Ana Paula Furtado Lou

MODELAGEM GEOESTATSTICA APLICADA INTEGRAO ENTRE DADOS
DE POSTOS PLUVIOMTRICOS E RADAR METEOROLGICO
Ana Paula Furtado Lou
TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS

PROGRAMAS DE PS-GRADUAO DE ENGENHARIA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSRIOS PARA A OBTENO DO GRAU DE MESTRE EM CINCIAS EM
ENGENHARIA CIVIL.
Aprovada por:
Prof. Otto Corra Rotunno Filho, Ph.D.
Prof. Augusto Jos Pereira Filho, Ph.D.
Prof. Flvio Csar Borba Mascarenhas, D.Sc..
Prof. Isimar de Azevedo Santos, D.Sc.
Prof. Manoel de Melo Maia Nobre, Ph.D.
Prof. Webe Joo Mansur, Ph.D.
RIO DE JANEIRO, RJ - BRASIL

FEVEREIRO DE 2004
LOU, ANA PAULA FURTADO
Modelagem Geoestatstica Aplicada
Integrao Entre Dados De Postos
Pluviomtricos E Radar Meteorolgico [Rio
de Janeiro] 2004
XIII, 118p., 29,7 cm (COPPE/UFRJ,
M.Sc., Engenharia Civil, 2004)
Tese - Universidade Federal do Rio de
Janeiro, COPPE
1. Precipitao
2.Radar meteorolgico
3. Sensoriamento remoto
4. Geoestatstica
5. Krigagem bayesiana
6.Mtodo por simulao de indicadores seqenciais
I. COPPE/UFRJ II. Ttulo ( srie )
ii
A meus pais,
Wellington Coimbra Lou e
Lcia Helena Furtado Lou
iii
AGRADECIMENTOS
A meu amigo e orientador, professor Otto Corra Rotunno Filho;
Ao CNPq, pelo suporte financeiro concedido de 6 meses de bolsa;
A cidade de So Paulo, pela ajuda na obteno de dados;
GEO- RIO;
Aos amigos e colegas do Laboratrio de Hidrologia;
Ao meu melhor amigo, Afonso Augusto Magalhes, que esteve sempre ao meu
lado, nunca deixando-me desanimar;
A todos os colegas da rea de Recursos Hdricos .
iv
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos necessrios
para a obteno do grau de Mestre em Cincias (M.Sc.)
MODELAGEM GEOESTATSTICA APLICADA INTEGRAO ENTRE DADOS

DE POSTOS PLUVIOMTRICOS E RADAR METEOROLGICO
Fevereiro/2004
Orientador: Otto Corra Rotunno Filho

Programa: Engenharia Civil
A compreenso da variabilidade espacial e temporal da chuva em modelos

hidrometeorolgicos constitui um permanente desafio dos cientistas nessa rea de
pesquisa.O presente estudo objetiva avaliar a distribuio espao- temporal da chuva
atravs de um referencial geoestatstico. Mais especificamente, so utilizados dois
modelos distintos: krigagem bayesiana e mtodos por indicadores seqenciais.
Dados de chuva acumulada em uma hora, medidos pelo radar meteorolgico de
So Paulo e pela rede telemtrica localizada na bacia do Alto-Tiet, foram submetidos a
uma anlise geoestatstica. Foram determinados os variogramas e covariogramas para
um evento frontal e para um evento convectivo. A partir dessas informaes, foi
possvel fazer uso dos modelos geoestatsticos krigagem bayesiana e simulao
condicionada por indicadores seqenciais. Essa abordagem metodolgica permitiu
determinar o comportamento espacial da precipitao integrando dados de postos
pluviomtricos e radar meteorolgico. Posteriormente, foram comparados os
desempenhos dos modelos geoestatsticos e da relao ZR.
Os resultados sugerem a importncia da considerao de correlao espacial na
estimativa pluviomtrica e na possibilidade de integrao entre os dados de campo
convencionais (postos pluviomtricos) e a base de dados espaciais gerada pelo radar
meteorolgico. Ambos os modelos geoestatsticos revelaram desempenhos superiores
quando comparados com a performance da relao ZR.
v
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Master of Science (M.Sc.)
GEOSTATISTICAL MODELLING APPLIED TO THE INTEGRATION BETWEEN

RAINGAGE NETWORK AND METEOROLOGICAL RADAR DATA
February/2004
Advisor: Otto Corra Rotunno Filho

Department: Civil Engineering
The understanding of the spatial and temporal variability of the rainfall in

hydrometeorologic models rises a permanent challenge for scientists in this research
area. The present study intends to evaluate the spatial-temporal rain distribution through
a geostatisitical framework. More specifically, two different models are used: bayesian
kriging and sequential indicator conditional simulation.
Rain data accumulated in one hour, measured by the meteorological weather
radar of So Paulo and for the raingauge network located in the Alto-Tiet watershed,
were submitted to a geostatistical analysis. Variograms and covariograms were defined
for a frontal event and for a convective event. Starting from those information, it was
possible to use the geostatistical models of bayesian kriging and sequential indicator
conditional simulation. This methodological approach allowed to obtain the rainfall the
spatial behavior integrating raingauge network data and weather radar data. After, the
performance of the geostatistical models and of the ZR relationship were compared.
The results indicate the importance of considering the spatial correlation for
estimating rainfall and the possibility of integrating conventional field data (raingauge
network) and the spatial database generated by the meteorological weather radar. Both
geostatistical models revealed better performances when compared to the performance
of the ZR relationship.
vi
INDICE
AGRADECIMENTOS .................................................................................................... iv
RESUMO ......................................................................................................................... v
ABSTRACT .................................................................................................................... vi
INDICE........................................................................................................................... vii
LISTA DE FIGURAS ..................................................................................................... ix
LISTA DE TABELAS .................................................................................................. xiii
LISTA DE SMBOLOS ................................................................................................. xv
1- -INTRODUO .................................................................................................. 1
2- -REVISO TERICA ......................................................................................... 4
2.1 - Introduo................................................................................................. 4
2.2 - Modelagem Hidrolgica ........................................................................... 5
2.3 - Sensoriamento Remoto e Modelagem Hidrololgica............................. 16
2.4 - Abordagem Geoestatstica...................................................................... 26
3- -METODOLOGIA ............................................................................................. 29
3.1 - Anlise Geoestatstica ............................................................................ 29
3.1.1 - Variveis Regionalizadas ............................................................. 29
3.1.2 - Funo Variograma ...................................................................... 29
3.1.3 - Anlise Estrutural ......................................................................... 31
3.2 - Krigagem Bayesiana............................................................................... 31
3.3 - Simulao Condicional por Indicadores Seqenciais (krigagem

indicatriz) ................................................................................................................ 35
vii
4- -RADAR METEOROLGICO E POSTOS PLUVIOMTRICOS DA CIDADE
DE SO PAULO ........................................................................................................... 40
4.1 - Radar meteorolgico de So Paulo......................................................... 40
4.1.1 - Localizao do Radar ................................................................... 41
4.1.2 - Caractersticas Tcnicas do Radar................................................ 41
4.1.3 - Sistema de Alerta e Inundaes da Cidade de So Paulo(SAISP) 42
4.1.4 - Produtos do Radar e do SAISP..................................................... 44
4.2 - Rede Telemtrica.................................................................................... 47
4.2.1 - - Funcionamento da Rede Telemtrica......................................... 47
4.2.2 - - Rede Telemtrica do Alto Tiet ................................................. 48
4.2.3 - Rede Telemtrica de Cubato....................................................... 49
4.3 - Dados do Radar e da Rede Telemtrica.................................................. 50
5- -ABORDAGEM GEOESTATSITCA .............................................................. 55
5.1 - Anlise Estrutural de Eventos Chuvosos................................................ 55
5.2 - Resultados de Krigagem Bayesiana ....................................................... 65
5.3 - Resultados da Krigagem Indicatriz ........................................................ 85
5.4 - Anlise Comparativa dos Resultados ..................................................... 96
6- - CONCLUSES E RECOMENDAES...................................................... 102
7- -REFERNCIAS BIBLIOGRFICAS............................................................ 105
APNDICE A - Krigagem Bayesiana - Derivao da Metodologia de Anlise.......... 126
APNDICE B - Caracterticas Tcnicas do Radar de So Paulo................................. 129
viii
LISTA DE FIGURAS
Figura 2.1- Espectro eletromagntico (fonte: Collier, 1989).......................................... 17
Figura 4.1- rea de abrangncia do radar de So Paulo (fonte:CTH) ........................... 42
Figura 4.2- Sistema de alerta a inundaes da cidade de So Paulo SAISP

(fonte:CTH). ........................................................................................................... 44
Figura 4.3- Construo de um CAPPI a partir de diferentes ngulos de elevao da

antena do radar (Fonte: CTH)................................................................................. 46
Figura 4.4 - Exemplo de um CAPPI em mm/h(CTH)................................................... 46
Figura 4.5- Exemplo de acumulao de chuva em mm/h. (CTH).................................. 46
Figura 4.6- Funcionamento da rede telemtrica (fonte: CTH) ....................................... 48
Figura 4.7- Rede de postos pluviomtricos do Alto Tiet (fonte: CTH)........................ 49
Figura 4.8- Rede telemtrica de Cubato. (fonte: CTH) ................................................ 50
Figura 4.9 - Localizao dos postos pluviomtricos e do radar (em pxeis) na rea de
estudo, definida a partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km ... 53
Figura 4.10 - Localizao dos postos pluviomtricos (em pxeis) na rea reduzida a
partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km, para aplicao do
modelo de krigagem bayesiana .............................................................................. 53
Figura 4.11 - Localizao dos postos pluviomtricos e do radar (em pxeis) na rea de
estudo, definida a partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km
53
Figura 4.12 - Localizao dos postos pluviomtricos (em pxeis) na rea reduzida a
partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km, para aplicao do
modelo de krigagem bayesiana 53
Figura 5.1- Variogramas adimensionais horrios para o evento frontal (01/01/95) e para
o evento convectivo (05/01/95). ............................................................................. 57
ix
Figura 5.2 - Variogramas adimensionais horrios para a direo oeste-leste (0).......... 59
Figura 5.3- Variogramas adimensionais horrios para a direo sudoeste-nordeste (45)

................................................................................................................................ 60
Figura 5.4- Variogramas adimensionais horrios para a direo norte-sul (90) .......... 61
Figura 5.5 - Variogramas adimensionais direcionados da chuva mdia do evento frontal

(01/01/95) e do evento convectivo (05/01/95) ....................................................... 62
Figura 5.6 - Variogramas adimensionais isotrpicos da chuva mdia de cada evento .. 63
Figura 5.7 - Variogramas adimensionais baseados nos dados dos postos pluviomtricos
e nos dados de radar................................................................................................ 63
Figura 5.8- Covariograma dos dados dos postos e do radar........................................... 64
Figura 5.9- Histogramas do evento frontal (04/02/95) ................................................... 66
Figura 5.10- Histogramas do evento convectivo (30/03/95) .......................................... 67
Figura 5.11 - Anlise estrutural do evento frontal (04/02/95)........................................ 68
Figura 5.12 - Anlise estrutural do evento convectivo (30/03/95) ................................. 69
Figura 5.13- Variograma adimensional do radar e variograma experimental................ 72
Figura 5.14 - Variograma adimensional do radar e variograma experimentaldos dados

dos postos para o evento convectivo ...................................................................... 73
Figura 5.15 - Estimativas da krigagem bayesiana e medies do radar calibrao do

modelo .................................................................................................................... 76
Figura 5.16- Distribuio espacial dos dados do radar e dos postos no evento frontal.. 77
Figura 5.17- Distribuio espacial dos dados do radar e dos postos no evento convectivo
................................................................................................................................ 78
Figura 5.18 - Distribuio espacial das estimativas de chuva e varincias estimadas no

evento frontal.......................................................................................................... 79
x
Figura 5.19 - Distribuio espacial das estimativas de chuva e varincias estimadas no
evento convectivo ................................................................................................... 80
Figura 5.20- Estimativas da krigagem bayesiana e medies do radar- validao do

modelo .................................................................................................................... 84
Figura 5.21- Variograma adimensional baseado nos dados de radar e dados dos postos
para o decil-0,2 ....................................................................................................... 86
para o decil-0,3 ....................................................................................................... 86
para o decil-0,4 ....................................................................................................... 86
para o decil-0,5 ....................................................................................................... 87
Figura 5.25- Variograma da chuva mdia baseado nos dados de radar e dados dos postos
para o decil-0,6 ....................................................................................................... 87
Figura 5.26 - Variograma da chuva mdia baseado nos dados de radar e dados dos
postos para o decil-0,7 ............................................................................................ 87
Figura 5.29 - Variograma da chuva mdia baseado nos dados de radar para o decil0,3 89
xi
Figura 5.35 -Estimativas da modelagem indicatriz e medies do radar com relao aos
postos (calibrao).................................................................................................. 93
Figura 5.36 - Estimativas da modelagem indicatriz e medies do radar com relao aos
postos (validao) ................................................................................................... 93
Figura 5.37 - Distribuio espacial das estimativas de chuva, em mm, para o evento
frontal, com a rea de estudo delimitada por um quadrado ................................... 94
postos (calibrao).................................................................................................. 95
postos (validao) ................................................................................................... 95
Figura 5.40 - Distribuio espacial das estimativas de chuva, em mm, para o evento
convectivo, com a rea de estudo delimitada por um quadrado............................. 96
xii
LISTA DE TABELAS
Tabela 2.1: Algumas equaes ZR encontradas na literatura ( fonte: Sauvageot, 1982) 24
Tabela 4.1 - Localizao dos Postos Pluviomtricos e do Radar ................................... 52
Tabela 5.1 - Parmetros dos variogramas....................................................................... 71
Tabela 5.2 - Valores de chuva observados (postos ) e estimados (radar e krigagem

bayesiana) para o evento frontal de 04/02/95......................................................... 74
Tabela 5.3 - Valores de chuva observados (postos )e estimados (radar e krigagem

bayesiana) para o evento convectivo de 30/03/95 .................................................. 75
Tabela 5.4 - Valores de chuva observados (postos) e estimados (radar e krigagem

bayesiana) para o evento frontal de 04/02/95 - validao do modelo .................... 83
Tabela 5.5- Valores de chuva observados (postos) e estimados (radar e krigagem

bayesiana) para o evento convectivo de 30/03/95 - validao do modelo ............. 83
Tabela 5.6- Valores de chuva observados (postos ) e estimados (radar, krigagem

bayesiana-Kb e krigagem indicatriz- Ki ) para o evento frontal de 04/02/95
(calibrao) ............................................................................................................. 97
Tabela 5.7 Valores de chuva observados (postos) e estimados (radar, krigagem

bayesiana- Kb e krigagem indicatriz- Ki ) para o evento frontal de 04/02/95
(validao) .............................................................................................................. 97
Tabela 5.8- Valores de chuva observados (postos) e estimados (radar, krigagem

bayesiana-Kb e krigagem indicatriz- Ki ) para o evento convectivo de 30/03/95
(calibrao) ............................................................................................................. 98
Tabela 5.9- Valores de chuva observados (postos) e estimados (radar, krigagem

bayesiana - Kb e krigagem indicatriz- Ki ) para o evento convectivo de 30/03/95
(validao) .............................................................................................................. 98
Tabela 5.10- Medidas estatsticas de comparao para a regresso e mtodos

geoestatsticos (Evento frontal- calibrao) ......................................................... 100
xiii
geoestatsticos (Evento frontal- validao) .......................................................... 100

geoestatsticos (Evento convectivo- calibrao)................................................... 101

geoestatsticos (Evento convectivo- validao).................................................... 101
xiv
LISTA DE SMBOLOS
i conjunto de pesos do sistema de krigagem bayesiana

multiplicador de Lagrange
ngulo de abertura do feixe vertical (rad)
(h) semi-variograma
comprimento de onda (m)
massa especfica
(h) correlograma
durao do pulso (s)
a ngulo de abertura do feixe horizontal (rad)
a0 constante desconhecida.
a, b coeficientes de regresso
c velocidade da luz (2,988 x 108 m/s)
C constante do radar
D dimetro da gota (mm)
G ganho de antena (dB)
h vetor distncia entre dois pontos
K2 propriedade dieltrica do meio
ka coeficiente de atenuao total (dB/km)
M(x) varivel aleatria conhecida a priori
N(D) nmero de gotas por unidade de volume e por unidade de dimetro
Pi potncia do sinal (mW)
Po potncia de referncia (1mW)
Pr potncia recebida (mW)
Pt potncia transmitida (mW)
r distncia do alvo (m)
R intensidade de chuva (mm/h)
Wt(D) velocidade terminal de uma gota
Z refletividade efetiva do volume iluminado (mm6/m3)
Z(x) varivel regionalizada a ser estimada
xv
1 - -INTRODUO
O binmio tempo-espao de grande importncia na fundamentao de reas de

conhecimento que procuram fornecer um quadro evolutivo e comparativo dos
fenmenos tratados. o caso das cincias ambientais, que caracterizam-se por essa
busca pelo conhecimento de interaes temporais e espaciais de fenmenos diversos.
A variabilidade no tempo e no espao sentida em qualquer sistema do planeta.

Todas as formas vivas ou inanimadas apresentam mudanas ambientais segundo
padres peridicos e aleatrios, que variam de acordo com o fenmeno, local e tempo
considerados, como, por exemplo, sucesso dos dias e noites, estaes sazonais, mars,
ciclos solar e lunar e as adaptaes das formas de vida a essas mudanas.
A gua ocupa uma posio mpar na histria do nosso planeta. Nenhuma outra
substncia natural pode ser comparada em termos de sua influncia no curso do mais
elementar processo geolgico. A maior parte das substncias da Terra, seja mineral,
rocha ou organismo vivo, contm gua. Todo desenvolvimento da Terra afetado pela
gua de alguma forma.
A existncia abundante de gua nas 3 fases (slida, lquida e gasosa) no meio

ambiente define, possivelmente, a mais distinta caracterstica da Terra, quando
comparada com outros planetas do sistema solar. Entendendo-se as leis gerais que
governam a distribuio de gua e coletando-se dados bsicos para o balano hdrico
em bacias hidrogrficas, em continentes e no planeta como um todo, pode-se mais
adequadamente racionalizar e proteger os corpos hdricos da Terra. Historicamente, a
existncia e expanso de civilizaes tm sido controladas pela disponibilidade de gua.
A hidrologia trabalha principalmente com o movimento, a distribuio e

armazenamento da umidade. O domnio da hidrologia est confinado ao sistema
terrestre, mas pode incluir aspectos dos sistemas atmosfrico e ocenico, que
diretamente afetam o movimento da umidade no sistema terrestre. Por sua vez, a bacia
hidrogrfica, adotada como unidade de anlise em hidrologia, apesar de suas variadas
.caractersticas topogrficas, geolgicas, climticas e diversidade de sua utilizao,
representa um clssico exemplo de ecossistema, onde as relaes entre o homem e a
natureza merecem ser estudadas e entendidas. A ocupao no ordenada em regies
1
metropolitanas, por exemplo, acarreta inmeras alteraes ambientais que, em ltima
anlise, afetam milhares de habitantes. Dentre tais alteraes, destaca-se a modificao
do regime hdrico de microbacias e macrobacias com conseqente agravamento do
problema de enchentes.
Nesse contexto, o presente trabalho enfatiza o estudo da precipitao, em

particular a chuva, que constitui-se na expresso de uma srie de processos que ocorrem
na atmosfera em diferentes escalas, incluindo formao das nuvens. Seu estudo de
interesse especialmente para a hidrologia, oferecendo insumos importantes para a
compreenso do ciclo hidrolgico.
Mais especificamente, o objetivo deste trabalho consiste na integrao entre

dados de postos pluviomtricos, de natureza pontual e quantitativa, e dados de radar
meteorolgico, de natureza espacial, de forma a obter campos espaciais de precipitao.
Nesse sentido, o trabalho se prope a realizar uma avaliao preliminar da metodologia
geoestatstica aplicada a um evento chuvoso do tipo frontal ocorrido na bacia do Alto-
Tiet, So Paulo, registrado tanto pelo radar meteorolgico que cobre essa rea como
pelos postos pluviomtricos instalados na regio. Os modelos geoestatsticos de
krigagem bayesiana (Omre, 1987) e de simulao condicionada por indicadores
seqenciais (Gomez-Hernandez e Srivastava, 1990), inserido na linha de modelagem
indicatriz, foram empregados para analisar as estimativas de chuva feitas pelo radar de
So Paulo. Os resultados foram comparados com a relao ZR, que estima a chuva
fornecida pelo radar meteorolgico por meio da converso da refletividade em taxa de
precipitao.
No Captulo 2, realizada a reviso terica, com conceitos mais elaborados de

modelagem hidrolgica, sensoriamento da chuva, abordagem geoestatstica e princpios
do radar. A metodologia apresentada no Captulo 3, incluindo a discusso sobre a
funo variograma, com enfoque nos mtodos de krigagem bayesiana e krigagem
indicatriz.
No Captulo 4, o estudo de caso descrito, relacionando-se as caractersticas,

produtos e localizaes do radar e postos pluviomtricos de So Paulo .No Captulo 5,
so mostrados os resultados obtidos pela relao ZR e pelos mtodos geoestatsticos.
2
Finalmente, no Captulo 6, as concluses e recomendaes desta dissertao so
apresentadas.
3
2 - -REVISO TERICA
2.1 - Introduo
A preocupao em gerenciar os recursos hdricos acentuou-se com o

crescimento populacional e industrial. Com o aumento da demanda por gua, o recurso
hdrico est tendo sua capacidade de recuperao esgotada em termos de qualidade e
quantidade.
A gua um recurso natural indispensvel vida humana. Sua escassez

compromete a vida socioeconmica dos indivduos, pois ela utilizada no
abastecimento das necessidades bsicas, humana e animal, gerao de energia,
abastecimento industrial, diluio de esgotos, irrigao, navegao, pesca e lazer.
A questo do saneamento bsico, que inclui problemas como a produo e

destino do esgoto e resduos slidos produzidos pela populao local, dever, portanto,
ser estudada para que sejam adotadas as medidas necessrias, sejam de recuperao ou
de preveno.
Nesse contexto, o cdigo de guas de 1934 e, mais recentemente, a lei das guas
de 1997 procuram disciplinar e regular o uso da gua no Brasil. Em particular, a lei
9433 de 8 de janeiro de 1997, aqui chamada de lei das guas, criou a figura do comit
de bacia e da agncia de bacia. O comit de bacia seria a instncia de deciso poltica,
enquanto a agncia seria o rgo responsvel pelos estudos tcnicos necessrios para
subsidiar a tomada de deciso pelos membros do comit.
Os estudos tcnicos, por sua vez abrangem projetos de monitoramento eficazes e

