, água e CO2 em áreas de floresta tropical (Rocha
et al. 2009, Goulden et al. 2004), cerrado (Rocha et al. 2002, Tatsch et. al. 2005), cana-de-
açúcar (Cabral et al. 2003, Tatsch et. al. 2009, Cuadra et al. 2011), eucalipto (Cabral et al.
2010a-b, Tatsch, 2006, Bruno 2009) e Mata atlântica (Freitas, 2012), em especial para a bacia
do Rio Mogi-Guaçú, no norte de SP, e estendendo ferramentas de modelagem hidrológica
para o estudo do regime de vazão.
.
1.1 OBJETIVOS
O objetivo desta tese é discutir os efeitos das mudanças de uso da terra no clima da
superfície e no ciclo hidrológico na bacia do Rio Mogi-Guaçú, SP (aqui referenciada como
MoGu), em especial os padrões de temperatura do ar, evapotranspiração e vazão, no contexto
de cenários de cobertura vegetal nativa e de outras formas alteradas de cobertura da superfície.
As metas específicos do trabalho são:
(1) implementar o Modelo Hidrológico Distribuído da Biosfera (DBHM) para a
estimativa regional dos padrões de evapotranspiração e vazão na bacia do MoGu;
5
(2) discutir as possíveis diferenças de padrões de temperatura do ar em diferentes
ecossistemas da bacia MoGu, com medidas de campo e estimativas de sensoriamento remoto
com o sensor MODIS;
(3) configurar e calibrar o modelo DBHM com parâmetros biofísicos dos ecossistemas
representativos da bacia MoGu, por meio de dados de sensoriamento remoto e observações de
campo;
(4) simular cenários de mudanças de uso da terra para avaliação do impacto regional
sobre os recursos hídricos, balanço de energia e a temperatura de superfície na escala da bacia
hidrográfica.
6
3. METODOLOGIA
3.1 ÁREA DE ESTUDO
A bacia de estudo localiza-se na região hidrográfica do Paraná, na sub-bacia do Rio
Grande, entre a região a nordeste do estado de São Paulo e sudoeste de Minas Gerais (Figura
3. 1). O rio principal é o Mogi-Guaçú cujo nome é aqui utilizado para referenciar a bacia
como MoGu. A bacia MoGu abrange uma área de drenagem total de 17460 km2 que
comporta uma população de aproximadamente 1.7 milhões de habitantes. O rio Mogi-Guaçú
escoa no sentido sudeste-noroeste conforme a topografia da bacia (Fig. 3.1) e se estende por ~
470 km. O rio Mogi-Guaçú nasce a 1617 m de altitude no sul de Minas Gerais (Serra da
Mantiqueira, no município de Bom repouso) e percorre a região central e nordeste do estado
de São Paulo, até desaguar a 490m de altitude no rio Pardo, que é um afluente do rio Grande,
que ao se juntar com o rio Parnaíba, forma o rio Paraná.
Figura 3. 1. Localização da Bacia do rio Mogi-Guaçú e mapa de elevação digital do terreno do sensor SRTM. A área delimitada em vermelho indica a região onde estão localizadas as torres micrometeorológicas usadas para validação da evapotranspiração do DBHM.
7
Os principais afluentes do Rio Mogi-Guaçú são:
(i) vertente esquerda: Rio do Peixe (São Paulo), Ribeirão do Meio, Ribeirão
do Pântano, Rio do Quilombo, Ribeirão das Cabeceiras, Ribeirão das
Araras, Ribeirão Santa Rita,
(ii) vertente direita: Rio Oriçanga; Rio Manso; Rio Capetinga; Rio Jaguari-
Mirim; Ribeirão Bebedouro, Rio Itupeva, Ribeirão da Onça.
O perfil da altitude ao longo do rio Mogi-Guaçú é mostrado na Fig. 3.2. O perfil de
altitude foi extraído diretamente do modelo digital de elevação do terreno e mostra a
tendência de variação da altitude em relação a distância da foz da bacia. Observa-se
claramente que a bacia pode ser dividida em função do perfil 3 trechos: alto, médio e baixo
Mogi. O trecho alto Mogi é o mais íngreme e localizado a uma distância da foz superior a
~390 km da foz e altitude superior a 900 m. O médio Mogi apresenta um planalto entre 330 e
390 km (patamar de altitude de 880 m) seguido de um declive acentuado (~ 150 m). O baixo
Mogi abrange a região de planície da bacia com altitudes inferiores a 600 m e a menos de 300
km da foz.
Figura 3. 2. Localização da Bacia do rio Mogi-Guaçú e mapa de elevação digital do terreno do sensor SRTM (). A área delimitada em vermelho indica a região onde estão localizadas as torres micrometeorológicas.
8
A relação entre demanda e disponibilidade hídrica indica que o rio Mogi-Guaçú
classifica-se em uma condição crítica (ou seja, acima de 10%), exceto em alguns trechos na
cabeceira da bacia (Fig. 3.3).
Figura 3. 3. Relação entre demanda e disponibilidade hídrica para os principais cursos d’água da Região hidrográfica do Paraná. A região da bacia do rio Grande é destacada em cinza escuro. Adaptado de ANA (2007).
Os pontos de medidas micrometeorológicas são localizados na vertente direita do Rio
Mogi-Guaçú, no trecho médio da bacia, mais especificamente na micro-região de Ribeirão
Preto.
3.2 SÍTIOS EXPERIMENTAIS
A seguir descrevem-se os sítios experimentais cujos dados de fluxo de calor latente e
temperatura do ar foram usados na validação do modelo hidrológico e para comparação com
os dados de temperatura da superfície terrestre do sensor MODIS, respectivamente.
Ecossistema de cerrado: localizado na Gleba Pé de Gigante, município de Santa
Rita do Passa Quatro, na área do Parque Estadual Vassununga (administrada pelo Instituto
Florestal, SP), onde fica a nascente do córrego Paulicéia, que é afluente da margem direita do
rio Mogi-Guaçú. A torre micrometeorológica, de 22 m de altura e localiza-se nas
9
coordenadas 21°37’ S, 47°38’ W, a 710 m de altitude. A área é circundada por plantações de
eucalipto, citrus e cana-de-açúcar (Fig. 3.4.b). A reserva tem área de 1225 ha, e é o maior
fragmento de cerrado em área contígua do estado. A fisionomia predominante é de cerrado
sensu stricto e a altura média do dossel é de 10 m. O solo é formado predominantemente por
Neossolo quartzarênico, previamente chamado de Areia Quartzosa. A variação dos fluxos de
água e energia e do clima desta área para os anos de 2002 e 2002 é relatada em Rocha et al.
2002. Os dados de fluxo de calor latente (evapotranspiração) usados para validação do
DBHM são do ano de 2005. Detalhes sobre os procedimentos de processamento dos dados
são reportados em Tatsch (2006).
Agroecossistema de eucalipto: localizado sobre uma plantação de eucalipto, no
talhão de reflorestamento nº 18 com 45 ha, da Fazenda Cara Preta (Votorantin Celulose e
Papel S.A.), a nordeste da área do cerrado. A densidade de indivíduos é de 1410 ind ha-1. A
torre micrometeorológica (21º35’S, 47º36’W, 761 m) possui um sistema de eddy covariance e
estação meteorológica automática. As variedades plantadas foram clones híbridos de
Eucalyptus grandis e urophylla, com ciclo de 7 ano. O manejo adotado foi um espaçamento
de 3 x 3 m (entre as árvores e entre as linhas). A altura média das árvores em agosto de 2005
era de 11 m enquanto que em fevereiro de 2006, aproximadamente 13 m. Os dados diários de
fluxo de calor latente (evapotranspiração) do eucalipto usados para validação do DBHM são
do ano de 2007 e foram fornecido por Cabral et al. (2010a).
Agroecossistema de cana-de-açúcar: localizado sobre uma plantação de cana-de-
açúcar (Saccharum spp.) de 351 ha, na Fazenda São José do Pulador (Fazenda 27) da Usina
Santa Rita (21º38’S, 47º47’W, 552 m) no município de Luiz Antônio, SP (Fig. 3.4). O solo
predominante é do tipo Latossolo Vermelho-Amarelo, textura arenosa. A torre foi instalada
no início de fevereiro de 2005 no talhão nº 20, contendo a soca de cana-de-açúcar, variedade
SP83-2847, plantada com espaçamento entre linhas de 1,5 m e com altura média de ~ 3,5 m
na época de colheita, realizada nos dias 14 de abril de 2005 e 10 de maio de 2006 (segundo e
terceiro corte, respectivamente). Os dados diários de fluxo de calor latente (evapotranspiração)
da cna usados para validação do DBHM são do ano de 2006.
10
Figura 3.4 (a) Localização dos sítios experimentais, estações meteorológicas mais próximas e topografia da região com resolução de 90m (dados do USGS). A variação de altitude (m) é indicada à direita pela escala de cinza. (b) imagem realçada do satélite LANDSAT-5 da cobertura vegetal da região. Fonte: Projeto CANASAT, imagem referente à safra 2005/06 (disponível em http://www.dsr.inpe.br/mapdsr/).
(b)
11
3.3 DADOS DE SENSORIAMENTO REMOTO
3.3.1.Dados de temperatura da superfície terrestre
A LST é um parâmetro resultante da interação física entre o sistema superfície
atmosfera, particularmente dos fluxos de energia e água entre a atmosfera e o solo. A LST é
sensível às condições atmosféricas locais, ao tipo de superfície, umidade do solo, e ao estresse
hídrico da vegetação, e portanto é uma variável chave em aplicações hidrometeorológicas. A
LST estimada pelo sensor MODIS foi comparada a temperatura do ar medida in situ. As
medidas de temperatura foram realizadas por estações meteorológicas automáticas instaladas
acima do dossel (Tar) das áreas de cana-de-açúcar, cerrado e eucalipto. A comparação buscou
avaliar se a LST estimada por sensoriamento capta as diferenças no regime térmico entre três
tipos de vegetação, localizados em áreas relativamente próximas, de mesmo clima regional e
sob condições pedológicas semelhantes.
Foram adquiridos dados do produto Land Surface Temperature (LST, temperatura da
superfície terrestre, nível 3, MYD11A2) do sensor Moderate Resolution Imaging
Spectroradiometer (MODIS) a bordo do satélite AQUA, gerado a partir do produto LST
diário na resolução de 1 km (MYD11A1) e armazenado em uma grade senoidal como a média
dos valores de LST em dias de céu-claro durante um período de 8 dias. Os dados de Tar
referem-se a médias de 30 minutos.
Os dados de LST incluem dados de LST noturna e diurna, avaliação de qualidade,
tempo de observação, ângulo de visada, bits de céu claro diurno e noturno, emissividades
estimadas nas bandas 31 e 32 dos tipos de cobertura de vegetação.
Para comparação da LST com os dados de Tar sobre as áreas experimentais foram
usadas as seguintes informações auxiliares: tempo de observação (horário médio do dia/noite
da observação de LST) e os dias (datas) de céu-claro com dados válidos (extraídos a partir dos
bits de céu-claro) usados na composição da LST (diurna/noturna) média do período de 8 dias.
Os dados de tempo de observação indicaram que em média o horário de passagem do satélite
AQUA (para a medida de LST) no período diurno (noturno) é entre as 13 e 14 h.
As informações de dias de céu claro usados na composição da LST média de 8 dias e
o horário da observação da LST desses dias foram usadas na composição da média da Tar
12
medida (médias de 30 min) nas torres micrometeorológicas. O período de dados de LST foi
de julho de 2002 a dezembro de 2010.
3.3.2. Índices espectrais de vegetação do sensor MODIS
O sub-modelo de superfície (modelo Simples da Biosfera, SiB2, Sellers et al. 1996a)
usado no DBHM permite a assimilação de índices espectrais da vegetação (provenientes de
dados de sensoriamento remoto) para descrição variação espaço-temporal da fenologia da
vegetação. A opção default para os parâmetros biofísicos variantes no tempo da vegetação na
versão original do DBHM (Tang, 2006, Tang et. al. 2008) é a base dados do sensor AVHRR
(com resolução espacial de 16 km). Entretanto para escala espacial da bacia MoGu, essa
resolução espacial seria insuficiente para representação adequada dos processos hidrológicos.
Nesse contexto o sensor MODIS tem se destacado como a maior base de dados com
aplicação ambiental devido a sua resolução moderada (> 250 m) e cobertura global. A seguir
descreve-se resumidamente o processamento e análise dos dados de Índice de área foliar (LAI)
e (FPAR) do produto MODIS/Terra+Aqua LAI/FPAR 8-Day L3 Global 1km SIN Grid V005
(MCD15A2) antes de sua utilização como entrada no DBHM.
3.3.3. Processamentos de dados e variação mensal do LAI
As etapas de processamento dos índices espectrais de vegetação do sensor MODIS
realizadas podem ser descritas resumidamente da seguinte forma: (1) download de dados
brutos para o período disponível (2002-2010) e para o domínio da bacia na projeção WSGS84
e sistema de coordenadas lalong; (2) processamento Nível 0: leitura dos dados brutos globais
(composições de 8 dias e resolução espacial de 1km); (3) Nível 1: filtragem/remoção de pixels
com valores indefinidos (p. ex.: áreas urbanas e lagos); (4) Nível 2: conversão dos valores
para valores reais pela aplicação dos coeficientes de ganho e offset; (5) Nível 3: cálculo dos
máximos mensais (para evitar o efeito da nebulosidade), uma vez que o DBHM requer valores
mensais de LAI/FPAR; (6) Nível 4: projeção dos dados para o sistema de coordenadas do
DBHM (Projeção azimutal de Lambert de área equivalente), (7) Nível 5: recorte para o
domínio espacial da bacia; aplicação de máscara para o contorno da bacia e finalmente a
13
conversão dos dados para o formato binário conforme padrão do DBHM. A Fig. 3.5 mostra a
série temporal resultante da etapa de processamento do nível 5 do LAI representado como a
média espacial sobre a bacia e o seu desvio padrão. A média de longo prazo do LAI máximo
mensal para região da bacia MoGu é de 2 m2 m-2.
Fig. 3.5 Série temporal dos valores máximos mensais de LAI e o desvio padrão espacial (área sombreada, considerando somente pontos de grade dentro da bacia MoGu).
A Fig. 3.6 apresenta os campos espaciais médios mensais de LAI para o período de
2000-1010. Observa-se como aspecto geral à ocorrência de uma grande variabilidade espacial
e sazonal do LAI na bacia MoGu, com LAI variando entre o mínimo de 1 (com maior
frequência de ocorrência na área da bacia em setembro) e o máximo de 6 m2 m-2 (com maior
frequência de ocorrência na área da bacia de janeiro a março). A região com valores
recorrentemente altos de LAI ao longo do ano no trecho médio da bacia (indicado pela seta),
coincide com a reserva do Parque estadual de Vassununga – Gleba Pé-de-Gigante onde se
encontra a torre micrometeorológicas do cerrado que é circundada por plantações de eucalipto.
14
Figura 3.6. Médias dos valores máximos mensais do parâmetro LAI (índice de área foliar) na bacia MoGu, obtidas a partir das estimativas do sensor MODIS (produto MCD15A2 – Terra+Aqua Leaf Area Index/LAI 8-Day L3 Global 1km SIN Grid V005). Média no período de 2000-2010.
15
Na Fig. 3.7 apresenta-se o ciclo anual médio espacial de LAI e FPAR sobre a área
da bacia MoGu. Os valores de LAI (FPAR) variaram entre o mínimo de 1 (0,45) e o máximo
de 2,7 m2 m-2 (0,7). Esses valores estão coerentes com os tipos de vegetação predominantes
da bacia onde 65% da bacia é coberto por gramíneas (pastagens e cana-de-açúcar).
