Incertezas Associadas ao Uso do Sensoriamento Remoto na Estimativa do Balanço Hídrico

Authors

DOI:

https://doi.org/10.11137/1982-3908_2021_44_36706

Keywords:

Bacias hidrográficas, Recursos hídricos, Dados TRMM

Abstract

A quantificação dos recursos hídricos disponíveis é fundamental para o seu gerenciamento adequado e para a sustentação da qualidade de vida. Convencionalmente, as variáveis hidrológicas são estabelecidas por medições in situ, no entanto há escassez desses dados, tornando o Sensoriamento Remoto (SR) uma alternativa atraente. O objetivo deste trabalho é obter o balanço hídrico em bacias hidrográficas a partir de fontes de dados in situ e dados de SR de nível orbital, identificar os modelos com melhores resultados, as principais fontes de incertezas e o efeito de escala espacial e temporal. Para isso, foram selecionadas 10 bacias hidrográficas no estado do Rio Grande do Sul. Coletou-se dados de estações meteorológicas, pluviométricas e fluviométricas e de SR sobre precipitação (P), evapotranspiração (ET), vazão (Q) e armazenamento de água terrestre (S). Calculou-se o balanço hídrico a partir destes dados, mesclando ambas as fontes. Os produtos de SR utilizados foram: Tropical Rainfall Measuring Mission (TRMM), Global Amsterdam Evaporation Land Model (GLEAM) e Gravity Recovery and Climate Experiment (GRACE). Na estimativa de vazão pela equação simples constatou-se que a utilização de ET via SR é uma alternativa viável quando há escassez de dados provenientes de estações meteorológicas. Por sua vez, o uso de dados de armazenamento de água por SR na equação de balanço hídrico não resultou em uma quantificação precisa das vazões fluviais, ainda que, em um período suficientemente longo de análise, tenha se constatado uma redução do erro no balanço de água em bacias maiores. As estimativas de S calculadas por fontes mistas de dados demonstraram resultados excelentes. Concluiu-se que é possível estimar o balanço hídrico em bacias hidrográficas a partir de dados obtidos por SR, no entanto a precisão destas estimativas é resultado de diversos fatores: localização, tamanho da bacia, época do ano e escala temporal de análise.

Author Biographies

Luiza Souza de Paula, Universidade Federal do Rio Grande do Sul

Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia, Programa de Pós-Graduação em Sensoriamento Remoto e Geoprocessamento

Guilherme Garcia de Oliveira, Universidade Federal do Rio Grande do Sul

Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia, Programa de Pós-Graduação em Sensoriamento Remoto e Geoprocessamento

References

Bastiaanssen, W.G.M. & Chandrapala, L. 2003.Water balance variability across Sri Lanka for assessing agricultural and environmental water use. Agricultural water management, 58(2): 171-192.

D'Angiolella, G.; Vasconcellos, V.L.D. & Rosa, J.W.C. 2005. Estimativa e espacialização do balanço hídrico na mesorregião sul da Bahia. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, Goiânia, INPE, p. 83-90.

Gao, H.; Tang, Q.; Ferguson, C.R.; Wood, E.F. & Lettenmaier, D.P. 2010. Estimating the water budget of major US river basins via remote sensing. International Journal of Remote Sensing, 31(14): 3955-3978.

Martens, B.; Miralles, D.; Lievens, H.; Van Der Schalie, R.; De Jeu, R.A.; Fernández-Prieto, D.; Beck, H.; Dorigo, W. & Verhoest, N. 2017. GLEAM v3: Satellite-based land evaporation and root-zone soil moisture. Geoscientific Model Development, 10(5): 1903-1925.

McCabe, M.F.; Wood, E.F.; Wójcik, R.; Pan, M.; Sheffield, J.; Gao, H. & Su, H. 2008. Hydrological consistency using multi-sensor remote sensing data for water and energy cycle studies. Remote Sensing of Environment, 112(2): 430-444.

Moreira, A.A.; Fassoni-Andrade, A.C.; Ruhoff, A.L. & de Paiva, R.C.D. 2018. Balanço hídrico no Pantanal: uma abordagem por Sensoriamento Remoto. In: 7º SIMPÓSIO DE GEOTECNOLOGIAS NO PANTANAL, Jardim, MS, 2018. Jardim, Embrapa Informática Agropecuária/INPE, p. 695-704.

Moreira, A.A. & Ruhoff, A.L. 2017. Análise do balanço hídrico na América do Sul por Sensoriamento Remoto. In: SIMPÓSIO BRASILEIRO DE RECURSOS HÍDRICOS, 22, Florianópolis, 2017. Recursos Eletrônicos, Porto Alegre, ABRH, p. 01-08.

Paiva, R.C.D.D. & Ruhoff, A.L. 2017. Desafios na estimativa do ciclo hidrológico terrestre por Sensoriamento Remoto. In: SIMPÓSIO BRASILEIRO DE RECURSOS HÍDRICOS, 22, Florianópolis, 2017. Recursos Eletrônicos, Porto Alegre, ABRH, p. 01-08.

Pan, M.; Sahoo, A.K.; Troy, T.J.; Vinukollu, R.K.; Sheffield, J. & Wood, E.F. 2012. Multisource estimation of long-term terrestrial water budget for major global river basins. Journal of Climate, 25(9): 3191-3206.

Porto, K.G. & Ferreira, I.M. 2012. Gestão das bacias hidrográficas urbanas e a importância dos ambientes ciliares. Geografia em Questão, 5(2): 43-57.

Sentelhas, P.C.; Pereira, A.R.; Marin, F.R.; Angelocci, L.R.; Alfonsi, R.R.; Caramori, P.H.; & Swart, S. 1999. BHBRASIL: balanços hídricos climatológicos de 500 localidades brasileiras. Piracicaba, ESALQ/USP.

Sheffield, J.; Ferguson, C.R.; Troy, T.J.; Wood, E.F. & McCabe, M.F. 2009. Closing the terrestrial water budget from satellite remote sensing. Geophysical Research Letters, 36(7).

Soares, P.A.; Pinheiro, A.; Soares, K.H. & Zucco, E. 2010. Estimativa da disponibilidade hídrica em pequenas bacias hidrográficas com escassez de dados fluviométricos. Revista de estudos ambientais, 12(1): 29-38.

Tang, Q.; Gao, H.; Yeh, P.; Oki, T.; Su, F. & Lettenmaier, D. P. 2010. Dynamics of terrestrial water storage change from satellite and surface observations and modeling. Journal of Hydrometeorology, 11(1): 156-170.

Thomas, A.C.; Reager, J.T.; Famiglietti, J.S. & Rodell, M. 2014. A GRACE‐based water storage deficit approach for hydrological drought characterization. Geophysical Research Letters, 41(5): 1537-1545.

Troch, P.; Durcik, M.; Seneviratne, S.; Hirschi, M.; Teuling, A.; Hurkmans, R. & Hasan, S. 2007. New data sets to estimate terrestrial water storage change. Eos, Transactions American Geophysical Union, 88(45): 469-470.

Tropical Rainfall Measuring Mission (TRMM). 2011. TRMM (TMPA/3B43) Rainfall Estimate L3 1 month 0.25 degree x 0.25 degree V7, Greenbelt, MD, Goddard Earth Sciences Data and Information Services Center (GES DISC). Disponível em: <https://disc.gsfc.nasa.gov/datasets/TRMM_3B43_7/summary>. Acesso em: Set. 2019.

Published

2021-02-24

Issue

Section

Environmental Sciences