sustentveis de longa durao, que permitam um conhecimento mais profundo sobre
disponibilidade de gua, sazonalidades hidrolgicas dos principais usos da gua e locais
considerados estratgicos para controle e emisso de alertas, quando da ocorrncia de
eventos extremos. Para tanto, o monitoramento deve ser realizado para acompanhar a
evoluo dos parmetros relacionados com o padro ambiental da regio, como, por
exemplo, quantidade e qualidade da gua, cobertura vegetal, ocupao, atividades
poluidoras, dentre outros. Com as informaes obtidas, possvel avaliar a dinmica
4
dos processos correspondentes, identificando os problemas existentes e efetuando as
correes necessrias.
Feita essa contextualizao, destaca-se que o entendimento das leis mais gerais
que governam a distribuio de gua no planeta essencial para o seu uso racional e
proteo. Mais especificamente, o estudo e modelagem dos processos fsicos que
compem o ciclo hidrolgico so parte fundamental da cincia hidrolgica.
Adicionalmente, pode-se compreender a bacia hidrogrfica como a unidade onde so
modelados os processos fsicos ou como a unidade de gesto dos recursos hdricos. Na
prxima seo, so abordados os princpios da modelagem hidrolgica.
2.2 - Modelagem Hidrolgica
A busca constante de um equilbrio entre desenvolvimento e meio ambiente deve

ser uma meta permanente a ser atingida pela sociedade. Uma bacia hidrogrfica, apesar
de suas variadas caractersticas topogrficas, geolgicas, climticas e diversidade de sua
utilizao, representa um clssico exemplo de ecossistema, onde as relaes entre o
homem e a natureza merecem ser estudadas e entendidas.
Atualmente, no mais aplicvel a ao emprica e isolada na resoluo e

tomada de deciso acerca dos problemas que provocam direta ou indiretamente
impactos, conflitos e degradaes ao meio ambiente, sendo essencial o desenvolvimento
de uma viso holstica na identificao e abordagem das variveis pertinentes a um
estudo ambiental e, mais especificamente, sob a tica do gerenciamento de recursos
hdricos em uma bacia hidrogrfica. A preservao da qualidade ambiental em uma
bacia hidrogrfica altamente desejvel, no s ao bem estar e segurana do homem
como de todos os seres vivos que vivem em parceria naquela rea.
O planejamento urbano e regional no contexto de bacias hidrogrficas constitui

um desafio, pois a ocupao no ordenada dessas reas, principalmente em regies
metropolitanas, acarreta inmeras alteraes ambientais que, em ltima anlise, afetam
milhares de habitantes. Dentre tais alteraes, destaca-se a modificao do regime
hdrico de microbacias e macrobacias, com o conseqente agravamento do problema de
enchentes.
5
Um tema fundamental nas pesquisas atuais de modelagem hidrolgica como
tratar o problema da heterogeneidade nos sistemas hidrolgicos. Por muitos anos,
hidrlogos tm adotado diferentes esquemas de representao dos processos fsicos em
seus modelos, com pouco entendimento de seus efeitos.
Na literatura, segundo Yevjevich (1971), existem duas grandes correntes de

modelagem hidrolgica: modelos estocsticos e modelos deteminsticos. Chow (1964)
conceitua modelos estocsticos quando probabilidade de ocorrncia das variveis
levada em conta e o conceito de probabilidade introduzido na formulao do modelo.
Por sua vez, os modelos determinsticos passaram a ser denominados, mais
recentemente, como conceituais. No texto que segue, dada nfase aos modelos
conceituais do tipo chuva-vazo.
Os modelos hidrolgicos conceituais do tipo chuva-vazo procuram representar

os fenmenos fsicos em uma bacia hidrogrfica com o objetivo de melhor entender o
ciclo global e simular efeitos como os causados pelas inundaes, mudana na cobertura
do solo, desmatamento, poluio, eroso do meio natural, entre outros. O progresso
nessa rea tem sido atingido atravs do desenvolvimento e uso de duas grandes classes
de modelos: concentrados e distribudos. Contudo, muitos tpicos permanecem em
aberto para discusso, tais como a melhora nas fontes de dados, calibrao, validao,
parametrizao e escalas de alimentao e operao desses modelos.
Nos ltimos anos, grande esforo tem sido dedicado na melhor compreenso da
fase terrestre do ciclo hidrolgico atravs de trabalhos experimentais e modelagem
matemtica. Segundo Doodge (1986), a maioria dos problemas que surgem na
modelagem hidrolgica de bacias hidrogrficas no se enquadra no contexto da
mecnica analtica ou da mecnica estatstica. Na verdade, o estudo hidrolgico de
bacias hidrogrficas situa-se na categoria de sistemas complexos com algum grau de
organizao.
Os processos hidrolgicos podem ser analisados com base na hidrulica e na

fsica do solo, mas o elevado grau de variabilidade espacial em bacias hidrogrficas de
diferentes tamanhos sugere problemas srios na especificao de parmetros. Beven
(1989) se preocupou com o tratamento do problema de excesso de parmetros na
modelagem hidrolgica. Jakeman e Hornberger (1993) abordaram o problema da
6
parametrizao em excesso atravs de um referencial estatstico, definindo em que nvel
os dados de entrada limitam a complexidade de modelos hidrolgicos do tipo chuva-
vazo. Larsen et al. (1994) estudaram o problema da similaridade de processos de
escoamento superficial entre bacias, alm do uso de parametrizaes adimensionais para
quantific-los. Mais recentemente, Clarke (2002) apresentou um artigo de reviso sobre
mtodos estocsticos utilizados em hidrologia nos ltimos trinta anos, perodo no qual a
potncia e disponibilidade de computadores cresceram rapidamente, tornando possvel
utilizar mtodos de modelao e simulao de sries temporais em que aplicaes
anteriores eram muito limitadas.
O uso de mtodos estocsticos para a estimao da freqncia de ocorrncias de

eventos extremos no futuro, como enchentes e secas, baseado na suposio de que os
processos hidrolgicos tenham carter estacionrio, no sentido de que os registros da
precipitao e vazo, obtidos no passado, possam ser empregados para estimar
freqncias futuras. Sharma et al. (2000) desenvolveram uma estrutura para previso
probabilstica de chuva na Austrlia, usando informaes hidroclimticas e Singh e
Woolhiser (2002) apresentaram uma ampla reviso de modelagem hidrolgica atravs
do tempo incluindo uma tabela com aproximadamente 50 modelos hidrolgicos mais
conhecidos no mundo e respectivas referncias. O trabalho aborda temas tradicionais
como classificao, calibrao de modelos, questes de escala e variabilidade espacial.
Alm disso, so avaliadas novas perspectivas de desenvolvimento como a aquisio de
dados via sensoriamento remoto, integrao com sistemas de informaes geogrficas
(SIGs), redes neurais (algoritmos genricos), anlise de erros e acoplamentos com
modelos de qualidade de gua.
Apesar de todo esse esforo, a definio das variveis associados com processos
fsicos, tal como infiltrao, utilizada em modelos hidrolgicos, permanece um
problema em aberto. Em funo da grande variabilidade espacial de muitas das
variveis envolvidas como chuva, topografia, propriedades fsicas do solo e vegetao,
os hidrlogos usualmente recorrem a modelos genricos do sistema hdrico sem
referncia estrutura mais detalhada dos componentes dos processos fsicos envolvidos.
A natureza da operao do sistema inferida a partir das observaes de entrada e de
sada, por meio de algum processo de ajuste do modelo.
7
Talvez a propriedade mais importante de um modelo matemtico seja o grau de
representao dado s variaes espaciais e temporais nas variveis de entrada e sada.
Pode-se, ento, estabelecer as diferenas entre um modelo concentrado e um modelo
distribudo. Enquanto, nos modelos concentrados, assume-se que os parmetros e
variveis variam somente com o tempo, define-se modelos distribudos como aqueles
em que os parmetros e variveis variam tanto no espao quanto no tempo.
No passado, seguindo Beven e OConnell (1982), modelos concentrados de uma

natureza fsica/semi-emprica tm se constitudo no tipo mais comum. Esses modelos
no tm necessariamente permitido aumentar a compreenso dos sistemas sob anlise,
nem os parmetros desses modelos possam obrigatoriamente uma base fsica slida.
Contudo, esses modelos ainda tm um importante papel nas aplicaes de engenharia.
Mais recentemente, o foco tem sido alterado em direo ao desenvolvimento de

modelos hidrolgicos espacialmente distribudos. Beven e OConnell (1982)
propuseram algumas reas nas quais modelos distribudos fisicamente embasados
poderiam ser aplicados, tais como mudanas na bacia hidrogrfica, entradas e sadas
espacialmente variveis, movimento de poluentes e sedimentao atravs da bacia e
previso da resposta hidrolgica de bacias hidrogrficas no monitoradas.
Neumann e Schultz (1989), por exemplo, propuseram um modelo distribudo

que teria como unidade fundamental o pxel que representa a resoluo da imagem.
Considerando que a resoluo de uma imagem Landsat de 30 m, conclui-se que o
nmero de unidades hidrolgicas de um modelo dessa natureza inviabilizaria a sua
aplicao para bacias reais. A agregao de unidades menores em unidades
representativas constitui-se, portanto, em um passo importante para permitir o uso de
um modelo distribudo em bacias reais. Refora-se, nesse sentido, a importncia da
discusso sobre a questo da escala dos dados, do modelo e da conseqente assimilao
dos dados pelo modelo.
Outro enfoque, no que concerne a trabalhos na rea de modelagem distribuda,

tem sido a abordagem da incerteza nas vazes produzidas por um modelo hidrolgico a
partir das variabilidades presentes nos dados hidrolgicos temporais e espaciais. A ttulo
de ilustrao, Xavier (2002) utilizou o modelo hidrolgico Topmodel para analisar o
comportamento das vazes geradas em uma sub-bacia do rio Iguau, Rio de Janeiro,
8
tendo como entrada campos de precipitao obtidos por meio da gerao de campos
aleatrios. O autor explora o efeito de diferentes densidades de redes de postos
pluviomtricos nas vazes geradas pelo modelo Topmodel.
Singh e Woolhiser (2002) fazem uma reviso sobre os modelos hidrolgicos do

tipo chuva-vazo, tratando de vrios aspectos da modelagem hidrolgica distribuda.
Entre esses tpicos, os autores destacam o uso do sensoriamento remoto e sistemas de
informao geogrfica com nfase nas variabilidades espaciais e temporais dos
processos fsicos que ocorrem na bacia hidrogrfica.
Para a escolha de um modelo chuva-vazo, devem ser discutidas a calibrao, a

validao e a aplicao do modelo. O maior problema a seleo de um modelo
apropriado para uma particular bacia hidrogrfica, ou seja, a capacidade do modelo em
reproduzir adequadamente os vrios aspectos dos hidrogramas de sada que so de
interesse do hidrlogo. A fase da calibrao o processo de simulao onde os
parmetros devem ser identificados e estimados, e pode ser classificada em dois tipos:
calibrao manual e calibrao automtica, onde esta ltima uma metodologia de
estimao automtica dos parmetros, abrangendo aspectos importantes relativos
funo objetivo, procedimento de otimizao e dados de calibrao. A fase de validao
utiliza o modelo j calibrado, com dados diferentes daqueles usados no ajuste.
Validao e calibrao esto intrinsecamente ligadas. A ltima fase a aplicao, onde
o modelo utilizado para representar situaes em que se desconhece a sada do
sistema.
ODonnel e Canedo (1980) apresentaram algumas incertezas que ocorrem na

modelagem de bacias hidrogrficas:
registro de dados
erros na coleta de dados brutos;
informaes pontuais so tomadas como mdias espaciais;
informaes contnuas so referenciadas por mdias temporais;
processos de estimao para variveis no diretamente observadas (ex:

evaporao);
9
estrutura do modelo
conhecimento imperfeito dos processos fsicos que ocorrem na bacia;
aproximaes introduzidas na representao dos processos fsicos;
substituio de propriedades variveis espacialmente na bacia por valores

concentrados (ex: capacidade de infiltrao);
tratamento de processos que ocorrem simultaneamente como se cada um

desses processos ocorresse isoladamente;
omisso de alguns processos que ocorrem, dado que no atendem o objetivo

de uma certa modelagem;
calibrao do modelo
escolha da funo objetivo;
tamanho da amostra a ser utilizada na fase de ajuste do modelo;
variabilidade que pode afetar o processo de calibrao em virtude do uso de

diferentes amostras;
critrios para declarar convergncia dos parmetros no processo de

otimizao;
dificuldades na estimao adequada dos parmetros.
Essas incertezas esto associadas a dois componentes que podem ser

identificados no modelo conceitual chuva-vazo. O primeiro representa o balano do
nvel de gua no solo (produo de escoamento) e o segundo, a transferncia de
escoamento na bacia.
A estrutura do modelo conceitual chuva-vazo definida, pois, a partir dos

fatores fsicos que influenciam a formao do escoamento. Uma equao ou sub-modelo
definido para cada um desses fatores, e, ao final, esses modelos so reunidos de
acordo com uma representao simplificada, no nvel da bacia, do processo de
10
transformao da chuva em vazo. Muito freqentemente, esses sub-modelos so
caracterizados pela ausncia de informao espacial. Quando essa informao um
dado de entrada, a variabilidade espacial pode ser sumarizada na funo de
probabilidade, procurando representar o padro real (Moore e Clarke, 1981; Moore,
1985).
O modelo de STANFORD (Crawford e Linsley, 1966), entre outros, um

exemplo em que a informao espacial sumarizada de forma probabilstica. No caso
do modelo de STANFORD, uma propriedade varivel dentro da bacia a capacidade de
infiltrao, e a correspondente lei de probabilidade a funo distribuio uniforme.
Outros exemplos so o modelo ARNO (Todini, 1996) e o modelo

XINANJIANG (Zhao, 1977), onde a propriedade de capacidade de armazenamento do
solo tratada no que concerne a variabilidade espacial, medindo a relao entre
precipitao e escoamento superficial.
Um modelo bastante citado na literatura o Topmodel (Beven et al., 1995), que

tem se destacado na comunidade hidrolgica por combinar parcimnia no nmero de
parmetros com um certo carter fsico. Uma importante contribuio desse modelo foi
a proposio e incorporao, no processo de modelagem hidrolgica, do conceito de
reas dinmicas de contribuio. No modelo Topmodel, a bacia representada por meio
de uma funo distribuio do ndice topogrfico, obtida a partir de suas caractersticas
topogrficas. A bacia representada como composta por um nmero definido de sub-
bacias homogneas, correspondentes ao nmero de classes de ndice topogrfico
adotado. A condio de saturao de cada uma dessas sub-bacias verificada em funo
de suas condies iniciais e dos dados de entrada. Atravs do perodo considerado na
modelagem, pode-se acompanhar a evoluo do percentual de reas saturadas na bacia
hidrogrfica..
No caso desta dissertao, h especial interesse de melhor compreender e

modelar a variabilidade espacial e temporal da chuva, permitindo o estudo de simulao
com modelos chuva-vazo distribudos.
11
Variabilidade espacial e temporal da chuva.
Chuva uma varivel de entrada que ativa o escoamento e o transporte de massa

nos sistemas hidrolgicos, requerendo esforos para melhor entender a sua variabilidade
espacial e temporal. Em recentes pesquisas, h um forte desejo de incorporar
fisicamente caractersticas espaciais e temporais da chuva dentro dos modelos
estocsticos. Modelos de processo pontual tm sido o foco de considervel ateno e
cuidado (Foufoula-Georgiou and Guttorp, 1987; RodriguezIturbe et al., 1987 a, b;
Entekhabi et al, 1989; Cowpertwait, 1991), que procuram caracterizar a intermitente
estrutura temporal de chuva por meio de tempestades e clulas de chuva. Cowpertwait
et al. (1996a) analisaram a desempenho da calibrao de um modelo hidrolgico em
funo de postos pluviomtricos disponveis na Inglaterra. Os parmetros desse modelo
so, ento, regionalizados (Cowpertwait et al., 1996b), provendo uma base para gerao
de dados sintticos ou computacionais, que so nmeros aleatrios seguindo uma certa
distribuio de probabilidade ou preservando alguns momentos das sries, nos locais
no medidos.
A caracterizao da estrutura temporal altamente varivel da chuva em um nico

ponto parte do problema. O escopo da modelagem de chuva, tanto no espao quanto
no tempo, mais complexo. Embora algum progresso tenha sido feito na formulao de
modelos de campo de precipitao (Waymire et al., 1984), o principal obstculo para a
aplicao ser bem sucedida nos modelos a estimativa de parmetros (Sivapalan e
Wood, 1987). No artigo de Shah et al (1996a), um modelo simples de campo de chuva
formulado e calibrado para uma pequena bacia inglesa, conectada com o Sistema
Hidrolgico Europeu (SHE) para explorar a interao entre a variabilidade espacial da
chuva e efeito da bacia (Shah et al., 1996b). Um complexo modelo de campo de
precipitao introduzido por Mellor (1996), em que a principal caracterstica estrutural
da chuva frontal modelada explicitamente. Estimativas de parmetros so realizadas
tendo em vista as dinmicas de clulas de chuva e bandas de chuva nas imagens de
radar. Os algoritmos para estimar parmetros de clulas de chuvas e bandas de chuva
so descritos por Mellor e O Connel (1996) e Mellor e Metcalfe (1996),
respectivamente.
As relaes entre variabilidades espaciais de chuva e seus efeitos sobre as bacias

tm sido investigadas conduzindo-se experimentos com modelos espao-temporais de
12
chuva, estocsticos e fsicos. Esse trabalho conduz a uma abundncia de modelos
matemticos desde o tipo mais simples de chuva-vazo at os modelos distribudos,
fisicamente mais complexos, tal como o Sistema Hidrolgico Europeu (SHE) (Abbott et
al; 1986 a, b; Bathurst, 1986 a, b).
Modelagem Estocstica de Chuva no Tempo e Espao
A estrutura espacial ou coerncia da chuva depende da estrutura espacial de

tempestades e da escala de tempo na qual o processo de chuva observado. Estruturas
de tempestade podem ser, de maneira geral, classificadas em trs diferentes escalas de
espao (Raidkivi, 1979):
(1) a microescala ou escala convectiva, a qual a menor e consiste,

primeiramente, em clulas convectivas medidas na escala de alguns quilmetros;
(2) a mesoescala, onde clulas convectivas so produzidas em um determinado

perodo de tempo, em que crescem, elevam-se e decaem;
(3) a escala sinptica, que descreve sistemas de tempestade associados com

sistemas frontais (ciclnicos) e centros de baixa presso, abrangendo uma dimenso da
ordem de cem quilmetros de tamanho.
Na perspectiva do tema tratado nesta dissertao, supe-se que chuvas

observadas na rea sujeita a tempestades convectivas localizadas exibiro uma estrutura
de correlao espacial mais fraca, enquanto movimentaes frontais, por outro lado,
apresentaro uma estrutura de correlao espacial mais bem definida, uma vez que o
intervalo temporal, durante o qual observa-se a chuva, maior. Destaca-se que totais
pluviomtricos mensais e anuais tendem a ser mais fortemente correlacionadas no
espao do que precipitaes observadas diariamente em intervalos curtos de tempo,
refletindo a influncia da agregao temporal na anlise de tempestades. Por outro lado,
a estrutura de correlao temporal tende a se enfraquecer na medida que os intervalos
considerados na amostragem de chuva cresam.
Procurando caracterizar o comportamento da chuva no tempo e no espao, vrias

abordagens de modelagem estocsticas tm sido adotadas, e podem ser classificadas
como (Rhenals Figueredo et al., 1974):
13
(1) modelos de chuva pontuais - caracterizam uma srie temporal de chuva (por
exemplo, de hora em hora, diariamente) em um nico ponto baseados, desse modo, nas
observaes de chuva nos pluvimetros que levam em conta o correspondente intervalo
de tempo ( Cowpertwait et al., 1996 a, b);
(2) modelos de chuva multivariados - consideram vrios pluvimetros

simultaneamente e tendem a preservar a estrutura de correlao do histrico das chuvas
pontuais; freqentemente, depois da transformao dos dados, assume-se a distribuio
normal multivariada; utiliza-se tal modelo de gerao de chuvas para a simulao de
Monte Carlo;
(3) modelos de campo de chuva multidimensionais - procuram caracterizar a

estrutura estatstica da chuva em algum ponto da rea interesse, e no somente nos
locais onde esto os pluvimetros.
O trabalho mais antigo de campo de precipitao visando modelagem estocstica

foi efetuado, possivelmente, por Amorocho e seus colaboradores (Amorocho e Slack,
1970; Amorocho e Morgan, 1974, Amorocho e Wu, 1977). Eles procuraram reproduzir
a principal caracterstica de tempestade frontal extratropical, como descreveu Houze et
al. (1976) na simulao de chuva em que clulas so originadas de acordo com o ponto
espacial; as velocidades, forma e ciclos de vida das clulas so descritas por funes
aleatrias. Brs e RodriguezIturbe (1976) adotaram o mesmo mecanismo na
abordagem em que a dependncia espacial e temporal da chuva descrita atravs da
funo de correlao espao-temporal. Segundo esse enfoque, a correlao no espao
assumida ser equivalente correlao no tempo na medida que o tempo pode ser
transformado em espao ou movimento espacial na direo do movimento da
tempestade. Isso concorda com a hiptese de Taylor para turbulncia. Assim, a
precipitao de tempestade pode ser descrita por uma estrutura temporal no-
estacionria permitindo a mdia e varincia da chuva variar como uma funo do tempo
em todos os pontos do espao (Brs e Rodriguez Iturbe, 1976).
Gupta e Waymire (1979) efetuaram maior anlise terica de modelos de campo

de precipitao e Waymire et al. (1984) apresentaram um modelo de campo de
precipitao multidimensional que incorpora muitas caractersticas fsicas observadas na
tempestade ciclnica extratropical, como, por exemplo, grade de clulas de chuva,
14
origem das clulas e decaimento, atenuao da intensidade da clula de chuva no tempo
e espao e movimento relativo das clulas. Eles mostraram que o comportamento da
funo covarincia espao-temporal dos seus modelos so consistentes com a hiptese
de Taylor.
Kavvas e Puri (1983) e Kavvas et al. (1987) desenvolveram um modelo