Figura 3.7. Variação temporal das Médias mensais dos parâmetros LAI (índce de área foliar) e FPAR (Fração de radiação fotossintéticamente ativa absorvida) sobre a área da bacia MoGu, obtidos a partir das estimativas do sensor MODIS (produto MCD15A2 – Terra+Aqua LAI/FPAR 8-Day L3 Global 1km SIN Grid V005) para o período de 2000-1010.
Este conjunto de dados de índices de vegetação estimados por sensoriamento remoto
é assumido como representativo da vegetação contemporânea regional nesse estudo. Os dados
do sensor MODIS foram eleitos como a melhor opção considerando as outras opções de usar
os dados do sensor AVHRR e/ou prescrever ciclos anuais de LAI e FPAR (e portanto sem
variabilidade interanual) para cada classe de vegetação.
16
3.3.4. Mapa de vegetação contemporânea da bacia MoGu
Para construção de um mapa contemporâneo da vegetação da bacia MoGu foi usado
os dados do produto MODIS/Terra Land Cover Type 1 (MOD12Q1) com resolução espacial
de 1km e temporal anual. O esquema de classificação de vegetação selecionado foi IGBP que
foi posteriormente reclassificado de acordo com as classes de vegetação do SiB2. O mapa
resultante para bacia MoGu é mostrado na Fig. 3.8.
Figura 3.8. Mapa de vegetação contemporânea da bacia MoGu conforme classes de vegetação do modelo SiB2.
3.4 MODELAGEM HIDROLÓGICA DA BIOSFERA
O modelo hidrológico distribuído da biosfera (DBHM) é um modelo espacialmente
distribuído, determinístico e contínuo no tempo, desenvolvido para aplicação em grandes
bacias (Tang et al. 2006). O modelo se apropria de metodologias multidisciplinares
recentemente desenvolvidas que promoveram notáveis avanços na simulação hidrológica de
grande escala. O DBHM foi usado para explorar as relações internas entre o clima, atividades
humanas e o ciclo hidrológico na Bacia do Rio Amarelo na China, e para interpretar os
possíveis mecanismos associados às mudanças nas séries de vazões entre 1960 e 2000 (Tang
17
et al. 2008). Diversos cenários foram avaliados para elucidar a resposta hidrológica ao clima,
a cobertura da superfície e a irrigação. Os resultados mostraram que as mudanças climáticas
foram à causa dominante das mudanças na vazão anual dos trechos médio e superior da bacia,
enquanto a atividade humana teve efeito predominante no trecho inferior da bacia do Rio
Amarelo.
O DBHM integra um esquema sofisticado de transferência solo-vegetação-atmosfera
(SVAT) a um modelo hidrológico distribuído que representa os efeitos da topografia sobre a
geração de escoamento e os efeitos da vegetação nos fluxos turbulentos à superfície, na escala
de grandes bacias.
A principal motivação para o desenvolvimento do modelo foi para obtenção de
estimativas mais realísticas de evapotranspiração e escoamento sobre bacias de grande escala.
O modelo foi usado para investigar as mudanças na vazão do Rio Amarelo, na China, devido
as mudanças do uso da terra e para estimar disponibilidade hídrica Tang et al (2006).
Entre as principais vantagens do modelo destacam-se:
- o cálculo da evapotranspiração é mais confiável através do uso de um esquema de
superfície para simulação dos fluxos de energia nos processos de transferência solo-
vegetação-atmosfera (SVAT);
- o emprego de dados de satélites são usados para descrever as séries temporais de
mudança da cobertura de superfície;
-as observações de estações hidrometeorológicas, tais como precipitação;
temperatura, umidade, horas de brilho solar e velocidade do vento são usadas no modelo; o
modelo pode ser acoplado a modelos atmosféricos.
Uma visão geral da estrutura do modelo é mostrada na Fig 3.9. A versão revisada do
modelo Simples da Biosfera (SiB2 , Sellers et al. 1996a) é incorporada ao DBHM como sub-
modelo de vegetação para representar as interações superfície-atmosfera e os efeitos das
mudanças da cobertura de superfície. A variação espaço-temporal da fenologia da vegetação é
descrita por dados globais coletados por sensores a bordo de satélites seguindo a abordagem
de Sellers et al. (1996b). Técnicas de sistemas de informações geográficas (SIG) são usadas
no DBHM para extrair informações do modelo digital de elevação do terreno e descrever as
características geomorfológicas da bacia (Verdin e Verdin, 1999), nas quais o modelo
hidrológico se baseia para simular os escoamento superficial e sub-superficial.
18
Figura 3.9. Estrutura do DBHM. Adaptado de Tang (2006).
O DBHM utiliza a abordagem de Rushton and Tomlinson (1979) para estimar a
interação aquífero-rio. Mapas de bacias hidrográficas e de cursos d’água mais realísticos para
delimitar sub-bacias e a rede fluvial. As sub-bacias são codificadas segundo o método
Pfafstetter (Pfafstetter, 1989; Verdin e Verdin, 1999). O runoff é então acumulado e
propagado usando o método de onda cinemática.
A integração do modelo SiB2 com a utilização de observações derivadas de satélites
e a simulação de fluxos de água energia e CO2 representam a grande vantagem do DBHM em
relação aos demais modelos hidrológicos distribuídos.
3.4.1.Estrutura do modelo
Modelo de Superfície
19
O modelo de superfície SiB2 é utilizado para estimar a transferência de energia,
massa e momento entre a atmosfera e a superfície vegetada. As condições de contorno da
atmosfera necessárias para o SiB2 incluem temperatura do ar Tm , pressão de vapor em,
velocidade do vento um, precipitação P, radiação de onda curta incidente Rsd, radiação de
onda longa incidente Rld. Dados diários de temperatura do ar, umidade relativa, velocidade do
vento, número de horas de brilho solar e precipitação, de 8 estações meteorológicas do
INMET no período de 2000 a 2008 foram interpolados para grade de 1 kilometro pelo DBHM
com o método de interpolação ponderada pelo inverso da distância.
A radiação de onda curta incidente é estimada a partir de observações meteorológicas
segundo Yang et al. (2001). A radiação de onda longa incidente foi estimada como (Brunt,
1932; Jiménez et al., 1987):
4aald TR σε= (1)
onde aε é a emissividade da atmosfera, 8106704.5 −= xσ é a constante de Stefan-Boltzman
( )42 −− KWm e aT é a temperatura do ar (K). A emissividade é determinada em função do
pressão de vapor d'água:
aa e039.066.0 +=ε (2)
onde ea é a pressão de vapor (kPa).
A vegetação e os parâmetros de solo são invariantes no tempo. O mapa global de
solos da FAO foi utilizado para estimar as propriedades do solo, tais como, potencial de
saturação de água no solo sψ (m), a condutividade hidráulica de saturação Ks (m/s), parâmetro
da curva de retenção de umidade do solo b e a porosidade θs. As equações de
pedotransferência de Cosby et al. (1984), foram usadas para estimativa dessas propriedades:
)0131.088.1(1001.0 sandPs x ⋅−−=ψ (3)
)0153.0884.6(100556.7 sandPs xK ⋅+−= (4)
clayPb 159.091.2 += (5)
sands P00126.0489.0 −=θ (6)
onde Psand e Pclay são porcentagens de areia e argila.
A Fig. 3.10. mostra o mapa de solo da FAO e as propriedades do solo derivadas
usando as informações de textura do mapa de solos global da FAO e as equações supracitadas.
20
(a) unidade de mapeamento
(b) Ks
(c) b
(d)
(e)
Figura 3.10. Parâmetros hídricos do slo derivados do mapa de solo global da FAO e equação de pedotransferência de Cosby et al (1984). (a) unidade de mapeamento de solo da FAO, (b) Condutividade hidráulica de saturação (Ks, mm h-1), (c) parâmetro b da curva de retenção de umidade do solo, (d) porosidade do solo e (e) potencial matricial de saturação (m).
21
No SiB2 a vegetação global é classificada em 12 classes. Para cada classe de
vegetação é designado um conjunto de parâmetros invariantes no tempo (Sellers et al. 1996a).
Os parâmetros de vegetação utilizados para caracterização dos tipos de vegetação da bacia
MoGu são descritos na tabela 3.1.
22
Tabela 3.1. Parâmetros dos tipos de vegetação usados no SiB2. Os parâmetros sombreados são de Martins (2011), os demais são de Sellers et al (1996a). Arbustos CSN: abreviatura para Arbustos com solo nú. Cult. Agr.: abreviatura para Culturas Agrícolas.
Descrição dos parâmetros Tipo de vegetação
variável símbolo unidade Floresta Cerrado Eucalipto Área Urbana Gramíneas Arbustos CSN AB arbustos Cult.Agr. (tipo C3)
Propriedades morfológicas 1 2 3 4 5 6 7 8 9
z2 z2 Altura do topo do dossel m 35 7 28 17 7 1.2 0.5 0.6 1
z1 z1 Altura da base do dossel m 1 1 2.5 8.5 1 0.3 0.1 0.1 0.1
zc zc Altura de inflexão da densidade de área foliar m 28 3 20 10 3 0.6 0.3 0.35 0.55
vcover V Fração de cobertura do dossel - 1 0.98 0.95 1 0.75 0.95 0.1 1 1
chil χL Fator de distribuição de ângulo de folha - 0.1 0.25 0.1 0.01 0.25 -0.3 0.01 0.2 -0.3
leafw lw expessura foliar m 0.05 0.03 0.05 0.001 0.01 0.01 0.003 0.01 0.01
leafl ll comprimento foliar m 0.1 0.5 0.5 0.055 0.5 0.3 0.03 0.3 0.3
sodep DT Profundidade total do solo m 4 2.5 3 2 1.5 2 1.5 1.5 1.5
rootd Dr Profundidade de raiz m 2.5 1.5 2 1.5 1 1 1 1 1
Propriedades Ópticas
reflv αV,l Refletância Foliar,visivel, vivo - 0.1 0.1 0.06 0.07 0.1 0.11 0.1 0.105 0.105
refdv αV,d Refletância Foliar,visivel, morto - 0.16 0.13 0.18 0.16 0.13 0.36 0.16 0.36 0.36
refln αN,l Refletância Foliar, Infra-Vermelho próximo, vivo - 0.45 0.45 0.47 0.35 0.35 0.58 0.45 0.45 0.58
refdn αN,d Refletância Foliar, Infra-Vermelho próximo, morto - 0.39 0.39 0.39 0.39 0.39 0.58 0.39 0.58 0.58
tranlv δV,l Transmitância Foliar, visivel, vivo - 0.05 0.05 0.01 0.05 0.05 0.07 0.05 0.07 0.07
trandv δV,d Transmitância Foliar, visivel, morto - 0.001 0.001 0.001 0.001 0.001 0.22 0.001 0.22 0.22
tranln δN,l Tansmitância Foliar, Infra-Vermelho próximo, vivo - 0.25 0.25 0.15 0.1 0.25 0.25 0.25 0.25 0.25
trandn δN,d Tansmitância Foliar, Infra-Vermelho próximo, morto - 0.001 0.001 0.001 0.001 0.001 0.38 0.001 0.38 0.38
sorefv asV Refletância do solo, visivel - 0.11 0.08 0.15 0.11 0.08 0.12 0.11 0.11 0.1
sorefn asN Refletancia do solo, infra-vermelho próximo - 0.225 0.2 0.25 0.225 0.2 0.2 0.225 0.225 0.15
Propriedades Fisiológicas
vmax0 Vmax0 Capacidade Máxima da Rubisco, topo das folhas mol m-2 s-1 1.00E-04 7.50E-05 8.20E-05 6.00E-05 7.00E-05 3.00E-05 6.00E-05 6.00E-05 1.00E-04
effcon ϵ Eficiência intrínsica de quantum mol mol-1 0.08 0.08 0.08 0.08 0.08 0.05 0.08 0.08 0.08
gradm m inclinação da curva de condutância estomática mol m-2 s-1 12 8 16 9 0.5 4 9 9 9
binter b Condutância estomática mínima mol m-2 s-1 0.01 0.01 0.01 0.01 0.01 0.04 0.01 0.01 0.01
atheta βce Coeficiente de acoplamento fotossintético - 0.95 0.98 0.95 0.98 0.98 0.95 0.98 0.98 0.98
hhti S2 Fator de stress a alta temperatura (fotossíntese) K 313.16 313.16 313.16 303 311.16 313.16 314.16 313.16 312.16
hlti S4 Fator de estresse a baixa temperatura (fotossíntese) K 288.16 288.16 288.16 278 288.16 290.16 283.16 281.16 283.16
phc ψc 1/2 do potencial de inibição da água m -200 -200 -200 -200 -300 -200 -300 -200 -200
respcp ƒd Fator de respiração celular - 0.015 0.015 0.015 0.015 0.2 0.2 0.015 0.015 0.015
23
Modelo Hidrológico
O DBHM tem quinze variáveis prognósticas de estado físico, sendo doze variáveis
do modelo de superfície SiB2 e três variáveis da componente hidrológica (profundidade do
aquífero ha , profundidade do escoamento superficial hs , profundidade do escoamento no
canal do rio hr).
Escoamento
O escoamento superficial é a porção do escoamento que ocorre em superfícies não
canalizadas, e também é chamado de escoamento superficial. O escoamento superficial pode
ser gerado de três maneiras:
1. Quando a taxa de precipitação na superfície excede a taxa de infiltração do solo, e
a capacidade de retenção superficial é ultrapassada. Esse é chamado de
escoamento superficial por excesso de infiltração (Horton, 1939), ou escoamento
superficial não saturado. Ocorre mais freqüentemente em regiões áridas e semi-
áridas.
2. Quando o solo está saturado e a retenção superficial ultrapassada, e a chuva
persiste, essa precipitação imediatamente produzirá escoamento superficial. Esse é
o escoamento superficial por excesso de saturação ou escoamento superficial
saturado.
3. Depois que a água infiltrar num setor da vertente, a água pode escoar lateralmente
através do solo, e fluir para fora dele, próximo ao canal do rio. Esse processo é
chamado de fluxo de retorno ou escoamento subsuperficial.
Os escoamentos superficiais saturados e não saturados são considerados no DBHM.
A precipitação efetiva, é estimado pelo SiB2.
Infiltração
A infiltração não saturada é estimada usando o modelo Green-Ampt. Quando o solo
está saturado, o armazenamento nas depressões do solo é atinge sua capacidade máxima e a
precipitação continua, o escoamento superficial saturado é gerado. O modelo Green-Ampt é
um modelo analítico clássico de infiltração não saturada.
24
As considerações do modelo Green-Ampt são:
a) Equanto a chuva continua a cair e a água infiltra, a frente de umedecimento avança na
mesma taxa com a profundidade, a qual produz um frente de umedecimento bem
definida.
b) O conteúdo volumétrico da água permanece constante acima e abaixo da frente de
umedecimento enquanto essa avança.
c) O potencial matricial na frente de umedecimento permanece constante no tempo e
local com o avanço da frente de umedecimento.
Escoamento superficial nas vertentes O escoamento superficial é descrito pelo modelo de onda cinemática unidimensional e inclui a
equação da continuidade (Hager, 1984):
(7)
e a equação do momentum:
(8)
onde hs é a profundidade do escoamento superficial (m), qs é a descarga superficial por
unidade de comprimento (m2 s-1), t é o tempo (s), x é a distância ao longo do escoamento
superficial (m), i é a profundidade do escoamento superficial (m), S0 é a declividade do e n é
o parâmetro de rugosidade de Manning.