estocstico no-homogneo no espao-tempo para campos de precipitao ciclnico nas
escalas sinptica e de mesoescala, a partir de observaes de radar meteorolgico sobre
o continente dos EUA. Seus modelos procuram explicar as seguintes situaes: (1)
comportamento, na escala sinptica, da tempestade ciclnica, incluindo origem,
trajetria de movimento e dissipao; (2) estrutura organizacional, na escala sinptica,
das reas de sub-sinptica, abrangendo bandas de chuva e clulas de chuva dentro da
tempestade ciclnica; (3) o comportamento das reas de precipitao sub-sinptica em
termos de nascimento, evoluo espacial, movimentos e dissipao.
O uso de projees climatolgicas e previses meteorolgicas tem crescido

significativamente em estudos de estimativa de impacto hidrolgico, tais como
prognstico de escoamento sazonal ou a nvel de escala de tempo interanual (Leung et
al., 1996, 1999; Miller e Kim., 1996; Kim et al, 1998, 2000; Miller at al; 1999; Pereira
Filho et al., 1999b). Uma das tarefas mais crticas na previso hidrolgica o
prognstico da probabilidade de eventos extremos, como, por exemplo, inundaes ou
estiagens que ocorrero durante o perodo de previso. Preciso no prognstico de tais
eventos hidrolgicos , entretanto, extremamente difcil em funo de padres de
ocorrncia de terrenos complexos, dependendo no somente da quantidade de chuva,
mas tambm da seqncia temporal, ambos afetando as condies antecedentes de
umidade do solo. Entender os mecanismos e interaes envolvidos em tais sistemas
hidroclimticos constitui um desafio fundamental nas reas de pesquisa hidrolgica e de
cincias atmosfricas (Entekhabi et al., 1999).
Previso de chuvas utilizando modelos hidrolgicos conceituais ou estocsticos

requer dados de entrada de precipitao a nvel dirio ou em escalas de tempo menores.
Uma alternativa que est sendo estudada o emprego de seqncias dirias de eventos
de chuvas oriundas de previses de clima regional. Entretanto, essas sries temporais
apresentam preciso menor que as taxas de valores mensais ou valores obtidos nas
escalas de tempo sazonais (Kim et al., 2000).
15
No contexto de previso de inundao em tempo real, importante ainda
destacar que se trata de assunto de interesse a anlise de propagao de ondas de
inundao em bacias hidrogrficas, isto , a previso em tempo real de vazo e valores
de nvel de gua em sees dos rios correspondentes. Esse tema bastante discutido na
literatura de hidrulica de rios , incluindo esquemas de modelagem unidimensional ou
bidimensional (Mascarenhas e Miguez, 2002), que envolvem duas equaes diferenciais
parciais, usualmente chamadas de equaes de Saint Venant. No caso de parmetros
constantes, a soluo dessas equaes pode ser representada pela soma de ondas
senoidais, segundo Puppini (1947), Supino (1965) e Ponce e Simons (1977). Em casos
reais, a variabilidade dos parmetros no pode ser descuidada; para resolver as equaes
de Saint Venant, muitos mtodos numricos tm sido propostos e correntemente usados.
Para estudos de inundao em tempo real nas bacias hidrogrficas, esses modelos
completos so, muitas vezes, simplificados para emprego no procedimento de previso,
como apontado por Cunge et al. (1980) e mostrado por Kraijenhoff e Moll (1986).
Entre os modelos simplificados propostos para o estudo de inundao, esto os

modelos hidrulicos obtidos por meio de aproximao da equao de quantidade de
movimento, dando origem a modelos chamados de cinemtico ou adveco/difuso.
Adicione-se, a esses modelos hidrulicos, os modelos hidrolgicos. Como foi apontado
por Cunge et al. (1980), o uso de modelos simplificados pode enfrentar dificuldades na
aplicabilidade. Por exemplo, nos modelos hidrolgicos, os parmetros no so
claramente identificados com as caractersticas fsicas do canal e so estimados por
meio de calibrao automtica. Por outro lado, em modelos hidrulicos simplificados,
Cunge et al. (1980) destaca que esse tipo de simplificao apresenta um melhor
desempenho na descrio da propagao de inundao ao longo de rios com declive
ngreme, mas apresenta limitaes quando a superfcie livre longitudinal do declive
pequena, no estando bem clara, em alguns casos, a fronteira de aplicabilidade e bom
desempenho quando comparam-se mtodos completos e mtodos simplificados.
2.3 - Sensoriamento Remoto e Modelagem Hidrololgica
Sensoriamento remoto significa medir uma vaivel distncia sem toc-lo,

envolvendo dois aspectos: a tecnologia de adquirir os dados atravs de um instrumento
16
que est afastado do objeto e a anlise dos dados para interpretar os atributos fsicos do
objeto.
Segundo Gupta (1991), sensoriamento remoto significa a aquisio de dados de

radiao eletromagntica, situada na faixa de comprimento de onda entre 0,4m e
30cm, a partir de sensores colocados em torres, plataformas areas ou espaciais e
interpretao das caractersticas dos objetos terrestres. Observaes de satlite so
disponveis em escalas continentais e at hemisfricas (Clark, 1983). O espectro
eletromagntico a ordenao das radiaes eletromagnticas de acordo com os
comprimentos de onda ou, em outras palavras, freqncia ou . O espectro usualmente
apresentado entre raios csmicos e ondas de rdio, com as partes intermedirias
contituindo os raios gama, raios X, ultravioleta, visvel (VIS), infravermelho prximo
(NIR), infravermelho intermedirio (MIR), infravermelho afastado (FIR) e microondas
(Figura 2.1). O espectro eletromagntico entre comprimentos de onda de 0.02 m a 1 m
pode ser dividido em duas partes principais: faixa tica e faixa de microondas. A faixa
tica se refere quela parte do espectro eletromagntico em que fenmenos ticos de
reflexo e refrao podem ser utilizados para anlise da radiao. Essa faixa se estende dos
raios X (=0.02 m) passando pelo visvel e incluindo o infravermelho afastado (=1
mm). A regio de microondas compreende a faixa de comprimentos de onda de 1 mm a
0.8 m.
Figura 2.1- Espectro eletromagntico (fonte: Collier, 1989)

No sensoriamento remoto, cada tipo de objeto reflete, absorve ou emite uma
certa intensidade de luz, em diferentes faixas de comprimentos de ondas/freqncias
dependendo dos atributos fsicos ou da composio do objeto em estudo. Com a
informao de uma ou mais faixas de comprimento de ondas, h possibilidade de
diferenciar tipos de objetos e mapear a sua distribuio, seja no ar, solo ou na gua.
17
O sensoriamento remoto em hidrologia avaliado como uma abordagem vivel
para o estudo da variabilidade espacial de propriedades fsicas da bacia hidrogrfica,
uma vez que os dados bsicos so espaciais por natureza. Essa nova base de dados um
dos elementos essenciais no desenvolvimento de novos modelos hidrolgicos
distribudos com base fsica.
O estado da arte em pesquisa na rea de sensoriamento remoto correspondente

alimentao de modelos hidrolgicos distribudos pode ser resumido como segue:
- aplicaes na determinao da cobertura do uso do solo de uma bacia

hidrogrfica baseada na poro do visvel e do infravermelho do espectro
eletromagntico;
- medidas na faixa de microondas do espectro eletromagntico aplicadas na

identificao de gua.
Link(1983) relaciona um resumo dos avanos na rea de sensoriamento remoto

aplicada modelagem hidrolgica.
Apesar do progresso realizado atravs de estudos que envolvem dados de

sensoriamento remoto, h um nmero limitado de modelos hidrolgicos que tm sido
usados, com sucesso, acoplados a essa nova base de dados.
Jackson et al. (1977) utilizou informao de cobertura do uso do solo, adquirida

a partir de imagem Landsat, para estimar coeficientes de escoamento superficial para o
modelo STORM (U.S. Army Corps of Engineers, 1976). Os autores concluram que,
exceto para bacias muito pequenas, a concordncia entre simulaes hidrolgicas feitas
com base em formas convencionais de definio do modelo e simulaes feitas com
base em modelos alimentados por imagens Landsat bastante boa e aceitvel para
estudos de planejamento em bacias hidrogrficas. Adicionalmente, os autores revelam
que redues significativas em custo, associadas com o desenvolvimento de
mapeamento da cobertura de uso do solo e estimativa de parmetros para modelos
hidrolgicos de planejamento, podem ser obtidas atravs do uso de imagens Landsat.
Tanto Ragan e Jackson (1980) quanto Harvey e Solomon (1984) utilizaram cobertura e
uso do solo obtida por sensoriamento remoto para estimar a curva nmero relacionada a
escoamentos superficiais como entrada para o modelo do Soil Conservation
18
Service(SCS). Em ambos os estudos, imagens Landsat foram utilizadas para estimar a
cobertura e uso do solo. Em ambos os casos, os resultados obtidos por meio do
sensoriamento remoto foram aceitveis com valores de curva nmero definidos com
base em cartografia convencional (SCS, 1972).
Em um outro estudo, Webb et al (1980) mostraram que os percentuais de

classificao de cobertura do uso do solo derivados com base em imagens Landsat eram
bastante aceitveis para os propsitos de modelagem hidrolgica. Na pesquisa realizada
por Rango et al (1983), cobertura do uso do solo obtida por meio de dados
convencionais e imagem Landsat foram fornecidas ao modelo HEC-1 (U.S. Army
Corps of Engineers, 1981) para gerar curvas de freqncia de descarga. As diferenas
nos resultados foram consideradas insignificantes. Tambm chegaram concluso de
que, para bacias maiores do que 26 km2, a abordagem envolvendo imagem Landsat era
mais eficiente em termos de custo.
Fortin et al. (1986) forneceu um exemplo da aplicao da cobertura do uso do

solo para previses de enchentes no modelo CEQUEAU. Simulaes feitas com
imagem Landsat deram resultados similares ou melhores do que dados cartogrficos
convencionais. Tao e Kouwen (1989) compararam duas alternativas, com e sem
imagem Landsat, usando o modelo WATFLOOD (Kouwen, 1988) em bacia
hidrogrfica discretizada por uma malha de 10 km X 10 km. Dados horrios de chuva
foram utilizadosempregados. O modelo foi utilizado em dois modos: concentrado, sem
imagem Landsat, e distribudo, com imagem Landsat. Os resultados indicam um
melhora na estimativa do hidrograma de cheia com o segundo modelo.
Estudos realizados por Abreu (2000) e Ribeiro et al. (2000) abordam o problema
do mapeamento da cobertura do solo e o problema da deteco de mudanas nessa
cobertura por meio do uso de imagens Landsat obtidas para a bacia hidrogrfica dos rios
Iguau e Sarapu, Rio de Janeiro, Brasil.
Trabalhos relacionados ao mapeamento de neve (rea, profundidade e contedo

de gua) esto em andamento. Rango (1993) apresentou uma reviso dos estudos
desenvolvidos nessa rea. Exemplos de aplicaes desse tipo de mapeamento em
modelos hidrolgicos podem ser encontrados em Martinec e Rango (1986), Leavesley e
Stannard (1990) e Donald et al. (1995), entre outros.
19
Na rea de deteco de umidade do solo, a faixa de microondas do espectro
eletromagntico tem sido explorada com vistas aplicao em modelos hidrolgicos
(Schmugge et al., 1980; Jackson et al., 1981, Engman, 1990; Pietroniro, 1993; Rotunno,
1995). H dois modos importantes de utilizar a umidade do solo em modelos
hidrolgicos. reconhecido que a umidade inicial tem um importante papel na
definio do hidrograma (vazo ao longo do tempo) para eventos chuvosos. A segunda
forma consiste em se utilizar a umidade do solo em diferentes tempos para controlar e
corrigir o desempenho do modelo (Kuczera (1983a, 1983b)).
Finalmente, com respeito meduo de chuva, um grande esforo de pesquisa

tem sido feito para a anlise de dados de radar meteorolgico (Brandes, 1975; Creutin e
Obled, 1982; Collier, 1989; Messaoud e Pointin, 1990; Bhargava e Danard, 1994;
Barbosa, 2000). Aplicaes de dados de radar previso de vazes podem ser
encontradas em publicaes como Dalezius (1982), Garland (1986), Collinge e Kirkby
(1987), Collier (1989), Kouwen e Soulis (1993) e Pereira Filho e Crawford (1999).
No caso desta dissertao, so utilizados dados de radar meteorolgico, que

seguem os princpios do sensoriamento remoto.
Princpios do Radar
Radar um sistema eletromagntico para deteco e localizao de objetos. Seu

nome deriva das palavras radio detection and ranging. O princpio de operao de um
radar relativamente simples: um transmissor emite um pulso de energia
eletromagntica, o qual se propaga a partir de uma antena mvel. Tal sinal viaja com a
velocidade da luz e, ao encontrar um objeto parcialmente refletido, retornando ao
aparelho pela mesma antena, sendo, porm, pela atuao de um comutador automtico,
encaminhado para um receptor.(Ulaby, et al, 1986)
O sistema de radar baseado no princpio que a onda eletromagntica

propagada atravs do espao na velocidade da luz, 2,998 x 108 m/s, e ao longo de linha
reta. A variao dessa velocidade na atmosfera pequena, se for considerada a
distribuio do ndice de refrao mdia do meio atmosfrico atravs do qual a onda
propagada.
20
Por sua vez, a aplicao da tecnologia de radar meteorolgico tem sido motivo
de contnuo desenvolvimento desde que o radar se tornou disponvel h mais ou menos
40 anos. A maioria das aplicaes de radar so para detectar partculas de nuvens,
chuvas, flocos de neves e partculas de gelo.Existem, no entanto, outras
aplicaes,como, por exemplo, o uso do radar Doppler para medir turbulncia,
velocidade de ventos e velocidade de ondas do mar (Battan, 1973).
A intensidade do eco medida por um sistema de radar obtida eletronicamente

pela medida da energia que retorna. Pode-se tambm observ-la, juntamente com a
posio espacial do alvo, de maneira visual, atravs dos chamados indicadores do radar:
o indicador de posio do plano (PPI) e o indicador de distncia-altura (RHI). O
primeiro deles mostra os ecos em um plano quase horizontal, constituindo-se, em
termos prticos, em uma espcie de mapas dos alvos na horizontal. O segundo obtido
pela rotao da antena em um plano vertical, captando, conseqentemente, informaes
sobre o alvo segundo essa direo.
A relao terica entre as caractersticas da partcula atingida e a quantidade de

energia que retorna antena do radar calculada baseando-se na teoria de Rayleigh, a
qual descreve o espalhamento de uma onda plana por uma esfera. Esta teoria vlida
para valores de um coeficiente menores que 0,13, sendo:
D g
= (2.1)

onde representa o comprimento de onda eletromagntica irradiada, e Dg o

dimetro da partcula atingida.
Fora dessa regio de validade, pode-se utilizar o equacionamento proposto pela

chamada teoria de Mie, o que geralmente evitado pelo fato do espectro ser
desconhecido dentro do volume iluminado.
A partir da teoria de Rayleigh, pode-se avaliar como uma gotcula ou gota de

gua espalha a energia eletromagntica que recebe. Constatou-se que parte da radiao
interceptada absorvida como calor pela gota e parte espalhada como energia
eletromagntica de mesmo comprimento de onda. A absoro pode-se constituir motivo
21
de perda de sinal (caso, por exemplo, dos radares de banda C), porm tende a
desaparecer para o caso de grandes comprimentos de onda.
A aproximao de Rayleigh leva definio de uma quantidade terica

proporcional energia de retorno e equacionada da seguinte forma:
2
5 K Dg 6
= (2.2)
4
onde K2 uma funo do ndice de refrao do alvo, sendo aproximadamente

0,93 para chuva.
A quantidade denominada seo transversal de retroespalhamento de radar, a

qual se constitui em um fator de avaliao da natureza e do tamanho do alvo,
caracterizando-o de uma maneira especialmente til no clculo da energia do eco que
dever retornar do mesmo.
Quando se considera toda a regio coberta pelo feixe do radar, a energia mdia
que retorna das partculas atingidas expressa por:
Pr =
C1
r 2 Dg 6
unid.devol.
(2.3)
onde r a distncia alvo-radar e C1 uma constante que engloba um fator

numrico e vrios parmetros especficos de cada equipamento (comprimento de onda
da energia emitida, forma e largura do feixe, comprimento do pulso, potncia
transmitida, ganho da antena, entre outros).
Atravs das equaes consideradas, verifica-se que o comprimento de onda

empregado pelo radar define o limite inferior do tamanho das partculas detectveis pelo
sistema. Adicionalmente, observa-se que radares com pequeno tem seu uso
restringido em funo da atenuao do feixe do radar e, em outras palavras, da energia
propagada.
Isto pode ser explicado pelo fato de que os fatores das partculas medidas por
um radar de pequeno so muito maiores do que os medidos por um radar de grande.
Portanto, uma percentagem significativa da energia do feixe pode ser absorvida e
22
dispersada pelas partculas. Assim, quando o feixe de um radar de pequeno atravessa
uma tempestade, sua energia total diminuda ou atenuada, de tal forma que a qualidade
das estimativas geralmente prejudicada.
O valor de Dg6 , por convenincia referido como fator de refletividade,

representado usualmente pela letra Z. Caracteriza-se, desta forma, claramente, o fator de
refletividade de radar como sendo proporcional sexta potncia dos dimetros das
gotas, desde que satisfeitas as condies de validade da teoria de Rayleigh.
No caso de gotas em que a relao entre os dimetros e o comprimento de onda

no mais atendem a condio de espalhamento de Rayleigh, define-se um fator de
refletividade efetivo:
4 unid .devol.
Zef = 2
(2.4)
5 K
Verifica-se, todavia, que para a grande maioria das precipitaes o dimetro das
gotas pequeno em relao ao comprimento de onda do radar. Assim, para
comprimento de onda de radiao igual ou superior a 5 cm, a lei de Rayleigh
aplicvel, pelo que basicamente utilizado em hidrometeorologia com radar, o fator de
refletividade Z, o qual comumente expresso em mm6.m-3 ou em dBZ, sendo:
[(
Z (dBZ ) = 10 log Z mm 6 m 3 )] (2.5)
O fator Z proporcional energia mdia de retorno Pr e pode ser precisamente
calculado a partir de Pr. Uma tarefa que tem sido atribuda queles que trabalham com
radar meteorolgico, relacionar o fator de refletividade Z com a intensidade de chuva
R.
Essa intensidade R pode ser expressa por:
R= N (D)
vol

6 D 3W t ( D ) dD (2.6)
23
onde:
N(D) nmero de gotas por unidade de volume e por unidade de dimetro.
Wt(D) velocidade terminal de uma gota;
massa especfica.
A relao ZR expressa por uma equao do tipo:
Z = a.R b (2.7)
onde os valores de a e b tm variado significativamente.
Os mtodos comumente empregados na obteno desses dois parmetros so:
a) comparao das informaes de postos pluviomtricos com as de radar; e,
b) medio direta do dimetro das gotas de chuva.
Encontra-se na literatura, um grande nmero de relaes ZR experimentais. A

tabela a seguir, apresenta algumas delas:
Tabela 2.1: Algumas equaes ZR encontradas na literatura ( fonte: Sauvageot, 1982)

Z = a . Rb a b Validade
Marshall & Palmer (1948) 200 1,6 Precipitaes homogneas e
eventos estratiformes
Jones (1956) 486 1,37 Precipitaes convectivas
Sekhon & Srivastava (1970) 1.780 2,21 Neve
A equao ZR mais comumente encontrada a de Marshall & Palmer, sendo

igualmente conhecida por relao ZR padro.
Para a maior parte dos estudos hidrometeorolgicos, faz-se necessrio obter

mapas horizontais de precipitao, que representem os valores de refletividade de radar
ou intensidade de chuva mdia em um determinado elemento de rea (pxel). Em geral,
24
os pxeis utilizados so quadrados (por exemplo, 2 km de lado), os quais fazem parte de
um sistema de malha cartesiano.
Um radar est calibrado do ponto de vista meteorolgico, se existe uma relao

ZR que permite avaliar, com certo grau de preciso, a chuva mdia que precipita sobre
determinada rea da bacia hidrogrfica. A calibrao meteorolgica de um radar uma
tarefa rdua. Um dos procedimentos usuais o de ajustar uma relao ZR, por meio de
informaes obtidas atravs de uma rede de postos pluviomtricos dispostos sobre a
bacia. Por melhor que seja a relao determinada com base em um posto pluviomtrico,
medida que se caminha no sentido do afastamento deste posto, a preciso da relao
ZR diminui. Baseado nesse fato, estudos foram realizados no intuito de quantificar tal
decrscimo na preciso da relao ZR com a distncia ao posto.
Verifica-se que ser to mais representativa a relao ZR em relao a chuva que

cai sobre uma bacia quanto mais postos essa possuir, isto , quanto mais densa for a
rede de postos pluviomtricos. Alm desses fatores, medida que o local de interesse se
afasta do radar, piora a qualidade das informaes registradas para avaliao da chuva,
atravs do fator de refletividade. Atualmente, j se tem empregado coeficientes de
correo nas relaes ZR, a fim de minimizar essas distores ocasionadas pela
alterao das informaes com a distncia alvo-radar.
Finalmente, existe ainda a possibilidade da ocorrncia de alguns eventos

meteorolgicos que, juntamente com os efeitos dos fenmenos de refrao, podem
resultar na produo, pelo radar, de informaes distorcidas, incorretas ou mesmo
falsas. Como exemplos desses fenmenos, pode-se citar:
a) tempestades com grande variabilidade em seu perfil vertical- esse um

fenmeno que pode resultar em estimativas ruins do valor precipitado, fato que se
agrava quando o feixe do radar intercepta uma chuva de pedra (granizo);
b) ocorrncia de precipitao ao longo do feixe e de gua sobre o

equipamento de radar -isso pode conduzir atenuao dos sinais;
c) formao de precipitaes a baixas altitudes (nevoeiros acentuados,

algumas nuvens menos elevadas)-tais precipitaes podem, eventualmente, no virem a
ser detectadas pelo feixe de radar;
25
d) fenmeno de propagao anmala -esse o efeito causado quando o
feixe intercepta uma camada de ar perto da superfcie do solo e esta possui um alto
ndice de refrao; como resultado, o feixe pode ser desviado e, at mesmo, interceptar
o solo;
e) presena de ventos laterais- esse fenmeno pode fazer com que uma
chuva observada do radar venha a acontecer em um local diferente do indicado pelo
aparelho; um fenmeno to mais significativo quanto mais baixa for a velocidade de
quedas das gotas em relao velocidade do vento.
2.4 - Abordagem Geoestatstica
Nesta pesquisa, foi adotado o referencial geoestatstico. A geoestatstica foi

utilizada, inicialmente, na soluo de problemas de geologia e minerao. Trata-se da
utilizao de tcnicas especficas, desenvolvidas na Escola de Minas de Paris
(Matheron, 1962-1963). Para tanto, o autor foi bastante auxiliado pelos trabalhos
estatsticos da escola sul-africana realizados em minas de ouro e urnio, que forneceram
uma extensa gama de conhecimentos experimentais.
A geoestatstica est baseada na teoria das variveis regionalizadas (Journel e

Huijbregts, 1993) que constituem uma funo definida em um domnio do espao. So
variveis em que os valores esto relacionados, de alguma maneira, com a posio que
ocupam no espao.
Mesmo tendo sua origem ligada a problemas especficos encontrados na

minerao, a geoestatstica, pela generalidade de seu desenvolvimento e por lidar com
dados distribudos espacialmente, pode ser utilizada criteriosamente na interpretao e
estudo de grande parte dos fenmenos que aparecem nos domnios das cincias da
natureza, como, por exemplo, na geologia, na geofsica, na engenharia florestal, na
cartografia e tambm na hidrologia.
Curran (1988) forneceu uma introduo sobre o uso de variogramas em

sensoriamento remoto e Jupp et al. (1988) consideraram as propriedades da covarincia
e os efeitos da regularizao em imagens modeladas pela regionalizao das variveis,
que so variveis aleatrias em que as posies no espao so conhecidas. Eles tambm
26
introduziram uma srie de ferramentas que permitem a construo das funes de
covarincia para elementos discretos. Jupp et al. (1989) aplicaram os primeiros
resultados em modelos simples de imagens e em imagens digitais delas obtidas, para
mostrar como a estrutura espacial de uma imagem depende da estrutura espacial
previamente obtida de uma cena. Woodcock et al. (1988a , 1988b) discutiram o uso de
variogramas para modelos simples de imagens do solo consistindo de reas alocadas
aleatoriamente em uma rea contnua. Eles tambm analisaram o processo de
regularizao e seu efeito nos variogramas. Seus resultados indicaram relaes diretas
entre diversos parmetros da imagem e o comportamento dos variogramas. Webster et
al. (1989) discutiram diferentes estratgias de amostragem para minimizar a varincia
de krigagem. Os autores queriam reduzir o nmero de amostras coletadas usando
imagens previamente obtidas da rea a ser amostrada. Eles tambm discutiram o
mapeamento da radiometria do solo usando krigagem.
Atkinson et al. (1992) usaram uma abordagem de cokrigagem com a radiao do

solo (como segunda varivel) para prever as seguintes variveis primrias: GLAI
(ndice de rea folicular) da cevada, biomassa seca e percentagem de cobertura de trevos
na pastagem. A varivel secundria usada nos trs experimentos foi o ndice de
vegetao normalizado NDVI (infravermelho prximo vermelho) / (infravermelho
prximo + vermelho). O objetivo foi estabelecer uma estratgia tima de amostragem
para alcanar a preciso desejada. De seus experimentos, os autores concluram que,
com o mesmo desempenho, a cokrigagem resultou em uma preciso em torno de trs
vezes maior que aquelas alcanadas com a krigagem univariada. Alm disso, os autores
sustentam que cokrigagem oferece uma tcnica econmica e operacional para utilizar a
reflectncia para estimar propriedades da superfcie da terra. Atkinson e Curran (1995)
estudaram o tamanho timo da regio para pesquisas com sensoriamento remoto
considerando imagens nas faixas do visvel e do infravermelho.
Abreu (2000) e Santos (2002) incorporaram estudos de correlao espacial na

classificao de uma imagem de satlite. Partindo de uma classificao inicial pelo
mtodo da mxima verossimilhana, no qual se admite independncia entre os pxeis da
imagem, foi realizada uma segunda anlise, incorporando-se a avaliao preliminar da
correlao espacial. Com isso, Abreu (2000) e Santos (2002) utilizaram o mtodo de
classificao NGLDM (mtodo matriz de tons de cinza vizinhos dependentes) e GLCM
27
(mtodo matriz de co-ocorrncia de tons de cinza), que incorporam a correlao
espacial do fenmeno.
A geoestatstica fornece, pois, uma estrutura para caracterizar a variabilidade

espacial de uma determinada varivel de interesse, e a precipitao a varivel de
interesse para este estudo. O presente trabalho d continuidade ao trabalho apresentado
em Barbosa (2000). A metodologia de krigagem bayesiana e de simulao condicional
por indicadores seqenciais, apresentadas no captulo a seguir, so elos de integrao
entre dados de radar e pluvimetros para estimativas de precipitao. Nobre (1992) e
Rotunno Filho (1995) empregaram o referencial geoestatstico em seus trabalhos
relacionados modelagem da condutividade hidrulica e da umidade do solo,
respectivamente.
Muoz Muiz (1991), por sua vez, trata da simulao de campos aleatrios de
precipitao, empregando estruturas de correlao espacial. Barbosa (2000) avalia a
distribuio espao-temporal da chuva atravs de um referencial geoestatstico. Dados
de chuva acumulada em uma hora, medidos pelo radar meteorolgico de So Paulo e
pela rede telemtrica localizada na bacia do Alto Tiet, foram submetidos a uma anlise
geoestatstica. Foram determinados variogramas de alguns eventos para serem
investigadas as variaes espaciais dos sistemas precipitantes.
28
3 - -METODOLOGIA
3.1 - Anlise Geoestatstica
Nesse estudo, decidiu-se explorar a presena ou no de uma estrutura de

correlao espacial. A abordagem utilizada foi o uso de tcnicas geoestatsticas (Journel
e Huijbregts, 1978), incluindo a construo de variogramas e covariogramas.
3.1.1 - Variveis Regionalizadas
Um fenmeno natural pode ser freqentemente caracterizado pela distribuio

espacial de uma ou mais variveis, chamadas variveis regionalizadas. A teoria
geoestatstica baseada no fato de que a variabilidade de todas as variveis
regionalizadas tem uma estrutura particular. Se z(x) o valor da varivel Z(x) no ponto
x, o problema representar a variabilidade da funo z(x) no espao (quando x varia).
Essa representao ser usada para resolver alguns problemas como a estimao do
valor z(xo) no ponto xo onde no h dados disponveis, ou estimar a proporo de
valores z(x), numa dada rea, que so maiores que um determinado limite.
A soluo geoestatstica consiste em interpretar cada valor z(xi) como uma

realizao particular da varivel aleatria Z(xi) no ponto xi. O conjunto dessas variveis
aleatrias auto-correlacionadas em um domnio D constitui uma funo aleatria. O
problema de caracterizar a variabilidade espacial de z(x) , ento, reduzido a
caracterizar as correlaes entre as vrias variveis aleatrias Z(xi), Z(xj) que
constituem a funo aleatria {Z(xi), x D}.
3.1.2 - Funo Variograma
Sejam dois valores z(x) e z(x+h), nos pontos x e x+h separados pela distncia h.
A variabilidade entre esses dois valores caracterizada pela funo variograma 2 (x,h),
que definida como a esperana da varivel aleatria [Z(x)-Z(x+h)]2, isto ,
2 (x,h) = E { [Z(x) - Z(x+h)]2 } (3.1)
29
O semivariograma definido como a metade do variograma. Ambas funes, em
geral dependem das posies x e x+h e correspondem ao caso no-estacionrio.
O variograma 2 (x,h) funo do ponto x e do vetor h. Assim, a estimao

desse variograma requer muitas realizaes, [zk(x) e zk(x+h)], [zk'(x) e zk'(x+h)],...,
[zk''(x) e zk''(x+h)], do par de variveis aleatrias [Z(x), Z(x+h)]. Na prtica, apenas uma
nica realizao [z(x) e z(x+h)] possvel, e essa realizao construda pelo par de
valores realmente medidos nos pontos x e x+h. Para superar esse problema,
introduzida a hiptese intrnseca de que a funo variograma 2 (x,h) depende somente
do vetor distncia h (mdulo e direo) e no do local x. Essa hiptese simplesmente a
hiptese de estacionariedade de segunda ordem das diferenas [Z(x)-Z(x+h)] (Journel e
Huijbregts, 1978).
Se a hiptese intrnseca assumida, o semi-variograma (h) e a funo de

covarincia C(h) so relacionados pela seguinte expresso:
(h) = C(0) C(h) (3.2)
onde C(0) a covarincia para o vetor de distncia zero, ou seja, C(0) igual
varincia 2 da varivel aleatria em estudo.
Outra maneira de representar a estrutura espacial de uma funo estocstica

por meio do clculo de um correlograma, que relaciona a covarincia varincia como
uma funo de h :
C ( h) ( h)
( h) = = 1 2 (3.3)
2

O estimador clssico do semi-variograma baseado em dados amostrais

(Journel e Huijbregts, 1978):
1 N ( h)
* ( h) =
2 N (h) i =1
[z(x i ) - z(x i + h)] 2 (3.4)
onde N(h) o nmero de pares experimentais [z(xi) e z(xi+h)] de dados separados pelo
vetor h.
30
No texto deste trabalho, ser adotado, por simplicidade, a nomenclatura de
variograma para designar a funo (h), embora, na literatura, essa funo seja
apresentada sob a denominao de semivariograma.
3.1.3 - Anlise Estrutural
O variograma uma ferramenta fundamental para a anlise estrutural de um

fenmeno. Anlise estrutural o nome dado ao procedimento de caracterizao das
estruturas de distribuio espacial das variveis consideradas. Esse o primeiro e
indispensvel passo para qualquer estudo geoestatstico. O modelo do variograma age
como um sumrio quantificado de toda a informao estrutural disponvel, que ser
ento utilizada em vrios procedimentos durante a investigao.
Na definio do variograma 2 (h), h representa um vetor de mdulo |h|,

definido para uma particular direo . A maneira como o variograma se comporta
para diferentes valores de |h| caracteriza o grau de continuidade espacial da varivel em
estudo (Journel e Huijbregts, 1978).
preciso tambm conhecer a zona de influncia e anisotropia da varivel. Em

uma dada direo , o variograma pode se tornar estvel em torno de uma distncia
|h| = a, denominado alcance do variograma. A partir dessa distncia, o desvio mdio
quadrtico entre dois valores z(x) e z(x+h) no mais depende da distncia |h| entre eles,
e esses dois valores no mais so correlacionados. A distncia a d significado ao
conceito intuitivo de zona de influncia de uma amostra z(x). No entanto, essa distncia
no necessariamente igual em todas as direes do espao. Cabe observar que uma
varivel considerada isotrpica quando a zona de influncia igual em todas as
direes. Caso contrrio, verificada a sua anisotropia.
3.2 - Krigagem Bayesiana
O nome krigagem, normalmente usado em geoestatstica, um termo genrico

para uma famlia de tcnicas de previso baseado no princpio de se obter a melhor
estimativa linear no tendenciosa (Matheron, 1962). O mtodo de krigagem bayesiana,
introduzido por Omre (1987), tenta mesclar observaes quantitativas e informaes
31
qualitativas. O Apndice A destaca a notao utilizada e deriva os termos apresentados
na exposio que feita, a seguir, do mtodo de krigagem bayesiana.
Nesta pesquisa, o valor de precipitao z(x) verificada no local x considerado

como uma realizao de uma funo estocstica Z(x). O dado ou informao subjetiva
m(x), em que a funo aleatria subjacente M(x). Seus dois primeiros momentos
supem-se conhecidos a priori como
E [M(x)] = M(x) (3.5)
Cov [M(x+h),M(x)] = CM (x+h, x) (3.6)
onde
E [M(x)] valor esperado de M(x)
Cov [M(x+h),M(x)] covarincia entre M(x+h) e M(x)
h distncia entre os dois pontos.
Como a covarincia pode ser dependente dos dois pontos de suporte x+h e x ,
a funo variograma correspondente aos dados qualitativos definida como
M ( x + h, x) = 12 Var[ M ( x) M ( x + h)]
= 12 [C M ( x, x) + C M ( x + h, x + h)] C M ( x + h, x) (3.7)
As expresses seguintes podem ser consideradas verdadeiras:
E [Z(x) | M(x)] = a0 + M(x) (3.8)
Cov [Z(x+h),Z(x) | M(x)] = CZ|M(h) (3.9);
onde
32
E [Z(x) | M(x)] valor esperado de Z(x), dado o valor de M(x)
Cov [Z(x+h),Z(x) | M(x)] covarincia entre Z(x+h) e Z(x), dado o valor de M(x)
a0 constante desconhecida.
Ento, M(x) pode ser interpretada como uma estimativa, associada com
incerteza, pela forma da funo esperada da varivel em estudo Z(x). A constante a0
introduzida para tornar a estimativa menos sensvel ao nvel real especificado. A
expresso para o variograma condicional de Z(x)
Var [(Z(x+h) - Z(x)) | M(x) ] = 2Z|M(h) (3.10)
Da teoria linear bayesiana (Hartigan, 1969) e usando a Equao (3.9), as

seguintes expresses condicionais podem ser derivadas:
E [Z(x)] = Z(x) = a0 + M(x) (3.11)
CZ|M(x+h, x) = Cov [Z(x+h),M(x)] = CM (x+h, x) (3.12)
CZ (x+h, x) = CZ|M(h) + CM (x+h, x) (3.13)
Z(x+h, x) = Z|M(h) + M(x+h,x) (3.14)
As expresses anteriores so exatas se Z(x) e M(x) conjuntamente so funes

aleatrias gaussianas. Seja {Z(xi); i=1, 2,...,N} o conjunto de observaes. O modelo de
krigagem bayesiana estima o valor no ponto x0 empregando um estimador linear da
forma a seguir
N
Z * ( x0 ) = i Z T ( xi ) + M ( x0 ) (3.15)
i =1
onde i um conjunto de pesos constantes a serem determinados e ZT(xi) definido

como
ZT(xi) = Z(xi) M(xi) (3.16)
A estimativa tima deve satisfazer a condio de no-tendenciosidade,
33
E [Z(x0) Z*(x0)] = 0 (3.17)
isto , o valor esperado da estimativa nos pontos de suporte x0 deve ser igual ao valor
real esperado em x0, e a condio de varincia mnima estimada como segue:
E [(Z*(x0) Z(x0))2 ] = min (3.18)
Uma condio necessria e suficiente para o conjunto de pesos de forma a

assegurar a no tendenciosidade
i 1
i =1 (3.19)
Usando esses resultados, a varincia mnima reduzida seguinte expresso:
N N N
min 2 = 2 i [ Z |M ( x 0 xi ) + M ( x 0 , xi )] i j [ Z |M ( xi x j ) + M ( xi , x j ) (3.20)
i =1 i =1 j =1
Aplicando a tcnica do multiplicador de Lagrange (Hillier e Lieberman, 1980),

combina-se as Equaes 3.19 e 3.20 para se obter o seguinte sistema de krigagem
bayesiana:
[
i =1
i Z |M ( x i x j ) + M ( x i , x j )] + = Z | M ( x 0 x j ) + M ( x 0 , x j ) (3.21)
i 1
i =1 com j=1,2,...,N
onde um multiplicador de Lagrange.
O erro de estimativa no ponto x0 pode ser deduzido da Equao (3.20), gerando

a seguinte expresso:
N
2 ( x 0 ) = i [ Z |M ( x 0 x i ) + M ( x 0 , x i )] (3.22)
i =1
De acordo com Omre (1987), a varincia de estimao assegurada ser no

negativa se Z|M(.) e M(.,.) so condicionalmente funes positivas definidas. Por essa
razo, Z|M(.) pode ser escolhida da classe de funes de variogramas geralmente
34
aplicadas em geoestatstica e M(.,.) poderia ser escolhida de uma famlia maior de
funes. Omre (1987) sugere que um estimador no tendencioso para Z|M(h) para
todas as distncias h seja:
1 Nh
*Z | M (h) =
2Nh i =1
[(Z(xi + h) Z (xi ))2 (M (xi + h) M (xi ))2 2 M (xi + h, xi )] (3.23)
mostrado que M(.,.) positiva e definida se for da forma
M ( x + h, x) = 12 ( M ( x + h) M ( x)) 2 + M ( x + h) M ( x) s (h) (3.24)
onde 2M(x) a varincia dos dados subjetivos e [Cs = 1 - s(h)] uma funo positiva
definida. Da Equao (3.9), para uma funo aleatria estacionria de segunda ordem, a
seguinte expresso pode ser derivada:
CM(x+h,x) = M(x+h) M(x) Cs(h) (3.25)
onde Cs(h) pode ser interpretada como a funo de correlao inicialmente fornecida.
3.3 - Simulao Condicional por Indicadores Seqenciais (krigagem indicatriz)
Primeiramente, importante apresentar os requisitos de uma simulao

condicional (Gmez- Hernandez e Srivrastona, 1990): (1) necessidade de produzir
mapas equiprovveis com uma dada estrutura espacial (tipicamente covarincia
espacial), que pode ser deduzida de dados amostrais ou sintetizada a partir de
informaes complementares; e (2) os mapas devem respeitar dados de campo. Os
atributos essenciais de uma simulao condicional so a estrutura de correlao espacial
e o grau com que essa estrutura pode ser reproduzida.
A simulao de campos aleatrios foi introduzida por meio do mtodo de faixas

rotativas (Matheron, 1973). Esse mtodo comea com simulao de processos
unidimensionais (1-D) nas linhas e, ento, projeta essas simulaes em 2-D ou 3-D.
Alguma das limitaes do mtodo de faixas rotativas mencionadas na literatura so
gaussianidade, anisotropia e restries nas funes de covarincia.
35
Os problemas associados com a capacidade de manipular somente formas
particulares de funes de covarincia tm sido discutidos por alguns autores
(Mantaglou e Wilson, 1982). Mtodos espectrais multidimensionais no esto restritos
a funes de covarincia especficas, mas so custosos em termos de tempo
computacional. Mantaglou e Wilson (1982) desenvolveram equaes relacionando a
densidade espectral de um processo 2-D com a densidade espectral de um processo 1-D
e, ento, aplicaram o mtodo de faixas rotativas para somar uma srie de simulaes 1-
D de forma a obter a simulao 2-D. Mantaglou (1987) estendeu essa abordagem
espectral para trs dimenses, permitindo manipular anisotropias, variveis mltiplas e
gerar mdias espaciais diretamente.
Journel (1983) introduziu uma nova abordagem: estimao no-paramtrica de

distribuies espaciais. A evoluo desse conceito resultou na formulao da
metodologia de simulao condicionada por indicadores seqenciais. Essa metodologia
difere de algoritmos mais convencionais, como o mtodo das faixas rotativas, em dois
aspectos: em primeiro lugar, os campos simulados podem caracterizar uma famlia mais
rica de estruturas espaciais no limitadas pela gaussianidade; em segundo lugar, o
condicionamento da simulao atingido por construo. Por outro lado, a
implementao da simulao condicionada por indicadores seqenciais requer mais
informao para estabelecer a estrutura espacial a ser reproduzida pela simulao.
Adicionalmente, o campo simulado no contnuo, mas pr-classificado em classes,
isto , a amplitude de variao da varivel em estudo discretizada em um nmero de
classes, e o mtodo fornece somente a classe correspondente ao valor simulado.
Seguindo Gmez- Hernndez e Srivastava (1990), para um dado conjunto de

valores distribudos espacialmente (informao a priori), o problema consiste em
definir um algoritmo adicionando um valor em qualquer local no amostrado, de forma
que o novo valor seja consistente com a estrutura espacial imposta. Uma vez obtido,
esse novo valor simulado agregado ao conjunto inicial como uma amostra
condicionada adicional, e o procedimento repetido. O campo simulado final, por
construo, ter a estrutura espacial desejada e incorporar todos os dados iniciais. Essa
meta atingida por meio da estimativa seqencial da funo de distribuio de
probabilidades condicionada para cada local no amostrado. A funo de distribuio
acumulada fornece a probabilidade de que, para qualquer local particular, a varivel de
interesse no exceda um certo limiar. Essa probabilidade condicionada aos dados
36
iniciais e a todos os valores simulados previamente. Uma vez que essa funo de
distribuio de probabilidades condicionada tenha sido estimada, a simulao de um
valor correspondente pode ser feita pelo mtodo de Monte Carlo. Um nmero aleatrio
entre 0 e 1 sorteado a partir de uma varivel aleatria com distribuio uniforme, e o
valor simulado obtido a partir da inversa da funo de distribuio de probabilidades
condicionada. Para as estimativas das funes de distribuio de probabilidades
condicionadas, a amplitude de variao do atributo de interesse discretizada em um
nmero de classes, e os valores das funes de distribuio de probabilidades
condicionadas so estimados nos limites de classes.
A simulao condicional baseada no formalismo dos indicadores (Journel,

1983; Journel, 1986; Alabert, 1987). A varivel aleatria indicatriz I(x,zc) associada
com a varivel aleatria Z(x) uma funo binria definida para um limite de classe ou
limiar zc, que assume o valor 0 ou 1 sob as seguintes condies:
I(x,zc) = 0, se Z(x) > zc

(3.26)
I(x,zc) = 1, se Z(x) zc
No referencial probabilstico, indicadores podem ser vistos como probabilidades

acumuladas a posteriori de Z(x) dada a realizao z(x). Por essa razo,
I (x,zc) = P [Z(x) zc | z(x)]
I ((x,zc) = 0 se zc < z(x) (3.27)
I (x,zc) = 1 se zc z(x)
Assim, os conceitos de simulao condicional e krigagem indicatriz podem ser

combinados. {z(x), (n)} representam os valores de dados condicionantes (dados
quantitativos), onde n o nmero de medies, x um local no-amostrado onde a
funo de distribuio acumulada deve ser estimada, e zc um dos limites de classe.
Ento, o valor da funo de distribuio acumulada P{Z(x) < zc | z(x), (n)}
estimado pelo krigagem indicatriz. A estimativa da probabilidade condicionada obtida
como uma combinao linear dos dados indicatrizes:
37
F* (x;zc | z(x), (n))
= P*{Z( x ) z c / z( x ), (n )} (3.28)
n
=