Interação Aqüífero-Rio O escoamento entre a rede de drenagem e o aquífero raso é considerado o fluxo de
água subterrânea ao longo de uma superfície impermeável inclinada (Childs, 1971; Towner,
1975). Esta representação conceitual da interação aqüífero-rio é mostrada na Fig. 3.11.
Assumindo que o escoamento seja aproximadamente paralelo à superfície impermeável, de
acordo com a aproximação de Dupuit-Forchheimer, o fluxo de água por unidade de
25
comprimento do rio pode ser escrito em termos da condutividade hidráulica e da inclinação
absoluta do lençol freático:
(9)
onde qg é a troca de água entre o aqüífero e o rio (m2 s-1), θb é a inclinação da superfície
impermeável (rad.), s é a distância ao longo do leito do rio (m) e hg é a espessura do aqüífero
(m). Se qg é positivo, o fluxo de água é no sentido aquífero-rio, e vice-versa. A equação 9
pode ser escrita como:
(10)
onde 'gh é a espessura média do aqüífero, brgag hhhh θcos'" −+= é a espessura do aquífero
próximo ao rio, l é o comprimento da vertente, o qual é considerado como a metade do
comprimento de trecho do rio.
Fig. 3.11. Representação conceitual da interação aqüífero-rio, onde qg é a troca de água entre o aquífero e o rio; 'gh é a espessura média do aquífero; "
gh é a espessura do aquífero no
rio; ah é a profundidade do aquífero; rh é a distância do nível do rio à superfície; D é a
profundidade do canal do rio; B é a largura do rio;hé o nível do rio; l é o comprimento da vertente, considerado como a metade do comprimento de trecho do rio; θb é a inclinação da superfície impermeável. Adaptado de Tang (2006).
26
A variação da profundidade do aquífero ah∆ é estimada através da variação no
armazenamento de água do reservatório.
(11)
onde µs é o coeficiente de drenagem, leak (m s-1) é o fluxo de água subterrânea perdida por
outras razões, tais como o uso de águas subterrâneas pela atividade humana ou perda para o
aqüífero profundo. Nesta tese foi usado µs = 0.1 para as simulações realizadas na bacia MoGu.
Fluxo no canal do rio O escoamento no rio é governado pela equação da continuidade (Chow, 1959):
(12)
e a equação do momentum:
(13)
onde Q é a vazão (m3 s-1), B é a largura do rio (m), h é o nível do rio (m) e Sr é a inclinação do
leito do rio. A estimativa do parâmetro de rugosidade de Manning n para escoamentos
naturais foi baseado em observações de campo de acordo com Chow (1959) e Acrement e
Schneider (1989). O valor n = 0.12 foi utilizado, esse valor é geralmente recomendado para
rios naturais. A largura do rio B é especificada ao longo da rede de drenagem, usando a
relação geomorfológica entre largura do rio e vazão média anual (Arora e Boer, 1999):
(14)
(15)
onde Qm é a vazão média anual (m3 s-1) passando por uma dada seção do rio, Qm,mouth é a
vazão média anual na foz do rio e β é um parâmetro empírico. O valor de β = 0.5 foi utilizado
27
seguindo Arora e Boer (1999). A profundidade do leito do rio D (m) é obtida através da
equação abaixo:
(15)
onde Qmax é a vazão máxima (m3 s-1) passando por uma dada seção do rio.
A equação do momentum (13) pode ser expressa da seguinte forma:
(17)
Considerando
5/33/2
=
rSnPα , β = 3/5, o fluxo lateral de entrada, q = qs+qg e
substituindo a equação (17) na equação da continuidade (12), tem-se que:
(18)
Esquema de propagação na rede de drenagem
A estrutura topográfica da bacia é extraída do MDE usando SIG (Jenson e Domingue,
1988). Procedimentos automáticos determinam para qual pixel vizinho cada pixel drena
(direção de fluxo) e a área de drenagem que contribui para cada pixel (área acumulada de
drenagem), definindo a rede de drenagem de uma bacia hidrográfica. Para as células da grade
na borda da bacia, a fração de área foi considerada para se obter um bom ajuste da área de
drenagem obtida a partir do MDE (usado na simulação) e a real (obtida pela ANA e DAEE).
A identificação de sub-bacias é um passo indispensável para propagação ao longo da
rede de drenagem na modelagem hidrológica de grandes bacias. A delimitação e a codificação
de sub-bacias é feita através do esquema de numeração Pfafstetter (Pfafstetter, 1989). O
sistema possibilita a identificação por números ao nível da menor bacia extraível do MDE. A
ordem de propagação entre as bacias também é determinada pelo código de numeração. As
sub-bacias são divididas em intervalos de escoamento (ou Hydrotopes, Fig. 3.12) que
especificam o tempo de resposta da célula de acordo com a distância até o exutório (Tang et al
2006).
28
(a) nível 0 (1 bacia)
(b) nível 1 (9 sub-bacias)
(c) nível 2 (81)
(d) nível 3 (633 sub-bacias)
(e)
Fig. 3.12. Esquema de discretização da bacia do DBHM. Exemplo para bacia MoGu. (a) nível 0 de discretização da bacia, (b) nível 1 (divisão da bacia em 9 sub-bacias), (c) nível 2 (divisão da sub-bacia em 81 sub-bacias), (d) nível 3 (divisão em 633 sub-bacias) e (e) intervalos de escoamento (máximo número de intervalos foi de 28).
29
Uma seção transversal de rio é atribuída a cada intervalo de escoamento e a
declividade do leito do rio é estimada como a declividade média de todas as células dentro de
um dado intervalo de escoamento. Toda recarga de água nas células de mesmo intervalo de
escoamento é acumulada para a seção de rio e propagada para o exutório da bacia seguindo a
rede de drenagem.
Forçantes variantes no tempo
Foram utilizados dados de estações meteorológicas do INMET (8 estações) e do
DAEE (80 estações) na bacia do MoGu, particularmente as variáveis médias diárias de
precipitação, temperatura, velocidade do vento, umidade relativa do ar, e número de horas de
brilho solar, no período de 2000 a 2008.
Desagregação de dados diários
Os dados meteorológicos de superfície são geralmente disponibilizados com
resolução temporal diária, como por exemplo, os dados de estações do INMET usados como
forçantes para o DBHM. Dados horários oferecem maior precisão na estimativa dos fluxos de
energia e são requeridos pela maioria dos modelos de superfície. As forçantes meteorológicas
de entrada do SiB2 em escala de tempo horária são: temperatura do ar (Tm), pressão de vapor
(em) velocidade do vento (um), precipitação (Prec), radiação de onda curta incidente (Rsd).
Portanto os dados meteorológicos diários precisam ser desagregados para resolução horária
(processo também conhecido como downscaling temporal) para serem usados no DBHM.
Existem diversas técnicas disponíveis para se estimar a curva diurna da temperatura
através do uso das temperaturas máximas e mínimas diárias fornecidas pelos dados de
estações. Das técnicas mais simples as mais complexas incluem-se média, triangulação
simples, triangulação dupla, seno simples, seno duplo e curva mista (Baskerville e Emin, 1969;
Allen, 1976). Zalom et al., 1983 apresentou o modelo de onda (Wave model) para aproximar a
curva da temperatura diurna. O modelo de onda usa uma função cosseno para o período a
partir da hora da temperatura mínima (Tmin) até a hora da temperatura máxima (Tmax) e
outra função cosseno para o período da hora da Tmax até a hora Tmin do dia seguinte. O
30
método estabelece o horário da Tmax às 14 h e a hora do nascer do sol como o horário da
Tmin. Calibrações específicas locais não são necessárias. Parton and Logan (1981)
descreveram a curva diurna da temperatura por uma função seno truncada durante o período
diurno e uma função exponencial a noite. Essas curvas são mais frequentemente usadas pelos
biólogos. Cesaraccio et al. (2001) usaram um seno misto e uma curva raiz quadrática (modelo
TM) e compararam esse método com outros modelos da literatura. O modelo TM é usado no
DBHM para estimar a temperatura media horária a partir dos extremos diários de temperatura
das observações meteorológicas .
O Modelo TM divide o dia em três segmentos: (I) do nascer do sol até a hora da
temperatura máxima, (II) da temperatura máxima até o pôr-do-sol e (III) do pôr-do-sol até o
nascer do sol do outro dia (Fig.3.13); O modelo usa duas funções seno no período diurno e um
decaimento conforme uma função raiz-quadrática da temperatura à noite. Hn e Ho são
determinadas como função da latitude do local e do dia do ano. Hp é calculada como
Hp=Hn+24. A hora da temperatura máxima é definida como 4 horas antes do pôr-do-sol. As
entradas do modelo são a temperatura mínima e máxima diária. A temperatura na hora Ho(To)
é calculada com a equação empírica: To = Tx – 0.39(Tx-Tp). Onde Tx=Tmax e o ajuste de To
para os dados dos sítios experimentais indicou um valor de 0.38. A curva da temperatura
diurna é dada por:
Onde t é o tempo local, αt = Tx – Tn, Rt = Tx-T0, e bt = (Tp – T0)/(Hp – H0)0.5.
31
Fig. 3.13. Curva do ciclo diurno da temperatura segundo o modelo TM1.
A pressão de vapor é estimada a partir da umidade relativa e da temperatura (Allen et
al. 1998). A radiação de onda curta incidente é determinada a partir do número de horas de
brilho solar observado pela estação meteorológica, seguindo o modelo híbrido de radiação
proposto por Yang e Koike (2005). A velocidade do vento média diária é usada diretamente
como valor horário. A precipitação diária é alocada a cada horário do dia simplesmente como
o total diário dividido pelas 24 h. As forçantes meteorológicas para cada célula do modelo na
região de estudo são produzidas a partir dos valores pontuais medidos por estações
meteorológicas pelo método de interpolação IDW (método de interpolação ponderada pelo
inverso da distância, conforme Willmott et al., 1985 e New et al., 2000). Na estimativa do
valor para cada ponto de grade no domínio da região de estudo pelo menos quatro estações
meteorológicas mais próximas foram selecionadas, independentemente da direção e
considerando um raio de 80 km em torno da estação.
3.5. CALIBRAÇÃO DO DBHM PARA BACIA MOGU
Foram feitas simulações do modelo DBHM, com mapa de cobertura vegetal atual, no
ano de 2004, e a vazão e a evapotranspiração calculadas foram comparadas com dados de
32
campo. Os dados de evapotranspiração observados no campo são os descritos nos três
ecossistemas de Cerrado, Cana-de-açúcar e Eucalipto (Item 3.2)
Para a comparação da vazão calculada, foram utilizados dados de vazão médias
diárias do DAEE e ANA, coletados no período de 2000 a 2008, em postos ao longo do Rio
Mogi-Guaçú, particularmente as estações Jacutinga, Padua Sales, Porto Ferreira, , Porto
Cunha Bueno, Guatapará, Passagem.
O padrão de melhor desempenho da vazão foi estimado por meio de testes de
sensibilidade dos parâmetros físicos de infiltração, em especial a condutividade hidráulica de
saturação na zona vadosa e a da zona saturada. Foi descrita uma formulação de variação
vertical da condutividade hidráulica com redução exponencial ao longo da profundidade para
suavizar a variabilidade.
3.5.1.Critérios de avaliação
O DBHM foi testado para a Bacia do Mogi-Guaçú para o período 2000-2008 utilizando os índices estatísticos descritos a seguir. O viés (BIAS) é definido como
100)/))()((1
((%)1
⋅−= ∑=
oo
N
ts xtxtx
NBIAS
onde ∑=
=N
too Ntxx
1
/)( é o valor médio, N é o número total de dados para comparação, sx
representa o valor simulado e ox é o valor observado.
A raiz quadrada do erro quadrático médio (RMSE) é dada por
2
1
))()((1
txtxN
RMSE o
N
ts −= ∑
=
A raiz quadrada do erro quadrático médio relativo (RRMSE) é definida como
oxRMSERRMSE /=
Quando VIÉS = RMSE = RRMSE = 0 o ajuste do modelo às observações é perfeito. O coeficiente de Nash-Sutcliffe (NSE) é definido como:
33
∑
∑
=
=
−
−−=
N
too
N
tso
xtx
txtxNSE
1
2
1
2
))((
))()((1
O intervalo de variação do NSE é de -∞ a 1, sendo o valor ótimo igual a 1.
34
3.6 CENÁRIOS DE MUDANÇA DE USO DA TERRA
Foram elaborados quatro cenários de uso da terra para simulação do ciclo hidrológico
da bacia MoGu.
(i) Cenário da vegetação nativa (Veg_Nativa)
O cenário da vegetação nativa da bacia do Rio MoGu foi baseado nas informações do
mapa de Veloso et al (1991) (Fig 3.14). A partir desse mapa foi feita a reclassificação das
classes de floresta ombrófila (densa e mista) e floresta estacional semidecidual para Floresta
de Mata Atlântica, e as áreas de tensão ecológica e savanas foram convertidas para Cerrado,
obtendo-se como resultado o mapa reamostrado para 1 km de resolução espacial mostrado na
Fig. 3.14. O esquema de reclassificação simplificado foi definido considerando: os conjuntos
de parâmetros calibrados disponíveis para os tipos de vegetação do SiB2 e as características
biofísicas similares entre os tipos de vegetação do mapa original. Nesse cenário a bacia MoGu
é ocupada por cerrado (70%) e floresta (30%). As áreas de floresta formam3 manchas
contíguas de floresta localizadas nos trechos médio e alto MoGu (Fig. 3.15).
(a)
Figura. 3.14. Mapa de vegetação nativa do estado de São Paulo, escala de 1:5000000. Fonte: Veloso et al (1991).
Cenário de reflorestamento (Reflo)
O cenário Reflo foi elaborado baseado nas informações de área de drenagem
acumulada e da declividade do terreno ( ambos estimados do MDET da bacia). Foram
selecionados os pontos de grade com área de drenagem maior que 150 km2 e declividade
35
maior que 20%. Para esses pontos no mapa de vegetação atual da bacia foi atribuído a classe
de vegetação 1 (Floresta). O resultado dessas operações é mostrado na Fig. 3.15. Esse cenário
faz uma alusão a reforma do Código Florestal. Ocorreu um aumento efetivo de 9% na área
ocupada por floresta (desconsiderando áreas que já eram floresta na vegetação atual).
Cenário de conversão de áreas agrícolas para eucalipto (Agric_Euc)
O cenário Agric_Euc foi elaborada simplesmente pela substituição de todos os pontos
de grade do tipo de vegetação 9 (culturas agrícolas) no mapa de vegetação atual (Fig. 3.15)
pela vegetação 3 (eucalipto) (Fig. 3.15.d)
Cenário de conversão de culturas agrícolas, do tipo C3, para gramíneas (Agric_C4)
O cenário Agric_C4 foi elaborada simplesmente pela substituição de todos os pontos
de grade do tipo de vegetação 9 (culturas agrícolas) no mapa de vegetação atual (Fig. 3.15)
pela vegetação 6 (eucalipto). O resultado é mostrado na Fig. 3.15.e. Nesse cenário ~84% da
bacia é transformado em gramíneas (cana-de-açúcar e pastagens).
As Figuras 3.17 e 3.18 apresentam as áreas de ocupação de cada tipo de vegetação por
cenário e sub-bacia dos postos fluviométricos. Na primeira figura a área de referência inclui
toda área a montante do posto, na última Figura a área de referência exclui a área dos postos
anteriores localizados à montante do referido posto.