=1
( x; z c )i( x a ; z c )
onde o asterisco na funo F indica um valor estimado, i (x; zc) a varivel aleatria
indicatriz transformada do valor amostral z(x) para o limiar zc, e (x;zc) o
correspondente peso da krigagem indicatriz. Os pesos so uma funo do limite de
corte zc e do local x, onde a funo de distribuio acumulada deve ser estimada. Os
pesos so obtidos a partir da soluo de um sistema de krigagem usando a funo de
covarincia indicatriz CI(h; zc), especfica para a funo aleatria binria I(x; zc):
=1
( x; z c )C1 ( x x z c ) + ( x; z c ) = C1 ( x x ; z c ) (3.29)
=1
( x; z c ) = 1
O nmero de funes de covarincia indicatrizes CI(h;zc) que devem ser

inferidas corresponde ao nmero de limites de classe zc, que so utilizados para
discretizar a amplitude de variabilidade de Z(x). O mesmo nmero de sistemas
indicatrizes requerido para estimar a funo de distribuio acumulada.
O valor esperado condicionado de I(x;zc)
= {I(x;zc) | Z (x), (n)}
= 0 x P {Z(x) > zc | z(x), (n)} (3.30)
+ 1 x P {Z(x) zc | z (x), (n)}
= P {Z(x) zc | z(x), (n)}
Por essa razo, pode-se calcular o valor da probabilidade condicionada P {Z(x)

zc | z(x), (n)} atravs da estimativa da correspondente esperana condicionada
indicatriz E {I(x;zc) | z (x), (n)}. A estimativa da esperana condicionada feita
38
por krigagem, como na equao (3.28), a partir da transformao indicatriz dos dados
condicionantes ou de restrio.
Na verdade, dados condicionantes para este modelo podem ser quantitativos e

qualitativos (Alabert, 1987). Porm, o nmero de medidas n seria a soma de Nh dados
quantitativos com z(x), = 1,....,Nh , e Ns medidas imprecisas com z*(x), = 1,....,Ns.
Assume-se que os dados qualitativos so todos relacionados a uma nica fonte de
informao. A amplitude de variao de z(x) discretizada em Nc+1 classes definidas
por Nc limiares z1,....,znc. Para um certo esquema de discretizao, dados quantitativos e
qualitativos so codificados como vetores de 0s e 1s.
Seguindo Alabert (1987), o erro potencial em indicadores dos dados

quantitativos so insignificantes. Por outro lado, indicadores de dados qualitativos
podem ser incorretos. A incerteza associada a esses dados qualitativos depende da
qualidade da fonte de informao. Em cada limite de corte zk e para cada local x, a
qualidade do referencial indicatriz qualitativo i*(x,zk) quantificado por duas
probabilidades de classificao, p1(x,zk) e p2(x,zk), definidas como:
p1(x,zk) = P[ Z* (x) zk|Z(x) zk] = P[I*(x,zk) = 1|I(x,zk)=1 |I(x,zk) = 1]

(3.31)
* *
p2(x,zk) = P[ Z (x) zk|Z(x) zk] = P[I (x,zk) = 1|I(x,zk)=1| I(x,zk) = 0]
Se o erro nos indicadores qualitativos assumido como estacionrio, p1 e p2 no

dependem do local x e, portanto, podem ser escritas p1(zk) e p2(zk). Essas duas
probabilidades caracterizam completamente a funo de mxima verossimilhana
indicatriz no limite de corte zk, definida como:
Lkk(i*,I) = Pi*[(x,zk) | I(x,zk)] (3.32)
Na prtica, funes de mxima verossimilhana indicatrizes podem ser

calculadas atravs de estimativas de p1(zk) e p2(zk) quando dados de calibrao esto
disponveis. Quando tais dados no existem, p1(zk) e p2(zk) devem ser modeladas.
39
4 - -RADAR METEOROLGICO E POSTOS PLUVIOMTRICOS DA
CIDADE DE SO PAULO
4.1 - Radar meteorolgico de So Paulo
O radar meteorolgico de So Paulo de propriedade do Departamento de

guas e Energia Eltrica DAEE autarquia da Secretaria de Recursos Hdricos,
Saneamento e Obras do Estado de So Paulo. O radar foi fabricado pela McGill
University do Canad e est instalado na Barragem de Ponte Nova, localizada na
cabeceira do rio Tiet. (Pisani, 1995).
O radar de So Paulo banda S e gera uma srie de produtos, tais como:
mapas de precipitao (CAPPI), altitude mxima dos sistemas precipitantes

(ECHOTOP), corte vertical dos sistemas precipitantes, entre outros.
O radar meteorolgico de So Paulo se situa na bacia do Alto Tiet. A rea

drenada pelo Rio Tiet, desde sua nascente, no municpio de Salespolis, at a barragem
de Rasgo, de 5.985 km2, com extensa rea urbanizada e integrada por 35 municpios.
Caracteriza-se por apresentar regimes hidrulicos e hidrolgicos extremamente
complexos, em virtude das alteraes produzidas pela urbanizao durante o ltimo
sculo.
Os principais contribuintes do Rio Tiet nas suas cabeceiras so os rios Claro,

Piraitinga, Jundia, Biritiba-Mirim e Taiaupeba que, juntamente com o prprio rio
Tiet, compem o quadro dos mais importantes mananciais de abastecimento da regio,
destacando-se os reservatrios Ponte Nova, Jundia e Taiaupeba, projetados e
implantados para abastecimento pblico como finalidade principal e, secundariamente,
para controle de enchentes.
A maior parte da rea urbana da bacia do Alto Tiet est assentada sobre
terrenos sedimentares, compreendendo os depsitos tercirios da bacia de So Paulo e
as coberturas aluviais mais recentes, desenvolvidas ao longo dos principais rios que
drenam a regio.
Os terrenos cristalinos, por sua vez, contornam as reas sedimentares e

configuram praticamente toda a borda da Regio Metropolitana de So Paulo (RMSP),
40
concentrando-se neles as reas de cobertura vegetal e de mananciais hdricos de
superfcie. Estes terrenos compreendem as reas de expanso mais recentes na RMSP.
Nesse contexto, desenvolve-se o presente trabalho que contempla a estimativa

de campos espaciais pluviomtricos, que apresenta grande importncia em estudos
hidrolgicos de bacias altamente urbanizadas, como o caso do Alto-Tiet.
4.1.1 - Localizao do Radar
A barragem de Ponte Nova, localizada no municpio de Biritiba Mirim, foi o

local escolhido para a instalao do radar de So Paulo. Estudos comparativos
analisaram duas reas possveis para a implantao: Morro do Anemgrafo e Marco
Gegran. Foram realizados levantamentos para avaliar as interferncias existentes nos
dois casos. Em funo desse estudo, concluiu-se que local mais apropriado para a
implantao do radar seria o Marco Gegran. O radar foi instalado nas seguintes
coordenadas:
latitude: x = 400,80 km (23 36 00 S)
longitude: y = 7.389,70 km (45 58 20 W)
altitude: z = 916 metros (DATUM IGG)
A torre do radar metlica e possui 9 metros de altura. Ela suporta a antena do

radar banda S (comprimento de onda = 10cm). O local onde est instalado o radar
sujeito a grandes descargas atmosfricas, que provocaram, durante a fase de operao
experimental, vrias avarias nos equipamentos de operao do radar. Para solucionar
esse problema, foi projetada, pelo Departamento de Engenharia Eltrica da Escola
Politcnica da USP, uma gaiola de Faraday. Essa gaiola, construda em 1989, abrange
as salas do radar e de operao do sistema. composta por uma tela blindada e as
aberturas so isoladas por portas de ao. As entradas e sadas eltricas, telefnicas e
fiao de controle da antena so protegidas por centelhadores e pra- raios de linha que
esto eficientemente aterrados.
4.1.2 - Caractersticas Tcnicas do Radar
O equipamento do radar formado por vrios componentes, tais como: antena
41
(refletor), redoma, pedestal, transmissor, receptor, vdeo digitalizador e sistema
processador. As caractersticas tcnicas dos componentes do radar so descritas no
apndice B, segundo Pisani (1995).
Com resoluo espacial de 2 x 2 km, o radar meteorolgico de So Paulo cobre

uma rea de 129.600 km2 abrangendo o litoral paulista desde Iguap at Angra dos Reis,
no Rio de Janeiro, e seus limites atingindo Miracatu, Sorocaba, Porto Feliz, Mogi-
Guau, sul de Minas Gerais e o Vale do Paraba, passando a divisa do Rio de Janeiro. A
figura 4.1 mostra a rea de abrangncia do radar de So Paulo:
Figura 4.1- rea de abrangncia do radar de So Paulo (fonte:CTH)
4.1.3 - Sistema de Alerta a Inundaes da Cidade de So Paulo(SAISP)
O radar meteorolgico o equipamento mestre do sistema de alerta a inundaes

da cidade de So Paulo. Esse sistema foi implantado e operado pela Fundao Centro
Tecnolgico de Hidrulica e Recursos Hdricos. Instalado junto barragem de Ponte
Nova, na divisa dos municpios de Salespolis e Biriti- Mirim, estado de So Paulo, o
equipamento rastreia a chamada da atmosfera entre a superfcie terrestre e a altitude de
18 km, num raio de 180 km, possibilitando a identificao da localizao, do tamanho,
da intensidade e do deslocamento de sistemas meteorolgicos que passam pela regio
leste do estado de So Paulo, sul de Minas Gerais e sul do estado do Rio de Janeiro.
O sensoriamento remoto da chuva, atravs do radar meteorolgico, torna

possvel o acompanhamento de sua evoluo espao- temporal sobre as bacias
hidrogrficas. Porm, o intervalo entre a observao do fenmeno chuva e a emisso de
boletins de previso deve ser dotado de um sistema de aquisio e tratamento de dados
em tempo real, que faa a coleta de dados de chuva a intervalos de tempo regulares,
42
quantificando-a por unidade de rea na superfcie. Esses dados so introduzidos em
modelos hidrolgicos que possibilitam prever as vazes nos rios (Pereira Filho, 1989).
As bacias hidrogrficas da grande So Paulo cobertas pelo radar meteorolgico

so caracterizadas pela intensa urbanizao. O solo impermeabilizado provoca o
deslocamento rpido da gua da chuva ao leito do rio, causando as tradicionais
inundaes. O governo do estado de So Paulo tem se empenhado em diminuir o efeito
das enchentes nesta regio atravs de obras de aprofundamento do leito do rio Tiet e de
seus afluentes, aumentando a capacidade de escoamento dos rios. Apesar dessas
medidas estruturais, h sempre o risco de que uma determinada enchente supere a
capacidade de escoamento do rio. Neste caso, necessrio que se tomem medidas no
sentido de minimizar o efeito das inundaes.
O intervalo de tempo entre duas varreduras completas do radar meteorolgico de

So Paulo de 10 minutos. A varredura completa da troposfera leva 4 minutos e os 6
minutos restantes, at a prxima varredura, so gastos na execuo de mapas das
intensidades de precipitao no tempo presente, da chuva acumulada em 20 minutos, do
topo das nuvens, e a previso de chuva para pontos de interesse e previso hidrolgica
at 3 horas a frente. Outros produtos podem ser programados de acordo com as
necessidades do sistema de alerta s enchentes. Para auxiliar nessa averiguao faz- se
uso dos dados de chuva da rede telemtrica da bacia do Alto Tiet (Braga e Barros,
1992).
O radar, instalado em Ponte Nova, envia seus dados via linha telefnica discada,
para um microcomputador tipo Pentium na central de operao, localizada no CTH-
Cidade Universitria em So Paulo. Este computador est interligado com as diversas
redes telemtricas do DAEE (Alto Tiet- Pinheiros). Os dados de radar e da rede so
distribudos, via linha privada, para a prefeitura de So Paulo, para a ELETROPAULO,
para o DAEE e para a imprensa. O sistema comporta a transmisso de dados para outros
rgos. Alm desses equipamentos, o escritrio central dispe de fax para o caso de
haver problemas de comunicao entre os computadores envolvidos no sistema.
43
Figura 4.2- Sistema de alerta a inundaes da cidade de So Paulo SAISP (fonte:CTH).
4.1.4 - Produtos do Radar e do SAISP
Diversos produtos so elaborados em tempo real e apresentados em vdeos

coloridos de modo a descrever a localizao das reas de precipitao e sua respectiva
intensidade. Esses produtos so utilizados, por exemplo, em anlises diagnsticas dos
sistemas meteorolgicos e no estudo de modelos hidrolgicos para previso de cheias
em reas urbanizadas. O sistema de alerta contra inundaes tem como elemento bsico
de informao o radar meteorolgico de So Paulo.
Os principais produtos disponveis obtidos pelo radar so:
CAPPI (Constant Altitude Plan Position Indicator) - disponibiliza ao usurio o

campo de precipitao em um plano de altitude constante e mostra a localizao e a
intensidade da chuva. O CAPPI padro do radar do DAEE est em 3,0 km de altitude e
sua resoluo de 2 x 2 km2. Esse produto obtido da seguinte forma: aps a varredura
completa do radar em todas as elevaes da antena, representadas na Figura 4.3 pelas
linhas inclinadas, seleciona-se a altitude desejada dentre as possveis. Em seguida, o
44
programa interpola as informaes contidas em cada uma das elevaes, conhecidas
como PPI (Plan Position Indicator), formando assim o campo em um plano de altitude
constante; a Figura 4.4 mostra um exemplo.
ECHO TOP mapa com as mesmas caractersticas do CAPPI, que indica o topo
das nuvens acima de um dado limite de altura que tem taxas de precipitao acima de
um valor pr-fixado pelo operador;
ACUMULAO tambm com as mesmas caractersticas do CAPPI, esse

mapa mostra a acumulao de um determinado perodo preestabelecido pelo operador;
um exemplo de acumulao de uma hora mostrado pela Figura 4.5;
CORTE VERTICAL a partir de um CAPPI, adotam-se dois pontos extremos

de um sistema em que se deseja fazer uma anlise da estrutura vertical, que
apresentada na direo escolhida, incluindo uma estatstica da taxa de precipitao;
PREVISO DE CHUVA a previso de chuva feita pelo radar de So Paulo

elaborada a partir do vetor de deslocamento do sistema, calculado pelo modelo SHARP
(Pereira Filho, 1989), advectando-se o campo de precipitao presente dentro da rea
coberta pelo radar para um ponto de previso especfico. Poder ser feita com at 3
horas de antecedncia e pode ser exibida em monitor colorido ou impressa; a previso
de chuva fundamental para o controle de alerta de cheias em bacias urbanizadas e para
o gerenciamento dos recursos hdricos; essa previso obtida pela simples observao
do sistema e de seu deslocamento, e supe-se que este continuar se deslocando na
mesma direo, sem qualquer mudana, durante o perodo de previso;
PREVISO FLUVIOMTRICA obtida atravs dos resultados das previses

de chuvas e de modelos com algoritmo de deciso baseados na chuva acumulada at o
momento, na chuva atual e na chuva prevista para as prximas horas.
45
Figura 4.3- Construo de um CAPPI a partir de diferentes ngulos de elevao da antena do radar
(Fonte: CTH).
Figura 4.4 - Exemplo de um CAPPI em mm/h(CTH)
Figura 4.5- Exemplo de acumulao de chuva em mm/h. (CTH)

46
4.2 - Rede Telemtrica
As fortes chuvas ocorridas na Regio Metropolitana de So Paulo, em janeiro de

1976, colocaram em risco a segurana do reservatrio de Guarapiranga, localizado na
cabeceira do rio Pinheiros. O eventual rompimento desse reservatrio seria catastrfico,
visto o elevado grau de urbanizao existente a jusante. Esse fato evidenciou a
necessidade de monitoramento, em tempo real, de informaes hidrolgicas, para aviso
antecipado populao de situaes de emergncia. A partir de 1977, iniciou-se a
implantao de uma rede piloto de 5 postos que, gradativamente, foi expandida at 28
postos (13 fluviomtricos e 15 pluviomtricos), distribudos na bacia do rio Tiet a
montante do rio Pinheiros (Pisani, 1995).
4.2.1 - - Funcionamento da Rede Telemtrica
Inicialmente, os dados de chuva so coletados por um transdutor de precipitao,

onde a gua da chuva coletada por um cilindro padro e armazenada num recipiente
tipo caamba basculante, que bascula ao atingir o volume de gua correspondente a 0,1
mm de chuva. Nesse recipiente, est acoplado um im que, no movimento de
basculao, passa por um rel emitindo um sinal para a estao remota (ER) que
incrementa 0,1 mm ao valor armazenado (Pisani, 1995).
Os dados de nveis so coletados por um transdutor de nvel, que constitudo

por um disco sensor com peas de ferro, localizadas em sua circunferncia. Esse disco
est conectado a um sistema de bia, que movimentada pela variao de nvel do rio
ou reservatrio, medido em um poo de medio. De acordo com o sentido de giro,
somado ou subtrado 1 cm na medida armazenada na ER (Figura 4.6).
47
Figura 4.6- Funcionamento da rede telemtrica (fonte: CTH)
Usando-se um meio de comunicao (linha privada, linha TRANSDATA ou

sistema de rdio), a estao base (EB) interroga, automaticamente ou por solicitao do
operador, a ER, que fornece os dados hidrolgicos armazenados conforme solicitao.
A EB pode, tambm, automaticamente ou por solicitao do operador, zerar a memria
que armazena os dados de chuva.
Em funo das necessidades, o DAEE implantou mais duas redes telemtricas:

uma na Baixada Santista, no municpio de Cubato, visando atender a comisso especial
para restaurao da Serra do Mar e outra no municpio de Registro, na bacia do vale do
rio Ribeira de Iguap (Pisani, 1995).
Em 1989, com a implantao do sistema de coleta e distribuio de dados

hidrolgicos (SCDDH), as redes telemtricas passaram por uma modernizao. A
estao base, que anteriormente era gerenciada por microcomputadores padro 8 bits
padro APPLE, passou a ser operada por microcomputadores 16 bits, padro PC.
4.2.2 - - Rede Telemtrica do Alto Tiet
composta por uma estao base (EB) (microcomputador PC) responsvel pela
coleta de dados das estaes remotas (ER). Essa comunicao ocorre por meio de linhas
privadas e sistema de rdio VHF. A EB interroga as ERs com freqncia fixada pelo
operador, adotando-se uma varredura a cada 10 minutos. O conjunto de informaes
enviadas da EB do Alto Tiet consiste de dados de leitura de instrumentos de medida de
nvel de rios e reservatrios e ndices pluviomtricos, que so coletados pelas ERs.
48
O formato da mensagem consiste de 5 bytes para dados de data e hora da
varredura e um bloco com vrios registros com mesmo formato, que contm as leituras
dos sensores identificados pela ER e pelo instrumento. Cada registro composto de 1
byte para o nmero da ER, 1 byte para nmero do instrumento e por 4 bytes para o valor
da leitura do sensor. A EB do Alto Tiet zera automaticamente seus sensores de chuva
s 7 horas da manh. A Central de Dados Hidrolgicos, a cada 5 minutos, interroga
automaticamente a estao base, que, quando possui dados novos, os transfere para a
CDH. A estao base possui recursos para interrogar a CDH e obter qualquer produto
escolhido pelo operador da rede telemtrica. A Figura 4.7 mostra a distribuio dos
postos pluviomtricos da rede.
Figura 4.7- Rede de postos pluviomtricos do Alto Tiet (fonte: CTH).
4.2.3 - Rede Telemtrica de Cubato
Localizada no municpio de Cubato, possui as mesmas caractersticas da rede

telemtrica do Alto Tiet. O intervalo entre varreduras est fixado em uma varredura a
cada 30 minutos; o zeramento automtico dos sensores de chuva ocorre a 0 hora. A
Figura 4.8 mostra a localizao das estaes da rede.
49
Figura 4.8- Rede telemtrica de Cubato. (fonte: CTH)
4.3 - Dados do Radar e da Rede Telemtrica
Os arquivos originais de CAPPIs esto no formato binrio e foram lidos com o

auxlio de um programa em linguagem Fortran, que foi adaptado para fornecer a
acumulao de hora em hora dos CAPPIs. Essa acumulao consistiu na adio das
taxas de precipitao (mm/h) obtidas a cada 10 minutos e posterior diviso pelo nmero
de CAPPIs (6). Alm disso, a rea de estudo menor do que a rea de abrangncia do
CAPPI (180 x 180 pxeis). Cabe ressaltar que a origem do sistema de referncia
adotado encontra-se no canto superior esquerdo do CAPPI. Nesse sistema de
referncia, o radar est localizado no vrtice das coordenadas (90,90). A localizao da
rede telemtrica, em pxeis, est tambm baseada nesse referencial.
Os dados compreendem uma rea de 80 x 80 pxeis (25.600 km2) centrada no

radar, para a obteno do variograma e uma rea de 30x30 pxeis (3.600 km2 para a
aplicao do modelo geoestatstico de krigagem bayesiana.
Os dados da rede telemtrica esto no formato texto, sendo simplesmente

acumulados por meio de planilha de clculo.
50
Algumas falhas podem ocorrer no registro dos dados pelos equipamentos. Por
isso, alguns postos no possuem sries de dados completas. O mesmo ocorre com o
radar, que, por diversas vezes, sofre manuteno em alguns de seus componentes por
falha tcnica ou mesmo para manuteno preventiva.
Devido ausncia de dados, alguns postos foram excludos do estudo. Os
postos das redes do Alto-Tiet e Cubato utilizados esto relacionados, na Tabela 4.1.
51
Tabela 4.1 - Localizao dos Postos Pluviomtricos e do Radar
Posto Long.(x) Lat.(y) Pxel (X) Pxel (Y)
PPNOVA 400.800 7.392.450 90 89
PESTAL 377.090 7.398.950 79 86
PMIGUE 354.750 7.403.350 67 84
PPENHA 342.520 7.399.950 61 85
PBELEN 337.300 7.396.860 59 87
PLIMAO 329.862 7.398.400 55 86
PMOVEL 321.300 7.397.285 51 87
PSERTA 366.700 7.379.080 73 96
PTAIAC 368.650 7.393.200 74 89
PJUNDI 377.150 7.386.150 79 92
PARICA 344.250 7.394.990 62 88
PRGRND 343.600 7.372.485 62 99
PIMIGR 338.998 7.375.449 60 98
PRUDGE 340.100 7.381.950 60 94
PMENIN 338.660 7.385.540 59 93
PORATO 346.250 7.386.800 64 92
PPROSP 340.900 7.387.950 61 91
PMARIA 333.070 7.390.765 57 90
PCOMGA 335.880 7.393.380 58 89
PBOMRT 332.425 7.397.990 56 86
P25CUB 354.750 7.357.980 67 106
P05ULT 360.245 7.363.180 70 104
P20COT 348.870 7.357.100 65 107
P15APE 351.133 7.363.243 66 104
P10PAR 366.820 7.369.900 74 100
P05PER 355.620 7.361.080 68 105
P05COS 360.100 7.359.520 70 106
RADAR 400.800 7.389.700 90 90
A seguir, a Figura 4.9 mostra a localizao das estaes dentro da rea de
estudo, abrangendo 80 x 80 pxeis. Essa regio foi utilizada para o procedimento de
anlise estrutural de dois eventos chuvosos (01/01/95 e 05/01/95). A Figura 4.10, por
outro lado, apresenta a rea a que foi reduzido o CAPPI na aplicao do modelo de
krigagem bayesiana em outros dois eventos (04/02/95 e 30/03/95). As Figuras 4.11 e
4.12 apresentam as mesmas reas configuradas nas Figuras 4.9 e 4.10, respectivamente,
porm esto representadas com as coordenadas UTM.
52
50 60 70 80 90 100 110 120 130
50
60
70
80
90
100
110
120
130
Figura 4.9 - Localizao dos postos pluviomtricos e do radar (em pxeis) na rea de estudo,
definida a partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km
50 60 70 80
80
90
100
110
Figura 4.10 - Localizao dos postos pluviomtricos (em pxeis) na rea reduzida a partir do CAPPI
(180 x 180 pxeis), com pxeis de 2 x 2 km, para aplicao do modelo de krigagem bayesiana
53
320.800 340.800 360.800 380800 400.800 420.800 440.800 460.800 480.800
7.309.700
7.329.700
7,349.700
7.369.700
7.389.700
7.409.700
7.429.700
7.449.700
7.469.700
Figura 4.11 - Localizao dos postos pluviomtricos e do radar (em UTM) na rea de estudo,
definida a partir do CAPPI (180 x 180 pxeis), com pxeis de 2 x 2 km
320.800 340.800 360.800 380.800
7.369.700
7.389.700
7.409.700
7.429.700
Figura 4.12- Localizao dos postos pluviomtricos (em UTM) na rea reduzida a partir do CAPPI
(180 x 180 pxeis), com pxeis de 2 x 2 km, para aplicao do modelo de krigagem bayesiana
54
5 - -ABORDAGEM GEOESTATSITCA
5.1 - Anlise Estrutural de Eventos Chuvosos
Observe-se, antes de passar apresentao e discusso dos resultados, que o

presente estudo segue Barbosa (2000), reapresentando algumas anlises ento
realizadas. Registre-se, no entanto, que todos os clculos foram refeitos de forma a
permitir que a autora tivesse condies de estabelecer uma anlise comparativa
envolvendo os dois modelos geoestatsticos descritos no Captulo 3 e a relao ZR.
Barbosa (2000), abordou o modelo de krigagem bayesiana. Nesta tese, em adio ao
modelo de krigagem bayesiana, examinado o modelo de krigagem indicatriz por meio
do mtodo de simulao condicional por indicadores seqenciais.
Foi feita, inicialmente, uma verificao de todos os CAPPIs disponveis para a

acumulao em uma hora. Em seguida, os dados dos postos foram tambm verificados,
de modo que um mesmo evento chuvoso fosse registrado tanto pelo radar quanto pela
rede telemtrica. Alguns eventos, classificados por Pisani (1995), foram selecionados
para serem estudados por pertencerem a diferentes sistemas meteorolgicos.
O primeiro evento, ocorrido no perodo de 22:23h de 01/01/95 s 08:53h de

02/01/95 , diz respeito passagem de uma frente fria pela regio do radar, e o segundo
evento, ocorrido no perodo de 14:13h de 05/01/95 s 21:33h de 05/01/95 refere-se a
sistemas convectivos. Dois outros eventos foram analisados em uma rea reduzida, onde
esto localizados os postos, para a aplicao e avaliao de dois modelos
geoestatsticos, krigagem bayesiana e mtodo de simulao por indicadores seqenciais.
Esses eventos tambm foram classificados como um sistema frontal - correspondente ao
perodo de 18:03h de 04/02/95 s 04:53h de 05/02/95 - e um sistema convectivo -
correspondente ao perodo das 01:03h de 30/03/95 s 04:53h de 30/03/95.
Para iniciar a anlise, foram calculados variogramas com os dois eventos,

somente com os dados do radar, a fim de se verificar a possibilidade de se trabalhar com
a chuva mdia do evento e analisar a aplicabilidade da hiptese de isotropia em ambos
os casos. Cabe ressaltar que os variogramas foram calculados a partir de um cdigo
computacional desenvolvido em Fortran. Entre as informaes requeridas pelo cdigo,
esto as coordenadas de localizao (pxel), o atributo em estudo (taxa de chuva) e a
55
direo que define o conjunto de pares ou pontos a partir dos quais determinada a
semivarincia estatstica mdia. Esse conjunto de pares discriminado em grupos
definidos em funo da distncia. Alm disso, estabelecida uma tolerncia angular
para a direo analisada. Assim, todos os pares de pontos que se encontrem nessa faixa
so utilizados no clculo do variograma.
Nesse sentido, os variogramas horrios foram determinados para algumas

direes definidas com abertura angular de 10. Inicialmente, considerando-se a
hiptese de isotropia, foram calculados os variogramas horrios de cada evento (Figura
5.1). A Figura 5.1 salienta a importncia de se adotar uma abordagem geoestatstica na
anlise de eventos chuvosos, j que a presena de uma estrutura de correlao espacial
definida a partir dos dados de radar meteorolgico evidente.
Note-se que os variogramas so caracterizados pelos seguintes parmetros:
alcance (zona de influncia) - distncia a partir da qual dois valores no esto

mais correlacionados;
efeito pepita - descontinuidade no valor de , verificada prximo origem,

que caracteriza a influncia residual de todas as variabilidades que tm zonas
de influncias menores que as distncias das observaes disponveis;
patamar - valor de , onde o variograma atinge a zona de influncia,

descontado o valor do efeito pepita.
Pode-se perceber que os variogramas horrios (Figura 5.1), tanto para o evento
frontal como para o evento convectivo, apresentam o patamar em torno de 1, j que
foram adimensionalizados pela varincia dos dados. O efeito pepita, embora o suporte
seja da ordem de 2 x 2 km, no significativo, ou seja, as variabilidades que ocorrem
em uma escala inferior do pxel no so relevantes. Com relao ao alcance, verifica-
se que, no evento frontal, os valores variam na faixa aproximada de 20 a 40 pxeis,
enquanto no evento convectivo, os valores esto situados em torno de 12 pxeis. A
forma do variograma e os valores de alcance significativos encontrados mostram a
existncia de correlao espacial.
56
Figura 5.1- Variogramas adimensionais horrios para o evento frontal (01/01/95) e para o evento
convectivo (05/01/95).
57
Em seguida, para caracterizar a estrutura de correlao espacial em diferentes
direes, permitindo assim verificar se h zonas de influncias preferenciais, como por
exemplo, no sentido oeste-leste (=0), norte-sul (=90) ou sudoeste- nordeste
(=45), tambm foram calculados os variogramas horrios, conforme mostram as
Figuras 5.2, 5.3 e 5.4 respectivamente. Todos variogramas foram adimensionalizados
pela varincia dos valores de chuva, para que pudessem ser comparados entre si.
As formas dos variogramas variam para diferentes horas e segundo as diversas

direes (0, 45e 90), tanto para o evento frontal como para o evento convectivo. Os
alcances ou zonas de influncia apresentam uma certa variabilidade, estando
compreendidos entre 20 e 40 pxeis para o evento frontal e entre 10 e 15 pxeis para o
evento convectivo. Nesta pesquisa adotou-se o variograma correspondente chuva
mdia de cada evento como representativo dos variogramas horrios. A variabilidade na
estrutura de correlao espacial em diferentes horas do evento merece ser melhor
estudada, uma vez que pode ajudar no melhor entendimento da evoluo da chuva
De forma a facilitar a visualizao da variabilidade espacial nas diferentes

direes (0, 45 e 90), construiu-se a Figura 5.5 a partir da chuva mdia de cada
evento. Embora ocorram algumas variaes no comportamento dos variogramas,
adotou-se, neste estudo, a hiptese de isotropia para os eventos selecionados.
A Figura 5.6 mostra os variogramas isotrpicos da chuva mdia de cada evento

em estudo. Os resultados mostram a presena de diferentes estruturas de correlao
espacial presentes nos evento frontal e convectivo. interessante notar que o sistema
frontal apresenta uma estrutura de correlao mais pronunciada com alcances da ordem
de 30 pxeis (60 km) em contraste com o evento convectivo com alcances da ordem de
15 pxeis (30 km).
Essa diferena nos alcances do evento frontal e do evento convectivo merece ser
melhor analisada, uma vez que constitui parmetro importante nos modelos de
estimativa de chuva que considere uma abordagem geoestatstica.
Em seguida, foram calculados os variogramas da chuva mdia dos postos e da

chuva mdia do radar nos pontos de localizao dos postos, para avaliao e
comparao das estruturas espaciais dos dois conjuntos de dados. A Figura 5.7 ilustra o
caso do evento frontal. Essa comparao indica, alm da estrutura de correlao
58
Variogramas Horrios do Evento Frente Fria - Direo W-E (0)
1 hora 2 hora 3 hora 4 hora 5 hora 6 hora 7 hora 8 hora 9 hora Mdia
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
Variogramas Horrios do Evento Convectivo - Direo W-E (0)

1 hora 2 hora 3 hora 4 hora 5 hora 6 hora 7 hora Mdia
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
Figura 5.2 - Variogramas adimensionais horrios para a direo oeste-leste (0)
59
Variogramas Horrios do Evento Frente Fria - Direo SW-NE (45)
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
Variogramas Horrios do Evento Convectivo - Direo SW-NE (45)
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
Figura 5.3- Variogramas adimensionais horrios para a direo sudoeste-nordeste (45)
60
Variogramas Horrios do Evento Frente Fria - Direo N-S (90)
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
Variogramas Horrios do Evento Convectivo - Direo N-S (90)
0
0 10 20 30 40 50 60 70 80
distncia (pxel)
Figura 5.4- Variogramas adimensionais horrios para a direo norte-sul (90)
61
Figura 5.5 - Variogramas adimensionais direcionados da chuva mdia do evento frontal (01/01/95) e
do evento convectivo (05/01/95)
62
Variogramas dos Eventos de Chuva do Radar
Sistema Convectivo Frente Fria
2,00
1,00
0,00
0 10 20 30 40 50 60 70 80
Distncia (pxel)
Figura 5.6 - Variogramas adimensionais isotrpicos da chuva mdia de cada evento
Variogramas da chuva mdia do evento frontal
Postos (P) Radar (R)
2,0
1,0
0,0
0 2 4 6 8 10 12 14
Distncia (pixel)
Figura 5.7 - Variogramas adimensionais baseados nos dados dos postos pluviomtricos e nos dados
de radar
63
espacial detectada a partir dos dados do radar, a presena de correlao espacial nos
dados de campo dos postos pluviomtricos. Os pontos do variograma experimental
calculados com base nos dados dos postos acompanham a forma do variograma definido
pelo radar. Adicionalmente, a correlao cruzada entre dados dos postos e radar
procurou ser caracterizada pela determinao de um covariograma entre as duas
variveis. A Figura 5.8 exibe a relao entre os dados do radar e dos postos para o
evento frontal.
Covariograma para a mdia do evento frontal

Postos X Radar
0,5
-0,5
-1
0 1 2 3 4 5 6 7 8 9
Distncia (pixel)
Figura 5.8- Covariograma dos dados dos postos e do radar

Os resultados obtidos pela anlise estrutural preliminar de dois eventos de chuva
mostram a necessidade de se estabelecer referenciais metodolgicos que incorporem a
estrutura de correlao espacial revelada pela anlise dos dados de radar. Mais ainda,
ficou evidenciada a presena de relao dos dados de radar com dados de postos
pluviomtricos, o que possibilita a integrao dessas bases de dados em modelos
geoestatsticos para estimativas espaciais de chuva.
Os tpicos seguintes abordaro o modelo geoestatstico de krigagem bayesiana e

o modelo de krigagem indicatriz aplicado aos dois eventos chuvosos registrados pelos
postos e pelo radar, dessa vez limitando-se regio onde esto localizados os postos.
64
5.2 - Resultados de Krigagem Bayesiana
O modelo geoestatstico de krigagem bayesiana foi aplicado aos dois eventos

chuvosos selecionados dentre os eventos disponveis nos registros do radar e dos postos
pluviomtricos. Um evento frontal, ocorrido no dia 04/02/95, e um evento convectivo,
ocorrido no dia 30/03/95, foram analisados.
Inicialmente, so apresentadas as distribuies de freqncia dos dados medidos

pelo radar (relao ZR) e dos dados observados nos postos, ilustrados pelas Figuras 5.9
e 5.10, que representam os histogramas da chuva mdia do evento frontal e do evento
convectivo, respectivamente. Note-se que, no evento frontal, h uma simetria dos
histogramas dos dados dos postos e do radar, enquanto, no evento convectivo, os
grficos apresentam uma pronunciada assimetria. As distribuies univariadas no so,
no entanto, suficientes para a anlise espacial de distribuio de chuva.
Nesse sentido, as Figuras 5.11 e 5.12 mostram os resultados da anlise estrutural

de cada evento estudado, conforme as anlises realizadas no item 5.1. Os eventos foram,
para efeito da presente anlise, considerados isotrpicos, e o variograma da chuva mdia
foi adotado para o estudo desses eventos. Os variogramas do radar e dos postos indicam
a presena de correlao espacial, enquanto os covariogramas mostram a existncia de
relao espacial dos dados do radar com os dados dos postos.
65
Histograma dos dados de radar - evento frontal
140
120
100
Freqncia (pxeis)
80
60
40
20
0
3,3 3,7 4,0 4,3 4,7 5,0 5,3 5,7 6,0 6,3 6,7 7,0 7,3 7,7 > 7,7
classes (mm)
Histograma dos dados dos postos - evento frontal
6
Frequncia (pxeis)
0
0,6 1 1,4 1,8 > 1,8
classes (mm)
Figura 5.9- Histogramas do evento frontal (04/02/95)
66
Histograma dos dados do radar - evento convectivo
180
160
140
Frequncia (pxeis)
120
100
80
60
40
20
0
1,7 3,3 5,0 6,7 8,3 10,0 11,7 13,3 15,0 16,7 18,3 20,0 21,7 23,3 >23,3
classes (mm)
Histograma dos dados dos postos - evento convectivo
5
Frequncia (pxeis)
0
6 8 10 12 > 12
classes (mm)
Figura 5.10- Histogramas do evento convectivo (30/03/95)
67
Variogramas da chuva mdia do evento frontal
Radar
Postos
1
0
0 5 10 15 20 25 30 35 40
Distncia (pixel)
Covariograma para a mdia do evento frontal

Postos x Radar
1
0,8
0,6
covariograma
0,4
0,2
0
0 2 4 6 8 10 12 14 16 18
-0,2
-0,4
-0,6
-0,8
-1
distncia (pixel)
Figura 5.11 - Anlise estrutural do evento frontal (04/02/95)
68
Variograma da chuva mdia do evento convectivo
0
0 5 10 15 20 25 30 35 40
distncia (pxel)
Covariograma para a mdia do evento convectivo

Postos x Radar
20
15
10
Covariograma
0
0 2 4 6 8 10 12 14
-5
-10
-15
-20
distncia (pixel)
Figura 5.12 - Anlise estrutural do evento convectivo (30/03/95)
69
Assim, para detalhar a aplicao do modelo, alm dos dados observados pelos
postos e os estimados pelo radar (relao ZR), com as respectivas coordenadas,
necessrio que se informe as caractersticas dos variogramas desses dados. Mais
especificamente, o mtodo de krigagem bayesiana requer que o variograma
experimental adimensionalizado da imagem seja modelado. Adicionalmente,
necessrio um variograma para os postos. Com relao aos variogramas dos postos, h,
pelo menos, trs alternativas. Na primeira, adotada nesta dissertao, o variograma
derivado a partir dos dados dos postos pluviomtricos. Na segunda, poderia-se adotar o
variograma experimental adimensional da imagem como representativo do variograma
dos postos e, nesse sentido, bastaria que se obtivesse o variograma experimental com
base na varincia dos dados dos postos. A terceira alternativa consistiria em se adotar
um variograma construdo para uma outra rea, com caractersticas similares area de
estudo. O variograma experimental dos dados dos postos devem tambm ser modelados.
Repare-se que, nesta pesquisa, optou-se pela primeira alternativa, uma vez que havia
disponibilidade de uma rede de postos suficientemente densa na rea de estudo para a
construo do variograma experimental. Em outros estudos, pode-se ter maior
dificuldade na obteno dos variogramas dos postos em funo da pequena quantidade
de estaes. Assim, a segunda alternativa constituiria uma soluo interessante.
Cumpre observar que o modelo trabalha com informaes a priori. No caso

dessa anlise, os valores iniciais de chuva e desvio padro fornecidos se basearam na
relao ZR. Os resultados estimados de chuva e varincia pelo mtodo de krigagem
bayesiana so obtidos nos ns dessa malha.
Dessa forma, o variograma dos postos e o variograma adimensional do radar

foram determinados e, de forma a garantir a continuidade espacial do modelo da funo
aleatria, ajustou-se o modelo esfrico. Essa uma funo positiva definida
normalmente utilizada em geoestatstica. Sua equao padronizada :
(h) = 1,5 ha 0,5( ha ) 3 se h a
( h) = 1 caso contrrio (5.1)
onde a o alcance e h a distncia entre dois pontos.

70
A Figura 5.13 mostra os variogramas do evento frontal e a Figura 5.14 mostra os
variogramas do evento convectivo, enquanto a Tabela 5.1 mostra os valores que foram
extrados dos variogramas calculados.
Tabela 5.1 - Parmetros dos variogramas

Evento Frontal Evento Convectivo
Radar Postos Radar Postos
Alcance (pxel) 12,4 12,4 6,4 12,0
Efeito Pepita 0,2 0,058 (mm/h)2 0,2 2,468 (mm/h)2
Patamar 0,8 0,13 (mm/h)2 0,8 4,477 (mm/h)2
71
Variograma da chuva mdia do radar - evento frontal
0
0 5 10 15 20 25 30 35 40
Distncia (pixel)
Variograma da chuva mdia dos postos- Evento Frontal
0,4
0,2
0,0
0 5 10 15 20 25
Distncia (pxel)
Figura 5.13- Variograma adimensional do radar e variograma experimental

dos dados dos postos para o evento frontal
72
Variograma da chuva mdia do radar
0
0 5 10 15 20 25 30 35 40
distncia (pxel)
Variograma da chuva mdia dos postos

Experimental
14
0
0 5 10 15 20 25
distncia (pxel)
Figura 5.14 - Variograma adimensional do radar e variograma experimental dos dados dos postos
para o evento convectivo
73
Feita a anlise geoestatstica preliminar dos dados correspondentes aos eventos
frontal e convectivo discute-se, a seguir, os resultados do modelo de krigagem
bayesiana.
As Tabelas 5.2 e 5.3 mostram os valores observados e estimados para os postos

pluviomtricos no evento frontal e no evento convectivo.
Tabela 5.2 - Valores de chuva observados (postos ) e estimados (radar e krigagem bayesiana) para o
evento frontal de 04/02/95
Localizao Evento Frontal (mm/h)

X Y Postos Radar Estimativas
55 86 1,1 5,5 0,8
56 89 1,9 6,6 2,7
58 86 1,3 5,8 0,9
58 88 1,5 6,1 1,3
59 97 1,8 5,2 0,6
60 91 1,4 6,3 1,1
60 94 1,8 7,0 2,1
61 85 1,3 6,9 1,7
61 99 1,1 6,2 0,8
63 91 1,9 7,4 2,9
64 106 0,7 5,8 0,2
65 103 0,8 6,4 1,3
67 83 1,2 5,9 0,9
67 106 0,6 5,4 0,0
70 103 0,7 5,8 1,0
73 100 1,3 5,1 1,5
Mdia 1,28 6,09 1,24
Varincia 0,19 0,95 0,63
74
Tabela 5.3 - Valores de chuva observados (postos )e estimados (radar e krigagem bayesiana) para o
evento convectivo de 30/03/95
Localizao Evento convectivo (mm/h)

55 86 8,1 5,9 10,5
56 86 13,3 6,0 12,3
56 89 6,0 5,3 6,1
58 86 7,2 7,7 9,2
59 92 5,5 7,5 6,1
59 97 6,5 4,4 3,8
60 91 7,8 7,4 6,9
61 99 5,8 4,7 3,8
62 87 8,5 7,7 9,6
63 91 11,4 7,8 11,9
78 85 5,6 18,5 12,3
Mdia 7,79 7,53 8,42
Varincia 6,32 19,21 10,37
importante ressaltar que o modelo de krigagem bayesiana fornece, tambm, a

varincia dos erros de estimativa para cada ponto da imagem do radar. Verifica-se que
em cada ponto onde h um posto pluviomtrico, a varincia minimizada, sendo os
valores obtidos, aproximadamente, iguais a 0,63(mm/h)2 no evento frontal e a
10,37(mm/h)2 no evento convectivo.
As relaes dos valores observados pelos postos com os valores medidos pelo
radar (relao ZR) e com os valores estimados pelo modelo so demonstradas em
grficos de disperso correspondentes aos eventos frontal e convectivo (Figura 5.15).
As Figuras 5.16 e 5.17 mostram os mapas de chuva produzidos pelos dados do

radar e pelos dados dos postos nos dois eventos, enquanto as Figuras 5.18 e 5.19
mostram a variabilidade espacial dos valores estimados pelo modelo, bem como as
varincias estimadas correspondentes.
75
Estimativas da krigagem bayesiana e do radar x
observaes dos postos - Evento Frontal
10
7
Estimativas (mm/h)
Radar (relao ZR)
6
Krigagem Bayesiana
5
0
0 1 2 3 4 5 6 7 8 9 10
Postos (mm/h)

observaes dos postos - Evento Convectivo
20
18
16
14
Estimativas (mm/h)
Radar (relao ZR)