36
(a) Veg_Atual
(b) Veg_Nativa
(c) Reflo
(d) Agric_Euc
(e) Agric_C4
Fig. 3.15. Cenários de Uso da terra para a bacia do rio Mogi-Guaçú. (a) Mapa da vegetação atual (Veg_Atual); (b) Cenário da vegetação nativa (Veg_Nativa), (c) Cenário de Reflorestamento (Reflo), (d) Cenário de conversão de áreas agrícolas para eucalipto (Agric_Euc) e (e) Cenário de conversão de culturas agrícolas (do tipo C3) para gramíneas (Agric_C4). Os contornos em cinza escuro representam as áreas dos postos fluviométricos (de montante para jusante, ou sudeste-noroeste): Jacutinga, Pádua Sales, Porto Ferreira, Porto Cunha Bueno, Passagem e Exutório). Os números da legenda indicam as classe de vegetação do modelo SiB2 usadas para alocar as novas classes de vegetação.
37
Classe de Vegetação
Fig. 3.16. Variação da área relativa ocupada por cada classe de vegetação na área a montante de cada posto fluviométrico. As cores usadas para representar cada cenário são: Veg_Atual (barra preta), Veg_Nativa (barra vermelha), Reflo (barra azul), Agric_Euc (barra verde), Agric_C4 (barra roxa). Os postos estão ordenados de montante para jusante: (a) Jacutinga (Jctga), (b) Pádua Sales (PdSls), (c) Porto Ferreira (PrtFer), (d) Porto Cunha Bueno (PCunB), (f) Passagem (Psg) e (g) Exutório (neste caso integra toda área da bacia). Os tipos de vegetação (eixo x) são: 1-Floresta, 2-cerrado, 3-eucalipto, 5-área urbana, 6-gramíneas do tipo C4 (cana-de-açúcar e pastagens), 7-arbustos com solo nú, 8-árvores baixas e arbustos, 9-culturas agrícolas do tipo C3 e 10-água.
Áre
a re
lativ
a do
pos
to fl
uvio
mét
rico(
%)
(a) (b)
(c) (d)
(e) (f)
(g)
38
Classe de Vegetação
Fig. 3.17. Variação da área relativa* ocupada por cada classe de vegetação na área a montante de cada posto fluviométrico (*exclui a área dos postos anteriores localizados à montante do referido posto). As cores usadas para representar cada cenário são: Veg_Atual (barra preta), Veg_Nativa (barra vermelha), Reflo (barra azul), Agric_Euc (barra verde), Agric_C4 (barra roxa). Os postos estão ordenados de montante para jusante: (a) Jacutinga (Jctga), (b) Pádua Sales (PdSls), (c) Porto Ferreira (PrtFer), (d) Porto Cunha Bueno (PCunB), (f) Passagem (Psg) e (g) Exutório (neste caso integra somente a área a jusante do posto Psg). Os tipos de vegetação eixo (x) são: 1-Floresta, 2-cerrado, 3-eucalipto, 5-área urbana, 6-gramíneas do tipo C4 (cana-de-açúcar e pastagens), 7-arbustos com solo nú, 8-árvores baixas e arbustos, 9-culturas agrícolas do tipo C3 e 10-água.
Áre
a re
lativ
a* d
o po
sto
fluvi
omét
rico(
%)
(a) (b)
(c) (d)
(e) (f)
(g)
39
3.7. PRESCRIÇÃO DE LAI/FPAR PARA CENÁRIOS DE USO DATERRA
A abordagem por cenários de uso da terra requer os campos espaciais das forçantes
LAI e FPAR representativos de um tipo de vegetação predominante em um período de tempo.
Visando a prescrição de campos espaciais de LAI e FPAR para os cenários de uso da terra, foi
aplicada a seguinte metodologia.
Assumindo o mapa de vegetação apresentado na (Fig. 3.18.a) como representativo da
bacia MoGu determina-se a média dos campos espaciais mensais de LAI/FPAR para a classe
da vegetação predominante. Por exemplo, caso a classe de vegetação selecionada para a
simulação de cenário de ocupação homogênea seja a classe 6 a média dos valores de LAI e
FPAR mensal é computada considerando somente os pontos de grade correspondente ao tipo
de vegetação 6 (Fig. 3.18.b). Assim seriam prescritos os campos de LAI e FPAR para toda
bacia para um determinado período de interesse, ou seja, um valor constante da variável
uniforme para todos pontos de grade dentro da bacia, mas com a variação sazonal daqueles
parâmetros baseada na média espacial da classe de vegetação (Fig. 3.18.c). Esse método foi
adotado para prescrição de LAI e FPAR nas simulações de cenários de mudança de uso da
terra.
40
(a)
(b)
Figura 3.18. (a) Exemplo de mapa de vegetação de referência. (b) Variação temporal das Médias mensais dos parâmetros LAI (ínidce de área foliar) somente para os pontos de grade correspondente a vegetação 6 do mapa de referência. (c) Valores finais de LAI prescritos para o cenário de vegetação homogênea, neste caso para a classe 6 (plantas C4).
(c)
41
4. RESULTADOS
4.1. COMPARAÇÃO ENTRE A LST DO SENSOR MODIS E A TEMPERATURA DO AR
A Fig 4.1 apresenta as séries temporais de LST estimada pelo sensor MODIS e Tar
para os períodos noturno e diurno nas três áreas experimentais. Na área de cana-de-açúcar
(CAN) a LST mostrou-se superior à Tar de dia (principalmente no verão), e à noite seus
valores foram muito próximos aos da Tar, tendo ambas uma amplitude sazonal de ~10°C.
No cerrado (CER) a LST diurna foi superior a Tar nos verões de 2004 e 2005, mas
na maioria dos anos foram comparáveis. No caso noturno a LST foi sempre menor que Tar
em torno de ~4 °C.
No eucalipto (EUC) observa-se melhor concordância entre a LST e a Tar diurnas.
No período de corte da plantação de eucalipto (em 2003 e 2010) há um aumento da amplitude
térmica de LST. No caso noturno a LST foi sempre menor que Tar.
A Fig 4.2 mostra o ciclo anual das médias mensais de LST e Tar considerando o
período de dados simultâneos entre as variáveis no período de 2003 e 2010. De forma geral
(Fig. 4.2.a) no 2º semestre do ano a LST diurna é sistematicamente maior que a Tar, nos
demais meses a diferença pequena e variante conforme a área.
No cerrado, de janeiro a março a LST foi inferior a Tar, um padrão oposto ao
verificado nas demais áreas. Para todas as áreas, a LST noturna é menor que Tar, com mais
ênfase no caso do Cerrado.
A maior subestimativa ocorreu no cerrado (~3°C), seguida do eucalipto (~2°C) e a
menor na cana-de-açúcar (<1° C). A tabela 4.1 apresenta o ajuste das retas de regressão linear
entre a LST e a Tar diurna e noturna para as três áreas experimentais e a Fig. 4.3 respectivos
os gráficos de dispersão.
A menor dispersão entre LST e Tar é verificada para cana-de-açúcar no período
noturno (pontos em azul, primeiro gráfico a esquerda da Fig. 4.3). O coeficiente R2 neste caso
foi de 0,91 e um coeficiente angular de 0,89 (o mais próximo da unidade em comparação ao
ajuste para as demais áreas). Esses resultados mostram que a LST noturna pode fornecer uma
estimativa adequada da temperatura mínima sobre áreas de cana-de-açúcar.
42
No período diurno a dispersão entre LST e Tar aumenta em todas as áreas. A melhor
correlação entre LST e Tar, neste caso, foi inferior aos valores encontrados para o período
noturno (Tabela 4.1) e foi observada na área de eucalipto (R2 = 0,49). A melhor comparação
da LST com a Tar no período noturno já era esperada, devido ao reconhecido efeito de
contaminação da nebulosidade durante o dia sobre as estimativas de LST. De forma geral, a
amplitude térmica da LST é maior que a da amplitude térmica de Tar nas três áreas. As
melhores estimativas de LST considerando os dados noturnos e diurnos, conjuntamente,
foram para área de eucalipto. O coeficiente R2 entre a LST e Tar no eucalipto (incluindo os
dados noturnos e diurnos) foi de 0,81, um pouco inferior ao valor obtido para área de cana, a
qual foi fortemente influenciada pela boa correlação nos dados noturnos.
Para finalizar a comparação avalia-se se é possível detectar as diferenças entre
padrões dos regimes térmicos dos ecossistemas (coluna esquerda da Fig. 4.4) por meio da
LST estimada por sensoriamento remoto.
No período diurno, as observações indicam que em comparação ao cerrado, a Tar
média da cana é sempre superior ao longo do ano (+1,6 °C na média sobre ciclo anual, Fig.
4.4, canto superior esquerdo). A LST, neste caso, também mostra uma diferença positiva
porém de magnitude muito maior (+4.7 °C, Fig. 4.4, canto superior direito).
A Tar média mensal do eucalipto no período diurno é inferior a do cerrado por uma
diferença absoluta de 0,82°C, Fig. 4.4, canto superior esquerdo). A LST, neste caso, mostra
uma diferença com sinal oposto e maior magnitude (+1,53 °C, Fig. 4.4, canto superior direito).
No período noturno, a Tar média mensal da cana é predominantemente inferior a Tar
do cerrado na maior parte do ano (-2,0 °C, Fig. Fig. 4.4, canto inferior esquerdo), mas no
verão os valores são comparáveis entre si. A LST, para este mesmo caso, mostra uma
diferença com sinal oposto ao da Tar (+0,23 °C, Fig. 4.4, canto inferior direito). Nos meses de
verão (inverno) a LST na cana é maior (menor) que a LST do cerrado. Esse padrão não é
verificado na Tar.
A Tar média mensal no eucalipto é em média levemente inferior a do cerrado (por
uma diferença absoluta <0,5 °C em , Fig. 4.4, canto inferior esquerdo). A LST, para este
mesmo caso, mostra uma diferença de sinal oposto e de magnitude superior (+1,41 °C, Fig.
4.4, canto inferior direito).
43
Baseado nessa comparação da LST com Tar medida acima do dossel de 3
ecossistemas distintos, localizados sobre uma região de mesmo clima e tipos de solo similares,
verificou-se que:
(i) a LST diurna da cana é superior à do cerrado e do eucalipto, semelhante à
comparação de Tar nestes ecossistemas, porém as diferenças são ~3
vezes superiores à de Tar;
(ii) a LST diurna da eucalipto é superior à do cerrado, o oposto da comparação de
Tar nestes ecossistemas;
(ii) a LST noturna da cana é inferior à do cerrado e do eucalipto, semelhante à
comparação de Tar nestes ecossistemas, exclusivamente no Inverno, mas ainda assim com
menor significância; e no Verão portanto a LST da cana é superior à daqueles ecossistemas, o
oposto à comparação de Tar.
Portanto, por meio da LST diurna foi possível detectar-se qualitativamente as
diferenças nos padrões dos regime térmicos da cana e cerrado, mas não com o eucalipto. No
caso noturno, não foi possível detectar qualitativamente as diferenças nos padrões dos regime
térmicos entre ecossistemas.
Esses resultados revelam que a LST deve ser usada com cautela para extrapolação
dos efeitos potenciais diretos da conversão entre diferentes usos da terra sobre a Tar em escala
local. A LST noturna não é uma métrica adequada para distinção de regimes térmicos da Tar
entre diferentes tipos de vegetação em escala local. Por outro lado, a LST diurna fornece uma
estimativa qualitativa, do efeito potencial de mudanças do uso da terra (por exemplo,
resultantes da conversão de áreas de cerrado para cana) na Tar, embora superestimado em
magnitude. Entretanto, para o caso da conversão de áreas de cerrado para eucalipto, a LST
diurna não fornece estimativas representativas das mudanças na Tar.
44
Fig. 4.1. Séries temporais (média de 8 dias) de LST e Tar (°C) entre 2003 e 2010. Os painéis alongo das colunas correspondem as áreas experimentais com observações de Tar (CAN: Cana-de-açúcar, CER: cerrado, EUC: eucalipto). Os painéis ao longo das linhas correspondem ao período diurno (dia) e noturno (noite).
45
(a)
(b)
Fig. 4.2 Ciclo anual das médias mensais de LST (linha azul) e Tar (linha vermelha). (a) Para o período diurno e (b) noturno para os pontos das torres micrometeorológicas de cana-de-açúcar (CAN), cerrado (CER) e eucalipto (EUC). As médias mensais foram determinadas considerando o período de dados simultâneos das variáveis entre 2003 e 2010. As barras verticais representam o intervalo de confiança de 95% de variação dos dados.
Tabela 4.1. Equações das retas de regressão linear ajustadas para a LST e a Tar em cada área experimental. O coeficiente de determinação (R2) também é indicado. CAN CER EUC DIA LST = 0.92[Tar] + 5.2
R2 = 0.31 LST = 0.89[Tar] + 3 R2 = 0.34
LST = 0.88[Tar] +3.2 R2 = 0.49
NOITE LST = 0.89[Tar] + 0.38 R2 = 0.91
LST = 0.74[Tar] + 4.4 R2 = 0.52
LST = 0.71[Tar] + 2.9 R2 = 0.68
GERAL LST = 1.3[Tar] – 5 R2 = 0.89
LST = 1.3[Tar] - 11 R2 = 0.79
LST = 1.1[Tar] - 4.1 R2 = 0.81
46
Fig. 4.3 Gráficos de dispersão da LST e Tar (valores médios de 8 dias) nos pontos das torres micrometeorológicas (ao longo das colunas, da esquerda para a direita) de cana-de-açúcar (CAN), cerrado (CER) e eucalipto (EUC) entre 2003 e 2010. Os pontos em azul (vermelho) representam valores noturnos (diurnos). A reta 1:1 é indicada pela linha sólida preta. As linhas tracejadas em cinza indicam as retas LST = 2•Tar e LST = 0,5•Tar.
47
Fig. 4.4 Ciclo anual das médias mensais de Tar (coluna esquerda do painel) e LST (coluna direita do painel) no período diurno e noturno (primeira e segunda linha do painel, respectivamente).
48
4.2. AJUSTE DA PARAMETRIZAÇÃO DE ONDA LONGA
A análise comparativa dos valores simulados dos fluxos de energia com os valores
típicos observados na região da bacia MoGu (Cabral et al 2003, Tatsch et al 2005, Cabral et al.
2010a) evidenciou uma subestimativa sistemática do fluxo de calor sensível médio mensal
(Fig. 4.5). A razão da ocorrência frequente de valores negativos nas médias mensais foi
resultante da subestimativa do saldo de radiação (Rn) na ordem de ~50 W m-2 em comparação
as médias mensais observadas na região (Rocha et al. 2002, Tatsch, 2006). Assim direcionou-
se para o cálculo de Rn no modelo SiB2 (sub-modelo de superfície do DBHM) para verificar
a(s) componente(s) do balanço de radiação subestimada(s). Constatou-se que a radiação de
onda longa incidente estava muito abaixo dos valores observados na área de cana-de-açúcar
(Kruk et al. 2008). Visando a correção dessa deficiência foram realizados testes inserindo no
código do modelo outras opções de parametrização da onda longa incidente geralmente
usadas em modelos de superfície. A Fig. 4.5.a apresenta os resultados dos valores médios
diários do Saldo de Radiação estimado usando a parametrização original do modelo (linha
vermelha, Brunts, 1932) e as parametrizações de: Brutsaert, 1975; Idso e Jackson, 1969;
Swinbank, 1963; Duarte et al. 2006; Kruk et al. 2008. Essas parametrizações foram inseridas
como novas opções de uso no modelo DBHM.