12
Krigagem Bayesiana
10
0
0 2 4 6 8 10 12 14 16 18 20
Postos (mm/h)
Figura 5.15 - Estimativas da krigagem bayesiana e medies do radar calibrao do modelo
76
(7.379.700) -85
(7.389.700) -90
(7.399.700) -95
(7.409.700) -100
(7.419.700) -105
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
(000.000) COORDENADAS UTM
(7.379.700) -85
1.6
1.5
(7.389.700) -90
1.4
1.3
1.2
(7.399.700) -95
1.1
1.0
(7.409.700) -100 0.9

0.8
0.7
(7.419.700) -105 0.6
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
Figura 5.16- Distribuio espacial dos dados do radar e dos postos no evento frontal
77
(7.379.700) -85
(7.389.700) -90
(7.399.700) -95
8.0
(7.409.700) -100
6.0
4.0
2.0
(7.419.700) -105 0.0
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
(7.379.700) -85
(7.389.700) -90 9.5

9.0
8.5
(7.399.700) -95 8.0
7.5
7.0
6.5
(7.409.700) -100
6.0
5.5
5.0
(7.419.700) -105 4.5
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
Figura 5.17- Distribuio espacial dos dados do radar e dos postos no evento convectivo
78
(7.379.700) -85
2.4
(7.389.700) -90
2.2
1.8
(7.399.700) -95
1.4
(7.409.700) -100 1.0
0.6
(7.419.700) -105 0.2
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
(7.379.700) -85
0.70
0.65
(7.389.700) -90
0.60
0.55
0.50
(7.399.700) -95
0.45
0.40
0.35
(7.409.700) -100
0.30
0.25
0.20
(7.419.700) -105 0.15
(7.429.700) -110
55 60 65 70 75 80
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
Figura 5.18 - Distribuio espacial das estimativas de chuva e varincias estimadas no evento
frontal
79
(7.379.700) -85
(7.389.700) -90
(7.399.700)
-95
(7.409.700)
(7.419.700)
(7.429.700)
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
(7.379.700) -85
(7.389.700) -90
(7.399.700)
-95
(7.409.700)
(7.419.700)
(7.429.700)
(330.800) (340.800) (350.800) (360.800) (370.800) (380.800)
LEGENDA:
POSTO PLUVIOMTRICO
Figura 5.19 - Distribuio espacial das estimativas de chuva e varincias estimadas no evento
convectivo
80
Comparando-se as estimativas do modelo com as medies do radar (Figura
5.15), nota-se que o modelo consegue obter valores bem prximos dos medidos pelos
postos, tanto para o evento frontal como para o evento convectivo. No entanto, h
diferenas com relao grandeza de valores verificada para os dados dos postos e os
dados do radar. No caso do evento frontal, a relao ZR utilizada no reproduz
adequadamente a chuva ocorrida na superfcie, enquanto, no evento convectivo, h uma
melhor aproximao entre os dados das estaes e os dados do radar. Essas diferenas
reforam o argumento de que a relao ZR no nica e seu comportamento depende,
por exemplo, do tipo de precipitao.
Alm disso, nas Figuras 5.16 (evento frontal) e 5.17 (evento convectivo),
percebe-se que a distribuio espacial da chuva pelo radar (grfico superior) difere
acentuadamente da distribuio espacial obtida a partir dos postos pluviomtricos
(grfico inferior). Quando se comparam as Figuras 5.18 e 5.19 (grfico superior) com
as Figuras 5.16 e 5.17 (grfico superior), respectivamente, verifica-se que o modelo
capta a variabilidade espacial identificada pelos dados do radar. Adicionalmente, os
mapas de varincias refletem menores incertezas associadas s estimativas nos locais
onde existem postos pluviomtricos (Figuras 5.18 e 5.19 - grfico inferior).
bastante interessante observar o potencial de integrao do modelo de

krigagem bayesiana no que se refere aos dados convencionais (postos pluviomtricos) e
a base de dados espaciais gerada pelo radar meteorolgico, constituindo-se em um
avano, comparativamente a estimativa da chuva com radar. As estimativas feitas pela
modelagem de krigagem bayesiana reproduzem mais adequadamente os dados
observados pelos postos pluviomtricos, sendo sensveis estrutura de correlao dos
dados medidos pelo radar. Note-se que os resultados apresentados relativos ao modelo
foram obtidos fazendo-se uso de todos os postos pluviomtricos relacionados nas
Tabelas 5.2 e 5.3.
Por essa razo, de forma a se fazer uma validao mais apropriada dos
resultados do modelo e verificar a sua robustez, foi realizada uma nova estimativa de
chuva para a regio em estudo. Foram eliminados alguns dados observados de cada
evento para posterior comparao com os novos resultados. Para o evento frontal, foram
fornecidos os dados de 6 postos a partir de uma total de 16 postos, enquanto, no evento
convectivo, foram consideradas 4 estaes com base em um total de 11 estaes.
81
As Tabelas 5.4 e 5.5 mostram os valores observados e estimados para os postos
pluviomtricos que foram suprimidos da base de dados fornecida ao modelo. Em
seguida, um grfico de disperso ilustra a relao dos valores observados pelos postos
com os dados do radar (relao ZR) e com os valores estimados pelo modelo (Figura
5.20).
Os resultados confirmam, mais uma vez, a adequabilidade do referencial

geoestatstico adotado, como complementao a estimativa da chuva com radar,
usualmente empregada nos radares meteorolgicos.
Porm, necessrio enfatizar que a abordagem pelo mtodo de krigagem

bayesiana deve ser conduzida para um maior nmero de eventos de forma que se tenha
uma avaliao mais abrangente sobre a distribuio espacial da chuva. Finalmente,
interessante notar que esse estudo geoestatstico apresenta uma sinergia com a definio
da rede de postos pluviomtricos a ser dimensionada em uma dada regio.
82
Tabela 5.4 - Valores de chuva observados (postos) e estimados (radar e krigagem bayesiana) para o
evento frontal de 04/02/95 - validao do modelo
58 86 1,3 5,9 1,1
58 88 1,5 6,1 1,7
60 91 1,4 6,4 1,9
60 94 1,8 7,0 2,6
61 99 1,1 6,2 1,4
63 91 1,9 7,4 2,6
64 106 0,7 5,8 0,6
67 83 1,2 5,9 0,8
70 103 0,7 5,8 0,6
73 100 1,3 5,1 0,2
Tabela 5.5- Valores de chuva observados (postos) e estimados (radar e krigagem bayesiana) para o
evento convectivo de 30/03/95 - validao do modelo
Localizao Evento Convectivo (mm/h)

55 86 8,1 5,9 11,8
56 89 6,0 5,3 13,0
58 86 7,2 7,8 9,1
59 92 5,5 7,5 12,8
60 91 7,8 7,4 3,9
61 99 5,8 4,7 8,6
63 91 11,4 7,8 4,5
83
10
Estimativas (mm/h)
6
Radar (relao ZR)
5
Krigagem Bayesiana
4
0
0 1 2 3 4 5 6 7 8 9 10
Postos (mm/h)

20
18
16
14
Estimativas (mm/h)
12
Radar (relao ZR)
10
Krigagem Bayesiana
0
0 2 4 6 8 10 12 14 16 18 20
Postos (mm/h)
Figura 5.20- Estimativas da krigagem bayesiana e medies do radar- validao do modelo
84
5.3 - Resultados da Krigagem Indicatriz
O modelo geoestatstico de simulao condicionada por indicadores seqenciais

foi, inicialmente, aplicado para o evento frontal, ocorrido no dia 04/02/95, e para o
evento convectivo, ocorrido no dia 30/03/95. A anlise foi feita em uma rea reduzida
(Figura 4.10), abrangendo a regio dos postos.
No processo de modelagem indicatriz, foram definidos os variogramas

indicatrizes mdios adimensionais para os nove decis dos dados de radar e dos postos
pluviomtricos. As Figuras 5.21 a 5.28 ilustram a estrutura de correlao espacial dos
dados disponveis. Observa-se que a estrutura de correlao espacial dos dados dos
postos pluviomtricos segue a estrutura de correlao espacial dos dados de radar para
os diferentes decis.
Pela anlise conduzida, percebe-se um grau de conectividade maior para os

valores mais baixos, ou seja, os alcances dos variogramas indicatrizes tendem a
diminuir na medida em que crescem os decis. Essa caracterizao mais evidente na
anlise estrutural do evento frontal. A ttulo de ilustrao, apresentam-se apenas trs
variogramas indicatrizes empricos e modelados, escolhidos a partir dos variogramas
correspondentes aos nove decis relativos aos dados de radar do evento frontal (Figuras
5.29 a 5.31) e aos dados de radar do evento convectivo (Figuras 5.32 a 5.34.
Em termos de modelagem pelo mtodo de simulao condicionada por

indicadores seqenciais, optou-se pelo uso dos decis d-0,3, d-0,6 e d-0,9 no evento
frontal, enquanto a escolha, para o evento convectivo, recaiu sobre os decis d-0,3, d-0,6,
e d-0,7.
Destaca-se ainda que as seguintes classes, em mm/h, foram definidas na

modelagem para o evento frontal: (1) 0 - 0,2; (2) 0,2 0,4; (3) 0,4 0,6; (4) 0,6 0,8;
(5) 0,8 1,0; (6) 1,0 1,2; (7) 1,2 1,5; (8) 1,5 2. Os limiares escolhidos e
correspondentes variogramas indicatrizes foram: 0,2mm/h d-0,3; 0,4mm/h d-0,3;
0,6mm/h d-0,3; 0,8mm/h d-0,6; 1,0mm/h d-0,6; 1,2mm/h d-0,6; 1,5mm/h d-
0,9.
85
V a r io g r a m a m d io a d im e n s io n a liz a d o d o r a d a r
d -0 ,2 - E v e n to F r o n ta l
2 ,0
1 ,5
varincia
Radar
1 ,0 P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
d is t n c ia (p x e l)
Figura 5.21- Variograma adimensional baseado nos dados de radar e dados dos postos para o decil-
0,2
2 ,0
1 ,5
Radar
varincia
P o s to s
1 ,0
0 ,5
0 ,0
0 10 20 30 40 50
0,3
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
0,4
86
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
0,5
2 ,0
1 ,5
varincia
Radar
1 ,0 P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
Figura 5.25- Variograma da chuva mdia baseado nos dados de radar e dados dos postos para o
decil-0,6
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
Figura 5.26 - Variograma da chuva mdia baseado nos dados de radar e dados dos postos para o
decil-0,7
87
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
decil-0,8
2 ,0
1 ,5
varincia
Radar
1 ,0
P o s to s
0 ,5
0 ,0
0 10 20 30 40 50
decil-0,9
88
Variogram a da chuva m dia - Evento Frontal
0,4
0,3
varincia
em prico
0,2
m odelado
0,1
0,0
0 10 20 30 40 50
distncia (pxel)
Figura 5.29 - Variograma da chuva mdia baseado nos dados de radar para o decil-0,3
V a r io g r a m a d a c h u v a m d ia - E v e n to F r o n ta l
0 ,4
0 ,3
varincia
e m p r ic o
0 ,2
m o d e la d o
0 ,1
0 ,0
0 10 20 30 40 50
V a r io g r a m a d a c h u v a m d ia - E v e n to F r o n ta l
0 ,4
0 ,3
e m p r ic o
varincia
m o d e la d o
0 ,2
0 ,1
0 ,0
0 10 20 30 40 50
89
V a r io g r a m a d a c h u v a m d ia - E v e n to C o n v e c tiv o
0 ,4
0 ,3
varincia
e m p r ic o
0 ,2
m o d e la d o
0 ,1
0
0 10 20 30 40 50
0 ,4
0 ,3
varincia
e m p r ic o
0 ,2
m o d e la d o
0 ,1
0
0 10 20 30 40 50
0 ,4
0 ,3
varincia
e m p r ic o
0 ,2
m o d e la d o
0 ,1
0
0 10 20 30 40 50
90
O modelo esfrico de variograma foi adotado na anlise do evento frontal. Os
parmetros foram os seguintes: d-0,3 (alcance = 26,473 pxeis; patamar = 0,227
(mm/h)2; efeito pepita = 0,05(mm/h)2), d-0,6 (alcance = 17,404 pxeis; patamar =
0,20(mm/h)2; efeito pepita = 0,06(mm/h)2) e d-0,9 (alcance = 14,481 pxeis; patamar =
0,05(mm/h)2; efeito pepita = 0,035(mm/h)2) .
No evento convectivo, as seguintes classes, em mm/h, foram definidas na

modelagem: (1) 0 - 2; (2) 2 4; (3) 4 6; (4) 6 8; (5) 8 10; (6) 10 12; (7) 12 15;
(8) 15 20. Os limiares escolhidos e correspondentes variogramas indicatrizes foram:
2mm/h d-0,3; 4mm/h d-0,3; 6mm/h d-0,3; 8mm/h d-0,6; 10mm/h d-0,6;
12mm/h d-0,6; 15mm/h d-0,7; 20mm/h - d-0,7.
O modelo esfrico de variograma foi adotado na anlise do evento convectivo. Os

parmetros foram os seguintes: d-0,3 (alcance = 12,411 pxeis; patamar = 0,15 (mm/h)2;
efeito pepita = 0,05(mm/h)2), d-0,6 (alcance = 12,411 pxeis; patamar = 0,18(mm/h)2;
efeito pepita = 0,05(mm/h)2) e d-0,7 (alcance = 13,448 pxeis; patamar = 0,15(mm/h)2;
efeito pepita = 0,05(mm/h)2).
Na modelagem por indicadores seqenciais, poder-se-ia gerar vrios cenrios de

simulao para uma posterior anlise pelo mtodo de Monte Carlo. No presente
trabalho, apresenta-se apenas uma (1) simulao para cada evento a ttulo de ilustrao,
onde, no evento frontal, um conjunto de 10 postos pluviomtricos foram utilizados para
a calibrao e 6 postos foram empregados para a validao. Por outro lado, no evento
convectivo, foram considerados 11 postos para calibrao e 7 postos foram analisados
na validao.
No caso do evento frontal, as relaes dos valores observados pelos postos com os
valores estimados pelo radar (relao ZR) e com os valores estimados pelo modelo so
demonstradas na Figura 5.35. Nota-se que o modelo consegue obter valores bem
prximos dos medidos pelos postos. No entanto, h diferenas com relao grandeza
de valores verificada para os dados dos postos e os dados do radar. No caso desse
evento, a relao ZR utilizada no reproduz adequadamente a chuva ocorrida na
superfcie. Essas diferenas reforam o argumento de que necessrio investigar a
adequabilidade da relao ZR para diferentes tipos de precipitao.
91
De forma a se fazer a validao dos resultados do modelo e verificar a sua
robustez, foi avaliada a estimativa de chuva para a regio em estudo no local dos 6
postos pluviomtricos no utilizados no processo de calibrao. Um grfico de
disperso ilustra a relao dos valores observados pelos postos com os dados do radar
(relao ZR) e com os valores estimados pelo modelo para cada evento (Figura 5.36).
Os resultados para os postos no conhecidos pelo modelo foram considerados
aceitveis.
A Figura 5.37 mostra a distribuio espacial dos valores estimados pelo modelo
de simulao para o evento frontal. Quando se compara a Figuras 5.37 com a Figura
5.16, referentes ao radar, verifica-se que o modelo reproduz satisfatoriamente a
variabilidade espacial identificada pelos dados do radar.
Analogamente anlise conduzida para o evento frontal, procedeu-se o exame

dos valores observados nos postos comparativamente aos valores obtidos pela relao
ZR e pelo modelo de simulao para o evento convectivo. A Figura 5.38 ilustra os
resultados para a etapa de calibrao, enquanto a Figura 5.39 detalha os resultados para
a fase de validao. A Figura 5.40, por sua vez, reflete o comportamento espacial da
chuva para o evento convectivo. Quando se compara a Figura 5.40 com a Figura 5.17,
referente ao radar, verifica-se que o modelo reproduz satisfatoriamente a variabilidade
espacial identificada pelos dados do radar.
92
Estimativas de indicadores seqenciais e do radar x
10
9
8
Estimativas (mm/h)
7
6
Radar (relao Z-R)
5 Indicadores seqenciais
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
Postos (mm/h)
Figura 5.35 -Estimativas da modelagem indicatriz e medies do radar com relao aos postos
(calibrao)

postos pluviomtricos - Evento Frontal
10
9
8
Estimativas (mm/h)
7
6 Relao Z-R
5 Indicadores seqenciais
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 10
Postos (mm/h)
Figura 5.36 - Estimativas da modelagem indicatriz e medies do radar com relao aos postos
(validao)
93
Figura 5.37 - Distribuio espacial das estimativas de chuva, em mm, para o evento frontal, com a
rea de estudo delimitada por um quadrado
94
20
18
16
14
Estimativas (mm/h)
12
Radar (Relao Z-R)

10
Indicadores Seqenciais
0
0 2 4 6 8 10 12 14 16 18 20
Postos (mm/h)
(calibrao)

20
18
16
14
Estimativas (mm/h)
12
10 Radar (Relao Z-R)

Indicadores Seqenciais
0
0 2 4 6 8 10 12 14 16 18 20
Postos (mm/h)
(validao)
95
Figura 5.40 - Distribuio espacial das estimativas de chuva, em mm, para o evento convectivo, com
a rea de estudo delimitada por um quadrado
5.4 - Anlise Comparativa dos Resultados
Neste item, procura-se sintetizar as anlises conduzidas sobre os desempenhos

da estimativa de chuva com radar e dos dois mtodos geoestatsticos empregados nesta
dissertao. As Tabelas 5.6 e 5.7 contrastam os valores observados com os valores
estimados para o evento frontal, levando-se em conta as etapas de calibrao e
validao, respectivamente. Similarmente, as Tabela 5.8 e 5.9 discriminam os resultados
para o evento convectivo.
96
Tabela 5.6- Valores de chuva observados (postos ) e estimados (radar, krigagem bayesiana-Kb e
krigagem indicatriz- Ki ) para o evento frontal de 04/02/95 (calibrao)

X Y Postos Radar Kb Ki
58 86 1,30 5,85 0,9 0,90
58 88 1,50 6,11 1,3 0,90
60 91 1,40 6,34 1,1 0,90
60 94 1,80 7,01 2,1 0,70
61 99 1,10 6,15 0,8 0,70
63 91 1,90 7,37 2,9 0,30
64 106 0,70 5,83 0,2 0,90
67 83 1,20 5,85 0,9 0,90
70 103 0,70 5,76 1 0,30
73 100 1,30 5,11 1,5 0,30
Mdia 1,29 6,14 1,27 0,68
Varincia 0,16 0,42 0,57 0,08
Tabela 5.7 Valores de chuva observados (postos) e estimados (radar, krigagem bayesiana- Kb e
krigagem indicatriz- Ki ) para o evento frontal de 04/02/95 (validao)

58 86 1,30 5,85 1,10 0,90
60 91 1,40 6,34 1,90 0,90
60 94 1,80 7,01 2,60 0,70
61 99 1,10 6,15 1,40 0,70
67 83 1,20 5,85 0,80 0,90
73 100 1,30 5,11 0,20 0,30
Mdia 1,35 6,05 1,33 0,73
Varincia 0,06 0,40 0,71 0,05
97
Tabela 5.8- Valores de chuva observados (postos) e estimados (radar, krigagem bayesiana-Kb e
krigagem indicatriz- Ki ) para o evento convectivo de 30/03/95 (calibrao)

55 86 8,10 5,88 10,50 7,00
56 86 13,30 5,98 12,30 7,00
56 89 6,00 5,30 6,10 7,00
58 86 7,20 7,74 9,20 7,00
59 92 5,50 7,46 6,10 3,00
59 97 6,50 4,43 3,80 3,00
60 91 7,80 7,41 6,90 3,00
61 99 5,80 4,69 3,80 7,00
62 87 8,50 7,68 9,60 3,00
63 91 11,40 7,78 11,90 3,00
78 85 5,60 18,53 12,30 7,00
Mdia 7,79 7,53 8,41 5,18
Varincia 6,32 14,89 10,43 4,36
Tabela 5.9- Valores de chuva observados (postos) e estimados (radar, krigagem bayesiana - Kb e
krigagem indicatriz- Ki ) para o evento convectivo de 30/03/95 (validao)

55 86 8,10 5,88 11,80 7,00
56 89 6,00 5,30 13,00 7,00
58 86 7,20 7,75 9,10 7,00
59 92 5,50 7,47 12,80 1,00
60 91 7,80 7,42 3,90 1,00
61 99 5,80 4,68 8,60 7,00
63 91 11,40 7,78 4,50 1,00
Mdia 7,40 6,61 9,10 4,43
Varincia 4,14 1,67 14,11 10,29
98
Adicionalmente, de forma a se caracterizar o desempenho dos mtodos
supracitados, optou-se por calcular algumas estatsticas. As medidas estatsticas usadas
foram: (a) coeficiente de correlao(R), (b) erro mdio (EM), erro reduzido mdio
quadrado (ERM), e erro mdio quadrtico (EMQ). A seguir, esto suas definies.
(a) Coeficiente de correlao (R)
1 N
( x i mx )( x *i m * )
N 1 i =1 x
R= (5.2)
x *
x
onde
xi um valor observado;
x*i um valor estimado;
mx a mdia do valor observado;
mx* a mdia do valor estimado;
x o desvio padro do valor observado;
x* o desvio padro do valor estimado;
N o nmero de medidas.
(b) erro mdio (EM)
EM =
1
N i =1
( x i x *i )
(5.3)
99
(c) Erro reduzido mdio quadrado (ERM)
2
1 N x i x *i
ERM = (5.4)
N i =1 x
(d) Erro mdio quadrtico (EMQ)
1
1
EMQ =
N
( )22
x i x *i (5.5)
N i 1
As Tabelas 5.10 e 5.11 refletem a anlise comparativa, com base nas estatticas
de resumo mencionadas, para o evento frontal, envolvendo as fases de calibrao e
validao, respectivamente. As Tabelas 5.12 e 5.13 sintetizam os resultados para o
evento convectivo.
Tabela 5.10- Medidas estatsticas de comparao para a regresso e mtodos geoestatsticos (Evento
frontal- calibrao)
Mtodo R EM ERM EMQ
Relao ZR (radar) 0,70 -4,85 149,25 4,87
Krigagem bayesiana 0,86 0,02 1,22 0,44
Krigagem indicatriz -0,08 0,61 3,77 0,77
Tabela 5.11- Medidas estatsticas de comparao para a regresso e mtodos geoestatsticos