Nota-se que a maioria das parametrizações testadas (Fig. 4.5.a), o saldo de radiação
(Rn) médio diário variou de um mínimo de 125 W m-2 a um máximo de 220 W m-2
(consistentes com as observações micrometeorológicas da região) enquanto os valores de Rn
estimados na parametrização default do modelo variava de -20 a 140 W m-2. Essa
discrepância se deve provavelmente ao clima semi-árido da bacia do Rio Amarelo (para qual
o modelo foi desenvolvido). O método de Swibank (1963), incluindo a correção do efeito da
cobertura de nuvens (Jacobs, 1978) foi a opção selecionada. Essa parametrização de onda
longa incidente foi a única apta a representar os valores noturnos de Rn mais próximos da
magnitude observada nas medidas de campo (~ -30 W m-2, Tatsch et al 2005, Fig. 4.5.b). As
demais parametrizações, tendem a mostrar valores noturnos de Rn mais próximos de zero (e
menos negativos) e valores diurnos relativamente maiores.
49
(a)
(b)
Figura 4.5. (a) Séries temporais das médias diárias de Rn para o ano de 2004 estimadas pelo modelo DBHM usando a parametrização de onda longa default (linha vermelha) e outras parametrizações selecionadas para teste.. (b) Ciclo diurno médio de Rn estimado pelas diferentes parametrizações de onda longa incidente.
50
Foram realizadas simulações considerando 4 cenários de vegetação homogênea: a)
vegetação de floresta, usando parametrização de onda longa default do DBHM; (b) vegetação
de floresta, usando a nova parametrização de onda longa; (c) vegetação de pastagem, usando
parametrização de onda longa default do DBHM e (d) vegetação de pastagem, usando a nova
parametrização de onda longa. A configuração do modelo nestas simulações foi usando as
opções disponíveis por padrão no modelo: mapa de solo da FAO e índices LAI e FPAR
obtidos de Mynemi et al (1997). Esses dados são disponíveis com frequência temporal mensal
e resolução espacialde 16 km, foram estimados a partir do NDVI obtido dos dados de
radiância do sensor AVHRR.
Os resultados simulados para as componentes do balanço de energia referentes ao
conjunto de simulações pré-definidos são mostrados na Fig. 4.6. A parametrização default de
onda longa empregada no DBHM (P1) mostrava Rn menor que LE fluxo de calor latente (LE)
e fluxo de calor sensível (H) negativo para todos meses simulados (Fig. 4.6. a, c). Esse padrão
não é representativo do balanço de energia de regiões de clima subtropical e tropical.
As simulações usando a nova parametrização evidenciaram o padrão esperado para
Rn: maior na Floresta que na pastagem. Isso decorre principalmente do maior albedo da
pastagem em comparação a floresta (Figura não mostrada). A mudança nos padrões sazonais
de variação e partição do balanço de energia evidenciada em ambos cenários de vegetação
homogênea (floresta – Fig. 4.6 a,b e pastagem Fig 4.6 c,d) indicam a capacidade do modelo
em representar os padrões do balanço de energia dos diferentes tipos de vegetação. A nova
parametrização mostrou uma grande melhoria na representação do balanço de energia para a
região de estudo em relação a parametrização de onda longa incidente original do modelo. O
padrão de variação do ciclo diurno e sazonal de Rn com a nova parametrização é consistente
com os padrões observados.
51
Figura 4.6. Valores médios mensais espaciais (sobre a área da bacia) das componentes do balanço de energia (Rn: Saldo de radiação, H: Fluxo de calor sensível, LE: fluxo de calor latente e St: fluxo de calor no solo, todos em W m-2) simulados para diferentes cenários e parametrizações da radiação de onda longa. (a) cenário com vegetação floresta sobre toda bacia e usando parametrização de onda longa default do DBHM. (b) cenário com vegetação floresta e a nova parametrização de onda longa inserida do DBHM. (c) idem (a), porém para o cenário pastagem. (d) idem (b), porém para cenário pastagem. Período de simulação (2004-2006) corresponde as forçantes do ano de 2004 repetidas seqüencialmente 3 vezes.
52
4.3. CALIBRAÇÃO DO DBHM PARA BACIA DO RIO MOGI-GUAÇ Ú
Nessa seção são relatados os resultados da aplicação do DBHM à bacia do rio Mogi-
Guaçú para o período de 2000 a 2008. A validação do modelo realizada com dados diários de
vazão observada em seis postos fluviométricos distribuídos ao longo do rio Mogi-Guaçú e
dados diários de evapotranspiração medidos nas três torres micrometeorológicas localizadas
em áreas de cana-de-açúcar, cerrado e eucalipto.
A Fig. 4.7 mostra as vazões médias diárias observadas e simuladas nos seis postos
fluviométricos localizados ao longo rio Mogi-Guaçú para o período 2000-2008. De forma
geral, observa-se que o intervalo de variação da vazão simulada mostrou-se razoavelmente
comparável com a amplitude das observações, com excessão de um caso em Jacutinga, em
dois eventos isolados de Janeiro de 2000 e Janeiro 2004, com muita superestimativa da
observação. A tabela 4.2 apresenta um resumo dos índices estatísticos usados para avaliação
do desempenho do modelo em relação à vazão observada para diferentes escalas temporais
(médias diárias, mensais e anuais). Para maioria das estações o viés foi menos de 8% e o NSE
foi superior a 0,75 (ajuste que pode ser classificado como adequado (Collischonn, 2001).
A dispersão entre as vazões diárias observadas e simuladas em cada posto é
mostrada na Fig. 4.8. Observa-se que em 3 estações (PdSls, PrtFer, PCunB) para alta vazão o
modelo tende a subestimar as observações, enquanto nos demais postos não há uma tendência
definida, e para baixa vazão o modelo mostra uma leve superestimativa das observações,
exceto na estação Jctga onde ocorre o oposto. Isso pode sugerir de forma geral na maioria dos
postos uma subestimativa do escoamento superficial nos períodos de chuva intensas, e uma
leve superestimativa do escoamento básico. A superestimativa do escoamento básico é
visualizada no períodos de estiagem (estação seca) de forma mais evidente nas séries
temporais diárias dos postos do trecho médio e baixo da bacia MoGu (Fig. 4.7.c-f). Nos
eventos de recessão do hidrograma diário observa-se que a vazão simulada não reproduz
satisfatoriamente os picos que ocorrem na vazão observada, como ocorreu por exemplo em
meados de 2007 em quase todos postos.
53
Fig. 4.7 Séries temporais da vazão média diária (Qd, m3 s-1) observada e simulada pelo DBHM para o período 2000-2008 nos 6 postos fluviométricos distribuídos ao longo do rio Mogi-Guaçú. (a) Jacutinga (Jctga), (b) Pádua Sales (PdSls), (c) Porto Ferreira (PrtFer), (d) Porto Cunha Bueno (PCunB) e (f) Passagem (Psg). Os postos estão ordenados de montante para jusante no sentido (a)-(f).
(a) (b)
(c) (d)
(e) (f)
54
Tabela 4.2. Indices estátisticos de comparação entre a vazão simulada e observada para diferentes escalas temporais. R2: coeficiente de determinação do ajuste da reta de regressão linear, Média Obv: é amédia da vazão observada e Média Sim: é a média da vazão simulada.. Os postos fluviométricos são: Jacutinga (Jctga), Pádua Sales (PdSls), Porto Ferreira (PrtFer), Porto Cunha Bueno (PCunB) e Passagem (Psg). Os postos estão ordenados de montante para jusante (de cima para baixo).
Posto RMSE RRMSE
(%) VIÉS(%) NSE R2 Média
Obv Média
Sim
Séries diárias (Qd, m3 s-1)
Jctga 5,36 35,06 -2,50 0,71 0,75 15,29 14,90
PdSls 35,94 49,79 7,40 0,68 0,69 72,18 77,50
PrtFer 49,75 36,45 7,90 0,79 0,82 136,47 147,26
PCunB 51,28 30,11 1,40 0,82 0,84 170,29 172,62
PteGtpra 53,17 28,62 1,30 0,82 0,83 185,76 188,09
Psg 61,00 28,46 7,00 0,81 0,83 214,31 229,36
Ciclo anual das médias mensais (Q, m3 s-1)
Jctga 2,71 17,79 1,70 0,85 0,93 15,23 15,48
PdSls 14,13 19,83 12,40 0,86 0,92 71,26 80,08
PrtFer 26,25 19,21 9,70 0,89 0,95 136,67 149,98
PCunB 20,07 11,73 1,30 0,95 0,98 171,05 173,25
PteGtpra 24,06 12,89 2,40 0,94 0,96 186,67 191,12
Psg 25,47 11,66 6,30 0,95 0,98 218,52 232,31
Séries mensais (Qm, m3 s-1)
Jctga 2,97 19,51 -2,80 0,86 0,91 15,22 14,80
PdSls 15,69 22,06 8,60 0,86 0,88 71,14 77,27
PrtFer 28,52 20,77 8,00 0,89 0,94 137,33 148,25
PCunB 29,38 17,18 1,30 0,91 0,94 171,05 173,25
PteGtpra 32,05 17,17 1,20 0,91 0,93 186,67 188,86
Psg 36,64 17,03 7,00 0,91 0,94 215,18 230,18
Séries anuais (Vazão específica total anual, mm ano-1)
Jctga 28,78 5,62 -2,50 0,85 0,88 512,55 499,70
PdSls 44,17 9,10 7,40 0,42 0,77 485,30 521,05
PrtFer 37,97 8,92 7,90 0,52 0,92 425,82 459,48
PCunB 23,98 5,45 1,40 0,81 0,83 439,98 446,02
PteGtpra 15,46 3,65 1,30 0,91 0,93 423,46 428,78
Psg 32,82 8,61 7,00 0,73 0,91 381,21 407,98
Os coeficientes angulares da reta de regressão ajustada entre os valores simulados e observados
foi maior que 0,7 e o coeficiente de determinação foi acima de 0,8 para maior parte dos postos,
55
indicando assim uma boa correlação entre as vazões simuladas e observadas. Seguindo o
aumento da vazão observada ocorre um aumento da dispersão entre vazão simulada e observada.
A Fig. 4.9 mostra o ciclo anual das médias mensais da vazão simulada e observada. A
vazão simulada reproduz satisfatoriamente a variação sazonal das observações, com o NS acima
de 0,85 em todos postos. As discrepâncias que ocorrem são a superestimativa da vazão mínima
para os postos do médio e baixo MoGu, com uma leve subestimativa da vazão simulada nos
meses de janeiro e fevereiro. Para caso dos mínimos mensais, há uma defasagem de
aproximadamente dois meses entre a vazão simulada (em outubro) e a vazão observada (em
agosto).
A Fig. 4.10. mostra as séries das vazões específicas totais anuais simuladas e observadas e
a precipitação total anual. De forma geral a vazão simulada reproduz de forma consistente a
variabilidade interanual da vazão observada. A vazão observada é levemente superestimada em
alguns postos do médio e baixo MoGu (viés menor que 8%). No posto Passagem (Fig. 4.10.f,
posto mais próximo da foz da bacia) a precipitação total anual variou entre ~1100 (2003) e ~1600
(2000) mm ano-1 enquanto a vazão específica variou entre ~250 (2003) e ~500 (2007) mm ano-1.
A vazão observada foi melhor simulada para o posto de Guatapará (NSE=0.91, VIÉS = 1,3 %,
R2=0,93) onde a média da vazão simulada foi de 428,78 mm ano-1 e a observada foi de 423,46
mm ano-1. Em contraste, para o posto de Pádua Sales o modelo teve o pior desempenho
(NSE=0,42, VIÉS= 7,4% e R2=0,77), a média da vazão observada foi de 485,3 mm ano-1e a
simulada foi de 521,05 mm ano-1.
56
Fig. 4.8. Dispersão entre a vazão média diária (Qd, m3 s-1) simulada e observada para o período 2000-2008 nos 6 postos fluviométricos distribuídos ao longo do rio Mogi-Guaçú. A reta 1:1 é indica pela linha preta sólida e a reta da regressão linear ajustada é indicada em azul. A equação da reta de regressão é indicada na parte superior de cada gráfico. (a) Posto fluviométrico Jacutinga (Jctga), (b) Pádua Sales (PdSls), (c) Porto Ferreira (PrtFer), (d) Porto Cunha Bueno (PCunB) e (f) Passagem (Psg). Os postos estão ordenados de montante para jusante no sentido (a)-(f).
(a) (b)
(c) (d)
(e) (f)
57
Fig. 4.9. Ciclo anual das médias mensais da vazão (Qm, m3 s-1) simulada e observada no período 2000-2008 nos 6 postos pluviométricos distribuídos ao longo do rio Mogi-Guaçú. (a) Posto fluviométrico Jacutinga (Jctga), (b) Pádua Sales (PdSls), (c) Porto Ferreira (PrtFer), (d) Porto Cunha Bueno (PCunB) e (f) Passagem (Psg). Os postos estão ordenados de montante para jusante no sentido (a)-(f).
(a) (b)
(c) (d)
(e) (f)
58
Fig. 4.10. Séries temporais da vazão específica total anual (Qaesp, mm ano-1) simulada e observada juntamente com a Precipitação total anual (mostrada com escala reduzida a metade) no período 2000-2008 nos 6 postos pluviométricos distribuídos ao longo do rio Mogi-Guaçú. (a) Posto fluviométrico Jacutinga (Jctga), (b) Pádua Sales (PdSls), (c) Porto Ferreira (PrtFer), (d) Porto Cunha Bueno (PCunB) e (f) Passagem (Psg). Os postos estão ordenados de montante para jusante no sentido (a)-(f).
(a) (b)
(c) (d)
(e) (f)
59
A Fig. 4.11 mostra as séries médias diárias do fluxo de calor latente (LE) simulado e
observado nas áreas de cana, cerrado e eucalipto. Há de forma geral uma razoável representação
da sazonalidade anual e da variabilidade intrasazonal. Obteve-se uma hierarquia das médias
anuais da evapotranspiração simulada entre os diferentes ecossistemas igual à hierarquia das
médias observadas no campo, ou seja, média menor da cana, intermediária no cerrado e maior no
eucalipto (Tabela 4.3).
Para apontar algumas discrepâncias, no caso da cana-de-açúcar, (Fig 4.11.a) a simulação
obteve melhor desempenho com ~ 83% da variância do calculado, enquanto nos casos de cerrado
e eucalipto a explicação foi aquém. O LE simulado superestimou o observado e mostrou maior
viés (VIÉS=29%) em relação aos demais sítios. A superestimativa é mais marcada após a
colheita cana-de-açúcar, quando predomina a evaporação do solo, e nos dias nublados quando LE
diminui em decorrência de menos radiação solar incidente e consequentemente menor saldo de
radiação (Rn). Um exemplo deste último caso ocorre entre Janeiro e abril de 2006. O LE
simulado se reduz a valores próximo de zero, enquanto o LE simulado não ultrapassa limite
inferior de ~30 W m-2.
No caso do cerrado o viés entre o LE simulado e observado diminui para 12,5%, mas a
correlação diminui (R2=0,58, menor valor em relação a mesma comparação para os demais sítios).
As superestimativas de LE são mais evidentes no período entre abril e julho de 2005, Fig 4.11.b).
No eucalipto obteve-se a melhor correspondência entre o LE simulado e observado em
comparação com os demais sítios, com um viés de -8.3%, R2= 0,74 e NSE = 0,71. Apesar das
superestimativas para as áreas de cerrado e cana esses resultados são considerados bastante
satisfatórios para a representação do fluxo de calor latente dos ecossistemas da bacia de estudo.
Tabela. 4.3. Índices estatísticos da comparação entre o fluxo de calor latente médio diário (W m-2) observado e simulado e observado para as três áreas experimentais: cana, cerrado e eucalipto. RMSE RRMSE
(%) VIÉS (%) NSE R2 Média Obv
(W m-2). Média Sim. (W m2)
Área experimental
22.12 42 29.1 0.65 0.83 51.98 67.1 Cana
27.49 39 12.5 0.41 0.58 69.55 78.22 Cerrado
29.46 28 -8.3 0.71 0.74 105 96.33 Eucalipto
60
Tempo(dias)
Fig. 4.11. Séries temporais do fluxo de calor latente médio diário (W m-2) observado (linha preta) e simulado (linha vermelha) para as três áreas experimentais. (a) cana-de-açúcar, (b) cerrado e (d) eucalipto. A linha cinza em (a) indica o período em que a cana-de-açúcar foi colhida.
(a)
(b)
(c)
LE (
W m
-2)
61
4.4. COMPARAÇÃO ENTRE CENÁRIOS DE MUDANÇA DO USO DA TERRA
Fluxos Hidrológicos
A Fig. 4.12 mostra séries da vazão média diária (Qd, m3 s-1) do ano de 2001, para os
cenários de mudanças do uso da terra e a vegetação atual em três postos fluviométricos
distribuídos ao longo do rio Mogi-Guaçú. De forma geral o cenário Veg_atual mostrou vazão
superior a todos os demais cenários, e muito próxima do cenário Agric_C4, havendo pequena
exceção deste padrão no posto mais a montante (Jctga) durante a estiagem, onde e quando a
vazão da Veg_nativa foi a maior. A Fig. 4.13 mostra a dispersão entre a vazão média mensal (Qm)
dos cenários e a Qm da simulação Veg_Atual para todos os postos. Em todos os cenários a Qm
diminuiu em comparação a Qm da Veg_Atual. Também de forma geral o cenário Reflo mostrou a
menor vazão na estação chuvosa, enquanto na estação seca mostrou uma das maiores vazões,
com pequena exceção do posto PrtFer mas que esteve próxima deste padrão. A maior redução de
vazão foi verificada para o cenário Agric_Euc (b=0,83), ou seja, a Qm desse cenário foi ~17%
menor que a Qm da Veg_Atual. A redução de Qm nos demais cenários foi: 16% (Veg_Nativa),
15% (Reflo) e 4% (Agric_C4), conforme indicado na Fig. 4.13.
A comparação dos cenários em termos da vazão específica média mensal (Fig. 4.14)
reforça esta comparação e evidencia outras com mais clareza: o cenário da Veg_atual tem a maior
vazão, quase coincidente com a do cenário Agric_C4, e ambas de forma geral mostraram-se
assim ao longo do ano; a seguir, na estação chuvosa aparecem em ordem decrescente as vazões
dos cenários Agric_Euc, do cenário Veg_nativa e a menor no cenário Reflo; na estação seca
ocorre certa inversão destes 3 ultimos cenários, dando-se maior vazão no cenário Reflo, seguida
dos casos de Agric_Euc e Veg_Nativa que aproximam-se entre si, principalmente nos postos de
médio e baixo MoGu.
O padrão da vazão específica foi em sua maior parte explicado pelo escoamento básico
calculado, conforme sugere a Fig. 4.15: o cenário da Veg_atual muito próximo do cenário
Agric_C4 e ambos com a vazão superior ao longo de todo ano; na estação chuvosa e na estação
seca aparece a mesma comparação dos cenários da vazão específica apontados nos cenários
Agric_Euc, do cenário Veg_nativa, o que inclui uma certa inversão hierárquica na mudança de
estação.
62
A comparação dos cenários do escoamento superficial médio mensal (Fig. 4.16) é a
parte complementar, e também a menor, que respondeu pela vazão total calculada, onde
apareceram algumas diferenças e algumas semelhanças notáveis em relação ao escoamento
básico. Os cenário da Veg_atual Agric_C4 foram igualmente muito próximos e com o maior
escoamento, mas apenas na estação chuvosa, uma vez que na estação seca não houve diferença de
resposta entre todos os cenários médios; desta forma, na estação chuvosa aparecem em segunda
ordem os escoamentos superficiais dos cenários Agric_Euc, seguido dos cenário Veg_nativa e
Reflo. Em especial, à medida que a comparação move-se de montante para jusante, estes três
últimos cenários, onde há dominância de cobertura florestal, tendem a agrupar-se, uma vez que
nos postos à montante a cobertura florestal à montante do posto Jctga é bastante diferente entre
eles. Por exemplo, comparando-se os as áreas relativas ocupadas por cada tipo de vegetação entre
os cenários, verifica-se que no cenário Reflo há o maior índice de cobertura florestal na área a
montante do posto de Jacutinga (40% da área, ver Fig. 3.16.a). Nesse posto as diferenças entre as
Qd dos cenários e a Qd da Veg_Atual foram mais pronunciadas. Em Porto Ferreira, os cenários
que apresentam maior área de cobertura florestal são em: Veg_Nativa (45%), Reflo (25%) e
Agric_Euc (21%) (Fig. 3.16.a ).
63
Fig. 4.12. Séries temporais da vazão média diária (Qd, m3 s-1) do ano de 2001, para os quatro cenários de mudanças do uso da terra e a vegetação atual em 3 postos fluviométricos distribuídos ao longo do rio Mogi-Guaçú. (a) Jacutinga (Jctga), (b) Porto Ferreira (PrtFer), (c) Passagem (Psg). Os postos estão ordenados de montante para jusante no sentido (a)-(c). As vazões de cada cenário são representadas da seguinte forma: Veg_Atual (linha preta), Veg_Nativa (linha vermelha), Reflo (linha azul), Agric_Euc (linha verde), Agric_C4 (linha roxa).
(a) (b)
(c)
64
QmVeg_atual (m
3 s-1) Fig 4.13. Dispersão entre a vazão média mensal (Qm) da simulação controle (Veg_Atual) e a Qm dos cenários de mudanças do uso da terra para todos os postos. (a) Cenário Veg_Nativa, (b) Cenário Reflo, (c) Cenário Agric_Euc e (d) Cenário Agric_C4.
Qm
cen
ário
s (
m3 s
-1)
65
Fig. 4.14. Ciclo anual médio da vazão específica total mensal (Qm, mm mês-1) no período 2000-2008, em 3 pontos distribuídos ao longo do rio Mogi-Guaçú. (a) Jacutinga (Jctga), (b) Porto Ferreira (PrtFer), (c) Exutório da bacia. Os pontos estão ordenados de montante para jusante no sentido (a)-(c). Os cenários são representadas da seguinte forma: Veg_Atual (linha preta), Veg_Nativa (linha vermelha), Reflo (linha azul), Agric_Euc (linha verde), Agric_C4 (linha roxa).
(a) (b)
(c)
Qes
p (m
m m
ês-1)
66
Fig. 4.15. Ciclo anual médio da escoamento básico específico total mensal (Qbesp, mm mês-1) no período 2000-2008, em 3 pontos distribuídos ao longo do rio Mogi-Guaçú. (a) Jacutinga (Jctga), (b) Porto Ferreira (PrtFer), (c) Exutório da bacia. Os pontos estão ordenados de montante para jusante no sentido (a)-(c). Os cenários são representadas da seguinte forma: Veg_Atual (linha preta), Veg_Nativa (linha vermelha), Reflo (linha azul), Agric_Euc (linha verde), Agric_C4 (linha roxa).
(a) (b)
(c)
Qb e
sp (
mm
mês
-1)
67
Fig. 4.16. Ciclo anual médio da escoamento superficial específico total mensal (Qsesp, mm mês-1) no período 2000-2008, em 3 pontos distribuídos ao longo do rio Mogi-Guaçú. (a) Jacutinga (Jctga), (b) Porto Ferreira (PrtFer), (c) Exutório da bacia. Os pontos estão ordenados de montante para jusante no sentido (a)-(c). Os cenários são representadas da seguinte forma: Veg_Atual (linha preta), Veg_Nativa (linha vermelha), Reflo (linha azul), Agric_Euc (linha verde), Agric_C4 (linha roxa).
(a) (b)
(c)
Qs e
sp (
mm
mês
-1)
68
Fluxos de energia
A Fig. 4.17 mostra o ciclo anual médio mensal de Rn no período 2000-2008, em três
pontos distribuídos ao longo do rio Mogi-Guaçú. Os valores de Rn referem-se a média na área a
montante de cada ponto. O Rn no caso Veg_Atual apresenta um ciclo anual bem pronunciado, e
amplitude sazonal de ~60 Wm-2. As diferenças entre o Rn dos cenários foram sistemáticas, com
maior diferença relativa ao cenário Veg_Atual ocorrendo para o cenário Veg_Nativa (~ 15 W m-
2). Essa diferença diminui com a importância da fração de área florestada na área a montante de
cada ponto (ver Fig. 3.16.a,c,g).
Tempo(meses)
Fig. 4.17. Ciclo anual da média mensal do Saldo de Radiação (Rn, W m-2) no período 2000-2008, em 3 pontos (média sobre a área a montante do ponto) distribuídos ao longo do rio Mogi-Guaçú. (a) Jacutinga (Jctga), (b) Porto Ferreira (PrtFer), (c) Exutório da bacia. Os pontos estão ordenados de montante para jusante no sentido (a)-(c). Os cenários são representadas da seguinte forma: Veg_Atual (linha preta), Veg_Nativa (linha vermelha), Reflo (linha azul), Agric_Euc (linha verde), Agric_C4 (linha roxa).
(a) (b)
(c)
Sal
do d
e R
adia
ção
(Rn,
W m
-2)
69
A Fig. 4.18 refere-se ao albedo solar médio em todos os cenários. O albedo do cenário
Veg_Atual indica uma média anual de ~21%, com amplitude sazonal da ordem de 2,5%, com
mínimo em Julho-Agosto e o máximo em dezembro. As diferenças entre o albedo dos cenários
também foram sistemáticas, com o máximo no cenário Veg_Atual e Agric_C4, e o mínimo para o
cenário Veg_Nativa, o que corrobora a comparação do cálculo do saldo de radiação (Rn) entre os
diferentes cenários (Fig. 3.17). O padrão sazonal de variação do albedo no cenário Veg_Nativa
difere dos demais cenários na época do mínimo do albedo (setembro), o que decorre do efeito
combinado do albedo da floresta e do cerrado.
Tempo(meses)
Fig. 4.18. Ciclo anual da média mensal do albedo (admensional) no período 2000-2008, em 3 pontos (média sobre a área a montante do ponto) distribuídos ao longo do rio Mogi-Guaçú. (a) Jacutinga (Jctga), (b) Porto Ferreira (PrtFer), (c) Exutório da bacia. Os pontos estão ordenados de montante para jusante no sentido (a)-(c). Os cenários são representadas da seguinte forma: Veg_Atual (linha preta), Veg_Nativa (linha vermelha), Reflo (linha azul), Agric_Euc (linha verde), Agric_C4 (linha roxa).
(a) (b)
(c)
albe
do (
-)
70
A Fig. 4.19 mostra a ET total mensal em todos os cenários, com o cenário Veg_Atual e o
cenário Agric_C4 responsáveis pelos mínimos dos cenários, com média de 50 mm mês-1 (ou ~1.7
mm dia-1) em julho até 120 mm mês-1 (ou ~ 4 mm dia-1) em dezembro) (Fig. 4.19.c). Há de forma
geral uma clara correlação da sazonalidade com o saldo de radiação (Rn, Fig. 4.17.c), sua maior
forçante. Há um aumento sistemático das médias de LE no verão, de montante para jusante, da
ordem de 15 W m-2.
Os cenários com cobertura florestal (Veg_Nativa, Reflo e Agric_Euc) foram os que
dominantemente mostraram as maiores médias mensais de ET, notando-se que os cenários Reflo
e Agric_Euc estiveram de certa forma próximos entre si, o que mostra corroborar a expectativa
em função do controle funcional da vegetação. O padrão de variação sazonal de ET no cenário
Veg_Nativa difere dos demais devido ao padrão sazonal de LAI e FPAR diferente em
comparação aos demais cenários (Figura não mostrada).
Tempo(meses)
Fig. 4.19. Ciclo anual médio da Evapotranspiração total mensal (ET, mm mês-1) no período 2000-2008, em 3 pontos (média sobre a área a montante do ponto) distribuídos ao longo do rio Mogi-Guaçú. (a) Jacutinga (Jctga), (b) Porto Ferreira (PrtFer), (c) Exutório da bacia. Os pontos estão ordenados de montante para jusante no sentido (a)-(c). Os cenários são representadas da seguinte forma: Veg_Atual (linha preta), Veg_Nativa (linha vermelha), Reflo (linha azul), Agric_Euc (linha verde), Agric_C4 (linha roxa).
(a) (b)
(c)
ET
(m
m m
ês-1)
71
A Fig. 4.20 é similar a Fig 4.17, porém para o H médio mensal. O H da simulação
Veg_Atual mostra uma amplitude sazonal de H médio na bacia MoGu variando do mínimo de 20
W m-2(em março) até 45 W m-2 (em outubro) (Fig. 4.20.c). As diferenças entre o H também
foram sistemáticas na maioria dos cenários, com a maior diferença relativa ao cenário Veg_Atual
ocorrendo no cenário Veg_Nativa (por até ~30 W m-2, em outubro). O padrão de variação sazonal
de H no cenário Veg_Nativa difere dos demais devido ao padrão sazonal de LAI e FPAR
diferente em comparação aos demais cenários (Figura não mostrada).
Tempo(meses Jan a Dez)
Fig. 4.20. Ciclo anual da média mensal do Fluxo de calor sensível (H, W m-2) no período 2000-2008, em 3 pontos (média sobre a área a montante do ponto) distribuídos ao longo do rio Mogi-Guaçú. (a) Jacutinga (Jctga), (b) Porto Ferreira (PrtFer), (c) Exutório da bacia. Os pontos estão ordenados de montante para jusante no sentido (a)-(c). Os cenários são representadas da seguinte forma: Veg_Atual (linha preta), Veg_Nativa (linha vermelha), Reflo (linha azul), Agric_Euc (linha verde), Agric_C4 (linha roxa).
(a) (b)
(c)
Flu
xo d
e ca
lor
sens
ível
(W
m-2)
72
Variação dos Fluxos hidrológicos anuais
O coeficiente de runoff (CR) foi definido como a razão entre o escoamento total (Recarga
do aquífero + escoamento superficial) sobre a Precipitação (aqui simplificada como Prec),
enquanto o termo coeficiente de escoamento (CE) foi definido como a razão entre a vazão
específica e a Precipitação. Similarmente, foram definidos os coeficientes de escoamento básico
(CEb) e superficial (CEs). As variáveis mostradas na Fig. 4.21 foram todas determinadas na base
de tempo anual e referem-se às médias dos totais anuais. Por conveniência, nessa seção as
variáveis serão referenciadas apenas pela seu símbolo.
A Prec média na bacia MoGu no período de 2000-2008 foi de ~1453 mm ano-1. Esse valor
foi determinado da precipitação média sobre área a montante do ponto exutório da bacia MoGu
(Fig 4.21.a). A tendência geral da Prec total anual foi de diminuição com o aumento da área de
drenagem, com exceção do posto Jacutinga (Jctga), que mostrou valor muito próximo (~1455
mm ano-1) ao da média na bacia.
No cenário da Veg_atual, cerca de 31% da Prec anual (450 mm ano-1) foi escoada
lateralmente na forma de escoamento total (Fig 4.21.b), o complemento de 69% foi
evapotranspirado (1003 mm ano-1, Fig 4.21.c).
A Fig 4.22 mostra a precipitação e a ET total anual média no período de 2000-2008 para a
simulação controle (Veg_Atual) e a diferença da ET simulada nos cenários em relação ao da
Veg_Atual. O coeficiente CE (Fig 4.21.d) foi na maioria dos postos um pouco maior que CR (por
até 2%). Essa sutil diferença é devido ao efeito de armazenamento de água na rede de drenagem.
O escoamento básico foi 24% da Prec (Fig 4.21.e), e o escoamento superficial de 8% da Prec (Fig
4.21.f). A variação longitudinal de CR e CE foi complementar à variação de ET/Prec: com
aumento da área de drenagem a razão ET/Prec aumenta, ao passo que e os índices CR e CE
diminuem compensatoriamente, o que de certa forma era de se esperar.
O efeito dos cenários de mudanças do uso da terra no CR é descrito a seguir. Para visar o
efeito sobre toda área da bacia, enfatizando os resultados no exutório da bacia, mostra-se que os
cenários Veg_Nativa, Reflo e Agric_Euc mostraram os menores padrões de CR, em torno de ~27
a 31%, enquanto que os cenários Veg_atual e Agric_C4 foram os maiores, em torno de ~31 a
39%, tendo estes dois grupos diferenciando-se bastante ao longo do gradiente da calha da bacia
73
(Fig 4.21.b). Na Fig 4.22 está indicado a variabilidade espacial de CR, com as evidências a partir
da diferença dos campos de CR dos cenários em relação ao cenário de Veg_atual. Nesses
cenários não houve somente uma troca por outros tipos de vegetação, mas também uma
significativa mudança na distribuição espacial dos tipos de vegetação.
O CR foi reduzido em todos cenários. No cenário Agric_Euc a área de culturas agrícolas
do tipo C3, que ocupavam ~65% da bacia MoGu, foram convertidas para eucalipto (Fig. 3.16.g).
Para esse cenário verificou-se a maior redução (aumento) de CR (ET/Prec), em comparação a
Veg_Atual (CR=26%, Fig 4.21.b, equivalente a 377 mm ano-1, isto é, 5% a menos do CR da
Veg_Atual). A razão de ET/Prec foi de 74% ou ~1075 mm ano-1 (Fig 4.21.c).
O cenário Agric_C4 foi o que mostrou menor redução de CE em comparação ao cenário
Veg_Atual. Nos postos do baixo MoGu a redução do CEs foi de %1, em relação a Veg_Atual, na
maioria dos cenários (Fig 4.21). O CEb por ser a maior componente de CE, segue o padrão de
variação de CE.
Os cenário Veg_Nativa e Reflo apresentam um padrão de distribuição espacial bem
distinto um do outro. No primeiro, há três manchas contíguas de floresta localizadas nos trechos
médio e alto MoGu (Fig. 3.16.b) ocupando uma área correspondente a 30% da bacia (Fig. 3.16.g).
No segundo caso, as áreas de floresta são relativamente mais dispersas, seguindo a rede de
drenagem e as áreas com declividade superior a 20%, conforme descrito anteriormente, e cobrem
20% da área da bacia (Fig. 3.16.g). Apesar de 10% (1746 km2) a menos de área florestada no
cenário Reflo, a redução de CR em comparação a Veg_Atual foi equivalente a do cenário
Veg_Nativa. Em ambos cenários o CR foi de 28%, o equivalente a ~406 mm ano-1 , ou seja 44
mm ano-1 a menos que na Veg_Atual. Este resultado ressalta o impacto da diferença na
distribuição espacial da cobertura florestal entre os dois cenários. O reflorestamento em áreas
estratégicas foi suficiente para trazer os níveis de vazão aos valores próximos daqueles da
vegetação original, mesmo com uma área de cobertura florestal 1/3 inferior à da Veg_Nativa. O
CEb para esses dois cenários diminuiu 2% em relação ao cenário Veg_Atual, o que equivale a 29
mm ano-1 de diferença.
74
(a)
(b)
(c)
(d)
(e)
(f)
Figura 4.21. Variação longitudinal (montante-jusante) de: (a) média da Precipitação total anual (Prec, mm ano-1); (b) média da vazão específica total anual (Qesp, mm ano-1); (c) média da razão ET/Prec (admensional); (d) média do coeficiente de escoamento anual (CE = Qesp/Prec); (e) média do coeficiente de escoamento básico total anual (CEb = Escoamento básico /Prec); (f) média do coeficiente de escoamento superficial (CEs = Escoamento superficial/Prec). Os cenários são representadas da seguinte forma: Veg_Atual (linha preta), Veg_Nativa (linha vermelha), Reflo (linha azul), Agric_Euc (linha verde), Agric_C4 (linha roxa).
ET
/Pre
c(-)
75
Precipit ação média anual (mm ano -1)
Veg_Atual: Evapotranspiração (mm ano -1)
Figura 4.22. (a) Média da precipitação total anual no período 2000-2008, e da evapotranspiração idem (b) Diferença entre o cenário Veg_Nativa e a Veg_Atual. (c) Diferença entre o cenário Reflo e a Veg_Atual. (d) Diferença entre o cenário Agric_Euc e a Veg_Atual. (e) Diferença entre o cenário Agric_C4 e a Veg_Atual.
(a)
(b) (c)
(d) (e)
76
5. CONCLUSÕES
Este trabalho atingiu plenamente algumas metas fundamentais iniciais, quais sejam, as
tarefas necessárias para a consolidação de uma ferramenta operacional onde fosse possível
responder as questões científicas da proposta. Dentre elas a principal tarefa foi a implementação
do Modelo Hidrológico Distribuído da Biosfera (DBHM), conectado com o modelo da biosfera
SiB2 (Simple Biosphere Model), e a consolidação dos campos forçantes atmosféricos, em
especial os campos espaciais de precipitação, obtidos por meio de dados de estações
meteorológicas. Adicionalmente, foram consolidadas as forçantes do modelo SiB2 variantes no
tempo e no espaço, em conjunto com dados de temperatura da superfície, com informações do
sensor MODIS.
Com as estimativas dos padrões de temperatura do ar na superfície obtidas do sensor
MODIS, e comparações com a temperatura do ar medida no campo acima do dossel em 3
ecossistemas distintos, localizados sobre uma região de mesmo clima e tipos de solo similares,
verificou-se que as estimativas do MODIS diurna sobre cana-de-açúcar são superiores às do
cerrado e do eucalipto, em comparação semelhante às observações de campo, sendo todavia a
estimativa diurna do MODIS sobre o eucalipto superior à do cerrado, o que se opõe ao padrão
observado em campo. Por outro lado, as estimativas noturnas de temperatura do MODIS na cana-
de-açúcar foram inferiores às do cerrado e do eucalipto, neste ponto semelhante à comparação de
campo, mas exclusivamente no Inverno, sendo o oposto no Verão e em conflito com as
observações de campo. Portanto de forma geral as estimativas diurnas de temperatura do MODIS
mostraram qualitativamente diferenças nos padrões sobre a cana-de-açúcar e cerrado
concordantes com as observações, mas não com o eucalipto. No caso noturno, não houve uma
comparabilidade razoável.
Com a implementação computacional do modelo DBHM e a definição dos parâmetros
biofísicos dos ecossistemas representativos da bacia do Mogi Guaçú, os padrões de vazão e de
evapotranspiração calculados pelo modelo foram comparados as observações de campo, no que
obteve-se razoável ajuste. A vazão simulada reproduziu satisfatoriamente a variação sazonal
observada, com algumas discrepâncias de leve superestimativa da vazão mínima nos postos do
médio e baixo MoGu, e leve subestimativa da vazão simulada nos meses de janeiro e fevereiro.
77
De forma geral a vazão simulada reproduziu adequadamente a variabilidade interanual
observada, havendo pequena superestimativa da observação em alguns postos do médio e baixo
MoGu com viés menor que 8%. O fluxo de calor latente simulado mostrou razoável concordância
com o observado nas áreas de cana, cerrado e eucalipto, em especial a sazonalidade anual e da
variabilidade intrasazonal, além da hierarquia observada entre as média dos ecossistemas também
ter sido adequadamente simulada.
O modelo calibrado foi utilizado para simular o balanço de água e energia para cenários
de uso da terra, particularmente em 5 cenários, descritos como a) Vegetação atual (Veg_Atual), b)
Vegetação nativa (Veg_Nativa, Cerrado e Floresta, conforme mapa de biomas do Brasil), c)
Reflorestamento (Reflo, das faixas de proteção na margem dos rios e áreas de declividade
moderada a alta), d) Agric_Euc (conversão de áreas de culturas C3 para eucalipto), e e) Agric_C4
(conversão de culturas agrícolas do tipo C3 para gramíneas C4). De forma geral o cenário da
Veg_atual tem a maior vazão, muito próxima do cenário Agric_C4, ao longo de todo ano,
seguidas em ordem decrescente na estação chuvosa pelos cenários Agric_Euc, Veg_nativa e a
menor do cenário Reflo. Na estação seca ocorre uma inversão de alguns cenários, com maior
vazão no cenário Reflo, seguida de Agric_Euc e Veg_Nativa. O padrão da vazão específica foi
em sua maior parte explicado pelo escoamento básico, com a mesma hierarquia de cenários. O
escoamento superficial mostrou diferenças e semelhanças com o escoamento básico: os cenário
de Veg_atual e Agric_C4 foram muito próximos e tiveram o maior escoamento superficial
(seguidos dos demais cenários onde dominaram a cobertura florestal), mas apenas na estação
chuvosa, uma vez que na estação seca não houve diferença entre todos os cenários, como era
esperado.
No modelo calibrado, isto é, no cenário de vegetação atual, aproximadamente 31% da
Precipitação média anual (450 mm) foi escoada na forma de escoamento básico e superficial, e o
complemento de 69% evapotranspirado (1003 mm). As taxas médias de evapotranspiração
calculadas nos cenário Veg_Atual e Agric_C4 foram as mínimas, enquanto as dos cenários com
cobertura florestal (Veg_Nativa, Reflo e Agric_Euc) foram dominantemente maiores. O
coeficiente de runoff (razão do escoamento total sobre a precipitação) variou nos cenários
Veg_Nativa, Reflo e Agric_Euc em torno de ~27 a 31%, enquanto que nos cenários Veg_atual e
Agric_C4 foram maiores, em torno de ~31 a 39%, ao longo da calha da bacia.
78
Este corpo de resultados mostra que a representação dos ecossistemas florestais no
modelo tenderam a reduzir mais a vazão em especial durante a estação chuvosa, que é quando
ocorrem os picos de cheia, concorrentemente com o aumento da evapotranspiração anual.
Destaca-se que o cenário de Reflorestamento produziu um coeficiente de escoamento comparável
ao da Veg nativa, e aumento da vazão mínima durante a estiagem, embora demandasse uma
fração de cobertura florestal muito aquém, o que sugere a relevância das faixas de proteção nas
margens dos rios e nas áreas de declividade moderada a alta.
79
7. REFERÊNCIAS BIBLIOGRÁFICAS
Allen, J. C., 1976. A modified sine wave method for calculating degree days. Environ. Entomol.
5, 388-396.
Allen, R. G., Pereira, L. S., Raes, D., Smith, M., 1998. Crop Evapotranspiration: Guidelines for
Computing Crop Water Requirements. FAO Irrigation and Drainage. Paper 56. FAO,
Rome.
Agência Nacional de Águas (ANA). 2007. Disponibilidade e Demandas de Recursos Hídricos no
Brasil. Cadernos de Recursos Hídricos 2. Brasília-DF. Disponível em
http://www.ana.gov.br/AcoesAdministrativas/CDOC/CatalogoPublicacoes_2007.asp. Acesso
em dez/2010.
Acrement, G. J., Schneider, V. R., 1989. Guide for Selecting Roughness Coefficients of Natural
Channels and Flood Plains. U.S. Geological Survey Water-Supply Paper 2339. Washington,
DC: U.S. Government Printing Office.
Arora, V. K., Boer, G. J., 1999. A variable velocity flow routing algorithm for GCMs. Journal of
Geophysical Research, 104, 30965–30980.
Ataroff, M. and F. Rada. 2000. Deforestation impact on water dynamics in a Venezuelan Andean
cloud forest. Ambio 29 9:440–444.
Baskerville, G. L., Emin, P., 1969. Rapid estimation of heat accumulation from maximum and
minimum temperatures. Ecology 50 (3), 514{517.
Bosch, J, J. Hewlett (1982). A review of catchment experiments to determine the effect of
vegetation changes on water yield and evapotranspiration. J. Hydrol., 55:3-23.
80
Bruno, R. D., 2009. Balanço de água em microbacias de cerrado restrito e eucalipto: um estudo
de caso com medidas observacionais. Tese de Doutorado em Meteorologia – Instituto de
Astronomia, Geofísica e Ciências Atmosféricas, Universidade de São Paulo, São Paulo, 120
p.
Brunt, D., 1932: Notes on radiation in the atmosphere. Quarterly Journal Royal Meteorological
Society, 58, 389-420.
Brutsaert, W. On a derivable formula for long-wave radiation from clear skies. Water Resources
Research, Washington, v. 11, n. 5, p. 742-744, 1975.
Cabral, O.M.R., 2001: O sistema solo-vegetação-atmosfera: Observação e modelagem da cana-
de-açúcar no Estado de São Paulo. Tese de Doutoramento do Departamento de Ciências
Atmosféricas do Instituto de Astronomia e Geofísica da Universidade de São Paulo. 96 p.
Cabral, O.M.R., Rocha, H.R., Ligo, M.A.V., Brunini, O., Silva Dias, M.A.F., 2003: Fluxos
turbulentos de calor sensível, vapor d’água e CO2 sobre uma plantação de cana-de-açúcar
(Saccharum sp.) em Sertãozinho, SP. Revista Brasileira de Meteorologia, 18 (1), 61-70.
Cabral, O.M.R., Ligo, M.A.V., Rocha, H.R., Freitas, H.C., Tatsch, J.D., Gomes, E., 2006:
Observações micrometeorológicas em plantação de cana-de-açúcar na Usina Santa Rita -
Fazenda São José do Pulador (27). Relatório de Pesquisa apresentado a Usina Santa Rita.
Cabral, Osvaldo M.R.; Rocha, Humberto R.; Gash, John H.C.; Ligo, Marcos A.V.; Freitas,
Helber C.; Tatsch, Jonatan D. 2010a. The energy and water balance of a Eucalyptus plantation
in southeast Brazil. Journal of Hydrology, 388. 208-216. 10.1016/jhydrol.2010.04.041
Cabral, O. M.R.; Rocha, H. R.; Gash, J. H.C.; Ligo, Marcos A.V.; Freitas, H. C.; Tatsch, J. D,
Gomes, E. 2010b. Fluxes of CO2 above a plantation of Eucalyptus in southeast Brazil. 2010.
Agricultural and Forest Meteorology, 151. 49-59. doi:10.1016/j.agrformet.2010.09.003.
81
Cesaraccio, C., Spano, D., Duce, P., Snyder, R. L., 2001. An improved model for determining
degree-day values from daily temperature data. International Journal of Biometeorology. 45,
161-169.
Childs, E. C., 1971. Drainage of groundwater resting on a sloping bed. Water Resour. Res. 7 (5),
1256-1263.
Chow, V. T., 1959. Open-channel Hydraulics. McGraw-Hill: New York.
Collishonn, W. Simulação hidrológica de grandes bacias.194 p. Tese (Doutorado em Engenharia)
- Instituto de Pesquisas Hidráulicas, Universidade Federal do Rio Grande do Sul, Porto Alegre,
2001.
Companhia Nacional de Abastecimento, Ministério da Agricultura, Pecuária e Abastecimento -
CONAB. Acompanhamento da Safra Brasileira Cana-de-Açúcar - Safra 2007/2008, terceiro
levantamento. Disponível em: <http://www.conab.gov.br/conabweb>. Acesso em 19 dez.
2007.
Cosby, B.J., Hornberger, G.M., Clapp, R.B. and Gunn, T.R., 1984. A statistical exploration of
the relationships of soil moisture characteristics to the physical properties of soils. Water
Resour. nº 20 (1984), pp. 682–690.
Costa, M. H., Botta, A., Cardille, J. A. 2003. Effects of large-scale changes in land cover on the
discharge of the Tocantins River, Southeastern Amozonia. Journal of Hydrology, v. 283,
206-217.
Cuadra S.V., Costa M.H., Kucharik C., da Rocha H. R., Tatsch, J.D, Cabral, O.M.R.. 2011. A
biophysical model of Sugarcane growth. Global Change Biology (Bioenergy). doi:
10.1111/j.1757-1707.2011.01105.x.
82
Duarte, H. F., N. L. Dias, and S. R. Maggiotto. 2006. Assessing daytime downward longwave
radiation estimates for clear and cloudy skies in Southern Brazil, Agricultural and Forest
Meteorology, 139 (3–4), 171–181.
Feddema, J. J., Oleson, K. W., Bonan, G. B., Mearns, L. O., Buja, L. E., Meehl, G. A.,
Washington, W. m. . The Importance of Land-Cover Change in Simulating Future Climates.
Science 310, n. 9 (2005): 1674-78.
Food and Agricultural Organizations of the United Nations – FAO. Food and Agricultural
commodities production. Disponível em: <http://www.fao.org/es/ess/top/commodity.html>.
Accesso em 18 mar. 2006).
Foley, J. A., DeFries, R., Asner, G. P., Barford, C., Bonan, G., Carpenter, S. R., Chapin, F. S.,
Coe, M. T., Daily, G. C., Gibbs, H. K., Helkowski, J. H., Holloway, T., Howard, E. A.,
Kucharik, C. J., Monfreda, C., Patz, J. A., Prentice, I. C., Ramankutty, N., Snyder, P. K. 2005.
Global Consequences of Land Use. Science, 309, 570-574.
Freitas, H.C., 2012. Balanço de CO2 em uma área de mata atlântica com medidas de fluxos
turbulento e transporte advectivo. Tese de Doutorado em Meteorologia – Escola Superior de
Agricultura Luiz de Queiroz, Universidade de São Paulo, São Paulo, p. 120.
Gash, J. H. C., C. A. Nobre, J. M. Roberts, and R. L. Victoria, 1996: Amazonian Deforestation
and Climate. John Wiley and Sons, 611 pp.
Goulden, M. L., Miller, S., Rocha, H. R. da, Menton, M.C., Freitas, H. C, Silva Figueira, A.M.,
Sousa, C.A.D, 2004. Diel and seasonal patterns of Tropical Forest CO2 exchange. Ecological
Applications, 14(4), S42-S55.
Hager, W. H., 1984. A simpliflied hydrological rainfall-runoff model. J. Hydrol. 74, 151-170.
83
Horton, R. E., 1939. Analysis of runoff - plat experiments with varying infiltration capacity.
Trans. Am. Geophys. Union 20, 693-711.
Instituto Brasileiro de Geografia e Estatística, Ibge. Relatório de Produção Agrícola. Disponível
em:http://www.ibge.gov.br/home/estatistica/indicadores/agropecuaria/lspa/textolspa022007.pd
f. Acesso em 12 set. 2008.
Idso, S. B., and R. D. Jackson (1969), Thermal radiation from the atmosphere, Journal of
Geophysical Research, 74 (23), 5397–5403.
Jackson, R.B., Jobbágy, E.G., Avissar, R., Roy, S.B., Barrett, D.J., Cook, C.W., Farley, K.A., Le
Maitre, D.C., McCarl, B.A., Murray, B.C., 2005: Trading Water for Carbon with Biological
Carbon Sequestration. Science, 310 (5756), 1944-1947.
Jacobs, J. D. (1978), Radiation climate of Broughton Island, in Energy budget studies in relation
to fast-ice breakup processes in Davis Strait, edited by R. G. Barry and J. D. Jacobs, pp. 105–
120, Institut of Arctic and Alp. Research. Occas. Paper No.26, University of Colorado.
Boulder, CO.
Jenson, S. K., e Domingue, J.O. (1988), Extracting topographic structure from digital elevation
data for geographic information system analysis, Photogramm. Eng. Remote Sens., 54(11),
1593-1600.
Jiménez, J. I., Alados-Arboledas, L., Castro-Diez, Y., Ballester, G., 1987. On the estimation of
long-wave radiation flux from clear skies. Theor. Appl. Climatol. 38, 37-42.
Kruk., N. S., Vendrame, I., F., Rocha, H., R., Chou, S., C., Cabral, O., M., R. Downward
longwave Radiation estimates for Clear-Sky and Cloudy Conditions in the Sertãozinho São
Paulo, Brazil. 2010. Theorical and Applied Climatology, 99, 115-123.
84
LBA, 1996: The Large Scale Biosphere-Atmosphere Experiment in Amazonia. Concise
Experimental Plan. Elaborated by the LBA Science Planning Group. Disponível em:
http://lba.cptec.inpe.br/lba. Acesso em: 23 jan. 2008.
Lighthill, M. H., Whitham, G. B., 1955. On kinematic waves, I. Flood movement in long rivers.
Proc. R. Soc. London 229, 281–316.
Loarie, S., D. Lobell, G. Asner, Q. Mu, C. Field (2011). Direct impacts on local climate of sugar-
cane expansion in Brazil. Nature Climate Change, 17 APRIL 2011 | DOI:
10.1038/NCLIMATE1067.
Martins, C. A. 2011. Estimativa da evapotranspiração no estado de São Paulo com o modelo da
biosfera SiB2. Dissertação de Mestrado do Departamento de Ciências Atmosféricas do
Instituto de Astronomia, Geofísica e Ciências Atmosféricas da Universidade de São Paulo.
135 p.
Niel, C., L. Deegan, S. Thomas, C. Hauper, A. Krusche, M. Ballester, R. Victoria (2006).
Deforestation alters hydraulic and biogeochemical characteristics of small lowland
amazonian streams. Hydrological Processes, 20: 2563-2580.
New, M., Hulme, M., Jones, P., 2000. Representing twentieth-century space-time climate
variability. Part II: development of 1901-96 monthly grids of terrestrial surface climate.
Journal of Climate (13), 2217-2238.
Negrón-Juarez, R.I., 2004: Variabilidade Climática Regional e Controle da Vegetação no
Sudeste: Um estudo de Observações sobre cerrado e Cana-de-açúcar e Modelagem
Numérica da Atmosfera. Tese de Doutoramento do Departamento de Ciências Atmosféricas
do Instituto de Astronomia e Geofísica da Universidade de São Paulo. 159 p.
85
Pfafstetter, O., 1989. Classification of Hydrographic Basins: Coding Methodology. unpublished
manuscript, Departamento Nacional de Obras de Saneamento, 18 August 1989, Rio de
Janeiro.
Parton, W. J., Logan, J. A., 1981. A model for diurnal-variation in soil and air-temperature. Agr.
Meteorol. 23 (3), 205-216.
Pielke Sr., R.A., Dalu, G.A., Snook, J.S., Lee, T.J., Kittel, T.G.F, 1991: Non linear influence of
mesoescala land use on weather and climate. Journal of Climate, 4, 1053-1069.
Pielke Sr., R.A. & Matsui, T., 2005: Should light wind and windy nights have the same
temperature trends at individual levels even if the boundary layer averaged heat content
change is the same? Geophysical Research Letters, 32, L21813, doi:10.1029/2005GL024407.
Prudhomme, C., D. Jakob, C. Svensson (2003). Uncertainty and climate change impact on the
flood regime of small UK catchments. Journal of Hydrology, 277:1-23.
Rocha, Humberto R. ; Manzi, Antonio O. ; Cabral, Osvaldo M. ; Miller, Scott D. ; Goulden,
Michael L. ; Saleska, Scott R. ; R.-Coupe, Natalia ; Wofsy, Steven C. ; Borma, Laura S. ;
Artaxo, P. ; Vourlitis, George ; Nogueira, José S. ; Cardoso, Fernando L. ; Nobre, Antonio D. ;
Kruijt, Bart ; Freitas, Helber C. ; von Randow, Celso ; Aguiar, Renata G. ; Maia, Jair F. .
Patterns of water and heat flux across a biome gradient from tropical forest to savanna in
Brazil. Journal of Geophysical Research, v. 114, p. G00B12, 2009.
__________, Freitas, H., Rosolem, R., Negron-Juarez, R.I., Tannus, R.N, Ligo, M.V., Cabral,
O.M.R.,.Silva Dias, M.A.F, 2002: Measurements of CO2 exchange over a woodland savanna
(Cerrado Sensu stricto) in southeast Brasil. Biota Neotropica, 2(1). Disponível em
http://www.biotaneotropica.org.br/v2n1/pt/abstract?article+BN01702012002.
86
__________, 2004: Relações Funcionais de Clima e Biosfera no Brasil. Tese de Livre Docência.
do Departamento de Ciências Atmosféricas do Instituto de Astronomia e Geofísica da
Universidade de São Paulo. 79 p.
__________, Freitas, H. C., Acosta, R., Tatsch, J. D., Bruno, R. D., Oliveira, L. S., Tannus, R. N.,
Negron-Juarez, R., Collicchio, E., Borma, L., Zanchi, F. B., Cabral, O. M. R., Ligo, M.,
Kurzatkowski, D., Ribeiro, R., Goulden, M. L., Miller, S. D., Nobre, A. C., Manzi, A., Wosfy,
S. C., Saleska, S. R., Kruijt, B., Von Randow, C., 2006: Patterns of water, heat and CO2
fluxes measured by flux towers across tropical forest, ecotone-floodplain and savanna
ecosystems in Brazil. In: Proceedings of 1st ILEAPS Science Conference – Integrated Land
Ecosystem-Atmosphere Process Study/IBGBP. Boulder, CO, USA. Helsinki: Finnish
Association for Aerosol Research, p. 215-216.
Rushton, K. R., Tomlinson, T. M., 1979. Possible mechanisms for leakage between aquifers and
rivers. Journal of Hydrology, 40, 49–65.
Sahin, V., M. Hall (1996). The effects of afforestation and deforestation on water yields. Journal
of Hydrology, 178:392-309.
Sellers, P. J., Randall, D. A., Collatz, G. J., Berry, J. A., Field, C. B., Dazlich, D. A., Zhang, C.,
Collelo, G. D., Bounoua, L., 1996a. A revised land surface parameterization (SiB2) for
atmospheric GCMs - Part I: model formulation. J. Clim. 9, nº4, 676–705.
Sellers, P. J., Los, S. O., Tucker, C.J., Justice, C.O., Dazlich, D.A.,Collatz, G.J. Randall, D. A,
1996b A revised land surface parameterization (SiB2) for atmospheric GCMs - Part II:
The Generation of Global Fields of Terrestrial Biophysical Parameters from Satellite Data. J.
Clim. 9, nº4. 706–737.
87
Stohlgren, T.J., Chase, T.N., Pielke Sr., R.A., Kittel, T.G.F., Baron, J.S, 1998: Evidence that
local land use practices influence regional climate, vegetation, and flow patterns in adjacent
natural areas. Global Change Biology, 4, 495-504.
Swinbank, W. C. 1963. Long-wave radiation from clear skies. Quarterly Journal of the Royal
Meteorological Society, 89, 339–348.
Tang, Q., 2006. A Distributed Biosphere-Hydrological Model for Continental Scale River Basins.
The University of Tokyo, Tokyo, Japan, Ph.D. Thesis. 181p.
Tang, Q., Oki, T., Hu, H, 2006. A distributed biosphere hydrological model (DBHM) for large
river basin. Annual Journal Hydraulic Engineering, JSCE, Vol. 50, 37-42.
Tang, Q., Oki, T., Kanae, S., Hu, H., 2008. Hydrological Cycles Change in the Yellow River
Basin During the Last Half of the 20th Century. Journal of Climate, 21(8), 1790–1806. DOI:
10.1175/2007JCLI1854.1.
Tatsch, J.D.; Rocha, H.R. ; Freitas, H.C.; Cabral, O.M.R.; Tannus, R.N.; Acosta, R., 2005:
Variações dos Fluxos de superfície na conversão de Cerrado por Cana-de-açúcar. Ciência e
Natura, Volume Especial - Dezembro/2005, p. 111-114.
Tatsch, J. D. 2006. Uma análise dos Fluxos de Superfície e do Microclima sobre Cerrado, Cana-
de-açúcar e Eucalipto, com Implicações para Mudanças Climáticas Regionais. Dissertação de
Mestrado do Departamento de Ciências Atmosféricas do Instituto de Astronomia, Geofísica e
Ciências Atmosféricas da Universidade de São Paulo. 112 p.
Tatsch, J.D.; Bindi, M.; Moriondo, M. 2009. A preliminary evaluation of the CropSyst Model for
sugarcane in the Southeast of Brazil. DOI 10.1400/116359. In: Impact of Climate Change on
Agricultural and Natural Ecosystems. Editors: Marco Bindi et. al. Firenze University Press.
234 p. ISBN-13: 9788884539205.
88
Towner, G. D., 1975. Drainage of groundwater resting on a sloping bed with uniform rainfall.
Water Resour. Res. 11 (1), 144-147.
Tucci, C. E. M., Clarke, R. T., 1997. Impactos das mudanças de cobertura vegetal no escoamento.
Revista Brasileira de Recursos Hídricos, v.2, n.1, 135-152.
Veloso, H. P.; Filho, A. L. R. R.; Lima, J. C. A. Classificação da vegetação brasileira, adaptada a
um sistema universal. Fundação Instituto Brasileiro de Geografia e Estatística – IBGE, 1991.
Verdin, K. L., Verdin, J. P., 1999. A topological system for delineation and codification of the
Earth’s river basins. Journal of Hydrology. 218, 1–12.
Vertessy, R.A., Zhang, L. and Dawes, W.R.2003. Plantations, river flows and river salinity, Aust.
For., 66, pp. 55–61
Willmott, C. J., Rowe, C. M., Philpot, W. D., 1985. Small-scale climate maps - a sensitivity
analysis of some common assumptions associated with grid-point interpolation and
contouring. Am. Cartographer 12 (1), 5-16.
Yang, K., Huang, G. W., Tamai, N., 2001. A hybrid model for estimating global solar radiation.
Sol. Energy 70, 13-22.
Yang, K., Koike, T., 2005. A general model to estimate hourly and daily solar radiation for
hydrological studies. Water Resour. Res. 41, W10403, 13 p. doi:10.1029/2005WR003976.
Zalom, F. G., Goodell, P. B., Wilson, W. W., Bentley, W. J., 1983. Degree-Days: the Calculation
and Use of Heat Units in Pest Management. Division of Agricultural and Natural Resources,
University of California, Berkeley, California 94720.
Top Related