(Evento frontal- validao)
Mtodo R EM ERM EMQ
Relao ZR (radar) 0,67 -4,70 378,22 4,72
Krigagem bayesiana 0,71 0,02 6,75 0,63
100
convectivo- calibrao)
Mtodo R EM ERM EMQ
Relao ZR (radar) -0,19 0,26 3,59 4,77
Krigagem bayesiana 0,41 -0,62 1,82 3,40
convectivo- validao)
Mtodo R EM ERM EMQ
Relao ZR (radar) 0,48 0,79 0,83 1,85
Krigagem bayesiana -0,66 -1,70 6,57 5,21
Finalmente, com base nas Tabelas 5.6 a 5.13, pode-se observar que a abordagem
geoestattica forneceu, em geral, resultados melhores do que o uso estrito da relao ZR.
Esse fato fica melhor evidenciado quando se analisa o evento frontal. Pode-se perceber
ainda que o mtodo de krigagem bayesiana apresentou desempenho superior em relao
ao mtodo de simulao condicional por indicadores seqenciais.
101
6 - - CONCLUSES E RECOMENDAES
O objetivo mais abrangente desta pesquisa constituiu-se na anlise das variaes

espaciais de sistemas precipitantes. Mais especificamente, foram investigadas as
estruturas de correlao espacial dos valores de chuva obtidos pelos postos
pluviomtricos localizados na bacia do Alto-Tiet e pelas estimativas feitas pelo radar
de So Paulo por meio da relao ZR.
O referencial metodolgico adotado seguiu uma abordagem geoestatstica,

procurando integrar dados de campo convencionais, dos postos, e uma base de dados
espaciais gerada por radar meteorolgico.
Dentro dessa perspectiva, foi conduzida uma anlise estrutural realizada com
dados de dois eventos chuvosos com origem em diferentes sistemas meteorolgicos:
uma frente fria que atingiu a regio do radar no dia 01/01/95 e um sistema convectivo
ocorrido no dia 05/01/95.
Os resultados dessa anlise estrutural mostraram a presena de correlao

espacial dos dados. Foi feito o clculo do variograma para cada hora do evento. Esses
variogramas apresentaram um certo grau de variabilidade com relao forma e
alcances. Considerou-se, nessa pesquisa, a chuva mdia como representativa da
variabilidade espacial da chuva. Com base na anlise dos variogramas correspondentes
chuva mdia para diferentes direes, adotou-se a hiptese de isotropia para o presente
estudo. Alm disso, ficou evidenciada a relao entre dados do radar e os dados dos
postos pluviomtricos, atravs da construo dos covariogramas.
Com vistas a se proceder a integrao entre os dados de campo dos postos

pluviomtricos, de natureza pontual, e os dados de radar, de natureza espacial,
adotaram-se dois modelos geoestatsticos, krigagem bayesiana e simulao condicional
por indicadores seqenciais (krigagem indicatriz) para a estimativa da chuva. Foram
analisados os eventos do dia 04/02/95, relativos a uma frente fria, e do dia 30/03/95,
correspondente a um sistema convectivo.
As estimativas de chuva obtidas pela modelagem de krigagem bayesiana e pela

krigagem indicatriz foram bastante reveladoras do potencial de utilizao de um
referencial geoestatstico no estudo da variabilidade espacial de eventos chuvosos, em
102
complementao relao ZR, comumente utilizada nos radares meteorolgicos. A
capacidade de captar a estrutura de correlao espacial presente nos dados de radar
meteorolgico aliada informaes quantitativas de postos pluviomtricos torna a
modelagem geoestatstica uma ferramenta bastante promissora em estudos
hidrometeorolgicos.
No presente trabalho, o mtodo de krigagem bayesiana apresentou uma

performance superior ao mtodo de simulao condicional por indicadores seqenciais
para os eventos frontal e convectivo analisados. Ressalte-se, no entanto, que o mtodo
de simulao condicional por indicadores seqenciais no foi explorado em toda a sua
potencialidade, uma vez que foi feita a avaliao de apenas uma simulao para os
eventos frontal e convectivo. Adicionalmente, a modelagem indicatriz tem o potencial
de caracterizar diferentes graus de continuidade em funo da ordem de grandeza da
varivel de interesse.
Como recomendaes para futuros trabalhos, sugere-se:
o desenvolvimento de modelos meteorolgicos que incorporem a estrutura de

correlao espao-temporal;
o desenvolvimento de modelos de previso de chuva acoplados a modelos

hidrolgicos do tipo chuva-vazo;
o planejamento de redes hidrometeorolgicas, sob o enfoque geoestatstico;
a aplicao da abordagem geoestatstica integrando dados de radar e estaes

pluviomtricas situadas em sua rea de abrangncia a outras regies do pas
(exemplo: radar do Pico do Couto Petrpolis / RJ, recentemente instalado pelo
Ministrio da Aeronutica);
explorar a metodologia de simulao condicional por indicadores seqenciais em

toda a sua plenitude, ou seja, fazer uma anlise de Monte Carlo a partir de mapas
eqiprovveis;
a comparao de modelos geoestatsticos com outras metodologias de anlise

espacial.
103
Finalmente, espera-se que a pesquisa desenvolvida contribua para o
entendimento e a modelagem da distribuio espacial da chuva, proporcionando novas
idias e concepes para o tratamento deste tema.
104
7 - -REFERNCIAS BIBLIOGRFICAS
ABBOTT, M.B., M.B., BATHURST, J.C., CUNGE, J.A., OCONNELL, P.E.,

RASMUSSEN, J., 1986 a, " An introduction to the European Hydrological
System Systme Hydrologique Europen SHE 1: History and philosophy of a
physically based, distributed modeling system ", Journal of hydrology, v. 87,pp.
45-59.
ABBOTT, M.B., M.B., BATHURST, J.C., CUNGE, J.A., OCONNELL, P.E.,

RASMUSSEN, 1986b, "2: Structure of a physically-based, distributed modelling
system", Journal of hydrology, v.87, pp.61-77.
ABREU, G.F., 2000, Sensoriamento remoto aplicada na classificao da cobertura do

uso do solo de uma bacia hidrogrfica, Tese de Mestrado, COPPE/UFRJ, Rio de
Janeiro, RJ, Brasil.
ADLER, R.F., A. J. NEGRI, P.R. KEEHN, I.M. HAKKARINEN, 1993, Estimation of

monthly rainfall over Japan and surrounding waters from a combination of low
orbit microwave and geosynchronous IR data, Journal of Applied Meteorology,
v.32, pp. 335-356.
ALABERT, G. F., 1987, Stochastic imaging of spatial distributions using hard and soft
informations, Master Thesis, Stanford University, U.S.A.
ALPERT, P, H. SHAFIR, 1989, Meso -scale distribution of orographic precipitation:

Numerical study and comparison with precipitation derived from radar
measurements, J.Appl.Meteor, v.28, pp.1105-1107.
AMOROCHO, J., MORGAN, D., 1974, "Convective storm field simulation for
distributed models", Proc. Warsaw Symp on Mathematical Models in hydrology,
Int. Assoc. of Hydrol. Sci., Wallingfoud, pp. 598-607.
AMOROCHO, J., NU, B., 1977, "Mathematical models for simulations of cyclonic
storm sequences and precipitations fields", Journal of Hydrology, v.32, pp.329-
345.
105
AMOROCHO, J., SLACK, J. R., 1970,"Simulations of cyclonic storm fields for
hydrologic modeling", Proc. Am. Geophys, Union Annual Meeting, Washington,
DC, December. AGU, Washington, DC.
ATKINSON, P. M., CURRAN, P. J., 1995, "Defining an optimal size of support for
remote sensing investigations", IEEE Trans. on Geosci. and Remote Sensing,
v.33, pp. 768-776.
ATKINSON, P. M., WEBSTER, R., CURRAN, P. J., 1992, "Cokriging with ground-
based radiometry", Remote Sensing of Environment, v.41, pp. 45-60.
ATLAS, D. F.H LUDLAM, 1961, Multiple-wavelenght radar reflectivity of

hailstorms, Quart J. Roy Meteor. Soc., v.87, pp. 523-534.
AUSTIN, P.M., R.A. HOUZE, 1972, Analysis of the structure of precipitation patterns
in New England, J. Appe. Meteor, v. 11, pp. 926-935.
BARBOSA, D. C. M., 2000, Geoestatstica aplicada a dados de radar meteorolgico,

Tese de Mestrado, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
BARBOSA, M. C. D., ROTUNNO FILHO, O. C., PEREIRA FILHO, A. J.,

MAGALHES, P., 1998, "Geoestatstica Aplicada a Dados de Radar
Meteorolgico", In: X Congresso Brasileiro de Meteorologia, Anais, SBMET,
Braslia.
BATTAN, L. J., 1973, Radar Observation of the Atmosphere, The University of

Chicago Press Ltd. USA.
BHARGAVA, M., DANARD, M., 1994, "Application of optimum interpolation to the

analysis of precipitation in complex terrain". In: J. Appl. Meteor., 33,508-518.
BATHURST, J.C., 1986 a, "Physically-based distributed modelling of an upland

catchment using the Systeme Hydrologique Europen", Journal of hydrology,
v.87, pp.79-102.
BATHURST, J.C., 1986 b, "Sensitivity analysis of the Systeme Hydrologique Europen

for an upland catchment", Journal of Hydrology, v.87, pp.103-123.
106
BATTAN, L.J., 1973, Radar observations of the atmosphere, University of Chicago
Press, Chicago and London.
BEVEN, K., BINLEY, , 1992, "The future of distributed models: model calibration and
uncertainty prediction", Hydrological Processes, v.6, pp.279- 298.
BEVEN, K., J., P.E. O'CONNEL, 1982, "On the role of phisically-based distributed
modelling in hidrology", n.18, Institute of Hydrology, UK, pp.1-36.
BEVEN, K., 1989, "Changing ideas in hydrology - the case of physically- based
models", Journal of Hydrology, v.105, pp.157- 172.
BEVEN, K., LAMB, R., QUINN, P., ROMANOWICZ, R., FREER, J., 1995,
TOPMODEL. In: Singh, V. P. (ed.). Computer Models of Watershed Hydrology.
Water Resource Publications, Colorado, p. 627-668.
BRAGA JR, B.P.F. , BARROS, M.T.L., 1992, O Sistema de Alerta a Inundaes da

Cidade de So Paulo. In: Telemetria e Sensoriamento Remoto com Aplicaes
em Hidrologia e Meteorologia, Marcos de Lacerda Pessoa, Curitiba, FINEP.
BRANDES, E. A., 1975, "Optimizing Rainfall Estimates with the Aid of Radar". In:
Journal of Applied Meteorology, v. 14 (Oct), pp. 1339-1345.
BRAS, R. L., RODRIGUES-ITURBE, I., 1976, "Rainfall generation: a non-stationary

time varying multi-dimensional model", Water Resources Research, v.12, n.3, pp.
450-456.
BRINGI, J. VIVEKANANDAN, J.D. TUTTLE, 1986 b, Multiparameter radar

measurements in Colorado convective storms. Part II: Hail detection studies,J.
Atmos. Sci., v.43, pp.2564-2577.
CANEDO, P. M., 1979, The reliability of conceptual catchment model calibration, Tese
de Doutorado, University of Lancaster, United Kingdom.
CHOW, V.T., 1964, Handbook of applied hydrology, Mc Graw Hill, New York, N. Y..
CHUA, S. H., R. L. BRS, 1982, Optimal estimators of mean areal precipitations in

regions of orographic influence, Journal of. hydrology., v.57, pp. 23-48.
107
CLARK, J. D., 1983, The GOES users guide, NESDIS, NOAA, Department of
Commerce, Washington, D.C.
CLARKE, ROBIN T., 2002, Stochastic Hydrology Revisited, Revista Brasileira de

Recursos Hidricos, v.7, n.4, pp.97-104.
CLIFF.A. D. e ORD, J. K. (1981). "Spacial Processes Models and Applications",

London, Pion.
COLLIER, C. G. (1989), Applications of weather radar systems - a guide to use of

radar data in meteorology and hydrology, Ellis Horwood Limited, 294 pp.
COLLINGE, V. K., KIRKBY C., 1987, Weather radar and flood forecasting, John
Wiley & Sons.
COLWELL, R.N (ED.), 1983, "Manual of remote sensing. vols I an II", American
Society of Photogrammetry, Falls Church, V.A.
COSTA, F. S., 1996, Gerao de Padres Sintticos de Flutuaes Temporais e

Espaciais das Precipitaes durante Tempestades, Tese de Doutorado, Programa
de Engenharia Civil, COPPE/UFRJ, Rio de Janeiro.
COWPERTWAIT, P.S.P., 1991, "Further developments of the Neyman Scott

clustered point process for modeling rainfall", Water Resources Research, v.27,
n.7, pp.1431-1438.
COWPERTWAIT, P.S.P., O CONNELL, P. E., METCAFFE, AV, MAWDSLEY,

J.A., 1996 a, "Stochastic point process modeling of rainfall. I Single-site fitting
and validation", Journal of Hydrology, v.175, pp.17-46.
COWPERTWAIT, P.S.P., O CONNELL, P. E., METCAFFE, AV, MAWDSLEY,

J.A., 1996b, "Stochastic point process modeling of rainfall. II Regionalization and
disaggregation", Journal of Hydrology, v.175, pp.47-65.
CRAWFORD, K. C., 1979, "Considerations for the design of a hydrologic data network
using multivariate sensors", Water Resources Research., v.18,pp. 413-431.
108
CRAWFORD, N.H., LINSLEY, R.K., 1966, " Digital simulation in hydrology",
Stanford watershed Model IV, Stanford Univ. Dep. Civ. Eng. Tech. Rep, v.39.
CRESSIE, N. (1993)," Statistics for Spatial Data", Revised edition, John Wiley & Sons
Inc.
CREUTIN, J. D., C. OBLED, 1982, Objective analyses and mapping techniques for
rainfall fields: An objective comparison, Water Resour Res., v.18, n.2, pp. 413-
431.
CUNGE, J.A, HOLLY, F.M., VERVEY, A., 1980, Practical aspects of computacional
river hydraulics, Pitman, London.
CURRAN, P. J., 1988, "The semivariogram in remote sensing: an introduction", Remote

Sensing or Environment, v.24, pp. 493-507.
DALE MELLOR, 1996, The modified turning bands (MTB) model for space-time
rainfall. I. Model definition and properties , Journal of Hydrology , Departament
of Civil Engineering, University of New Castle upon Tyne, Newcastle upon Tyne
NE17RU, UK, v.175, pp.113-127.
DALEZIOS, N. R., 1982, Real-time radar rainfall measurements for hydrologic

modelling, Ph. D. thesis, Dept.of Civil Engineering, University of Waterloo,
Ontario, Canada.
DALY, C., R.P. NEILSON, D. L. PHILIPS, 1994, A statistical topographic model

for mapping climatological precipitation over mountainous terrain, J. Appl.
Meteor., v.33, pp. 140-158.
DAVID, M. (1977), " Geoestatistical Ore Reserve Estimation Elsevier. Amsterdam
DAWDY, D. R., O'DONNEL, T., 1965, "Mathematical models of catchment

behaviour", Journal of Hydraulics Division American Society of Civil
Engineering,v.91, pp.123- 137.
DE MARSILY, G., 1986,"Quantitative hydrogeology", Academic Press, London.
109
DELHOMME, J.P., 1978,Kriging in the hidrosciences, Adv. Water Resour.,v.1(5),
pp.251-266.
DONALD, J. R., E. D. SOULIS, N. KOUWEN e A. PIETRONIRO, 1995, "A land cover-

based snow cover representation for distributed hydrologic models", Water
Resources Research, v.31, n.4, pp. 995-1009.
DONALDSON, R.J., 1961, Radar reflectivity profiles in thunderstorms, J. Meteor.,

v.18, pp.292-305
DOOGE, J.C.I., 1986, "Looking for hydrologic laws", Water Resources Research, v.22,
pp.46S- 58S.
DOVIAK, R. J., ZRNIC, D. S., 1984, Doppler radar and Weather Observations, New
York, Academic Press Inc.
DUAN, Q., SOROOSHIAN, S., GUPTA, V.K., 1992, "Effective and efficient global
optimization for conceptual rainfall- runoff models", Water Resources Research,
v.28, pp.1015- 1031.
E TODINI, M. FERRARESI, 1996, " Influence of parameter estimation uncertainty in

kriging", Journal of Hydrology, Institute for Hydraulic Construction, University
of Bologna Viale Risorgimento 2, 40136 Bologna, Italy, v.175, pp.555-556.
EBERT, E.E., M.J. MANTON, P. ARKIN, R.J. ALLAM, G.E. HOLPIN, A. GUMBER,
1996, Results from the GPCP algorithm intercomparison program, Bull. Amer.
Meteor. Soc., v.77, pp. 2875-2887.
ENGMAN, E. T., 1990, Use of microwave remotely sensed data in hydrologic

modeling, Proceedings of the Workshop on Applications of Remote Sensing in
Hydrology, Saskatoon, Sakatchewan, pp. 259-278.
ENGMAN, E. T., GURNEY, R. J, 1991, Remote Sensing in hydrology, Chapman and

Hall, London.
ENTEKHABI, D, RODRIGUEZ ITURBE, I., EAGLESON, P.S., 1989, "Probabilistic

representation of the temporal rainfall process by a modified Neyman Scott
110
retangular pulse model: parameter estimation and validation", Water Resources
Research, v.25, n.2, pp.295-302.
ENTEKHABI, D., COAUTHORS, 1999, An agenda for land surface hydrology

research and a call for the second international hydrological decade, Bull. Amer.
Meteor So,. , v. 80, pp. 2043-2058.
ENVI, 1997, version 2.6, Envi users guide, The Environment for Visualizing Images,
Colorado, U.S.A.
FABIEN MINISCLOUX, JEAN DOMINIQUE CREUTIN, SANDRINE ANQUETIN,

Geostatistical analysis of orographic rainbands, 2001, Journal of Applied
Meteorology, Laboratotre dtudes des Transferts en Hydrologle et
Environnement Observatotre des Sciences de I Univers de Grenoide, Grenoble,
France, V.40, n. 11, pp. 1835-1854.
FORTIN, J. P., J. P. VILLENEUVE, A. GUILBOT e B. SEGUIN (1986),

Development of a modular hydrological forecasting model based on remotely
sensed data for interactive utilization on a microcomputer, Proceedings Cocoa
Beach Workshop 1985: Hydrologic Applications of Space Technology, A. I.
Johnson, ed., IAHS Publication No. 160, Int. Assoc. of Hydrologic Sci.,
Wallinford, England, pp. 307-319.
FOUFOULA GEORGIOU, E. AND GUTTORP, P., 1987, "Assessment of a class of

Neyman Scott models for temporal rainfall", J. Geophys. Res., v.92, n.8, pp.
9679-9682.
GANDIN, L.S., 1970, "The planning of meteorological station network", WMO Tech.
Note, v.111.
GARLAND, G., 1986, Resolution considerations in using radar rainfall data for
hydrologic modelling, M. Sc. Thesis, Dept of Civil Engineering, University of
Waterloo, Waterloo, Ontrio, Canad.
111
GMEZ-HERNANDEZ, J. J., R.M. SRIVASTAVA, 1990, ISIM3D:An ANSI-C three-
dimensional multiplr indicator conditional simulation program, Computer in
Geosci., v.16, n.4, pp.395-414.
GMEZ-HERNANDEZ, J.J., X. H. WEN, 1994, " Probability assesment of travel times

in groundwater modelling", Stochastic Hydrology and Hydraulics, n.8, pp.19-95.
GORI, E.G., J. JOSS, 1980, Changes of shape of raindrop size distributions

simultaneously observed along a mountain slope, J. Research. Atmos, v. 14, pp.
239-300.
GRODY, N.C, 1991, Classification of snow cover and precipitation using the Special
Sensor Microwave/Imager, J. Geophys. Res., v.96, pp. 7423-7435
GUPTA, R.P., 1991, Remote sensing geology, Springer- Verlag Berlin Heidelberg, New
York.
GUPTA, S. K., SOLOMON, S.I., 1977a, "Distributed numerical model for estimating
runoff and sediment discharge of ungaged rivers 1. The informatiom system",
Water Resources Research, v.13, n.3, pp.613- 618.
GUPTA, S. K., SOLOMON, S.I., 1977b, "Distributed numerical model for estimating
runoff and sediment discharge of ungaged rivers 3. Comparison with other simple
techniques", Water Resources Research, v.13, n.3, pp.631- 636.
GUPTA, V. K., WAYMIRE, E. C., 1979, "A stochastic kinematic study of subsynoptic
space-time rainfall", Water Resources Research, v.15, n.3, pp. 637-644.
HARIMAYA, T. K. TOBIZUKA, 1988, Enhancement of rainfall by the orographic

effect: A case study, J. Disaster Sci., v.10, pp. 13-24.
HARTIGAN, J. A.,, 1969, "Linear Bayesian Methods", J. Royal Stat. Soc. Ser. B, v.31,
pp. 446-454.
HARVEY, K. D. e S. I. SOLOMON (1984), Satellite remotely-sensed land use data

for hydrologic modelling, Canadian Journal of Remote Sensing, v. 10, no. 1.
112
HEVESI, J. A., J.D. ISTOK, A.L. Flint, 1992a, Precipitation estimation in
mountainous terrain using multivariate geoestatistics. Part I: Structural analysis,
J. Appl. Meteor, v.31, pp. 661-676.
HEVESI, J. A., J.D. ISTOK, A.L. FLINT, 1992b, Precipitation estimation in

mountainous terrain using multivariate geoestatistics. Part II: Isohyetal maps, J.
Appl. Meteor, v. 31, pp. 677-688
HILL, F F., K. A. BROWNING, M. J. BADER, 1981, Radar and rain gauge

observations of orographic rain over south Wales, J. Roy. Meteor. Soc., v.107,
pp. 643-670.
HILLIER, F. S., LIEBERMAN, G. L., 1980, Introduction to Operational Research.

Holden-Day, San Francisco.
HJORT, N. OMRE, H. (1994). "Topics in spatial statistics", Scandinavian Journal of

Statistics, v. 21, pp.289-357.
HOUZE, R. A., HOBBS P. V., BISWAS, K.R., DAVIS, W.M., 1976, "Mesoescale
rainbands in extratropical cyclones", Mon. Weather Rev., v.104, n.7, pp. 868-878.
HOUZE, R.A., JR, 1993, Cloud Dynamics, Academic Press, 573 pp.
ISAAKS, E. e SRIVASTAVA, R.(1989). "An Introduction to Applied Geoestatistics",

Oxford University Press.
JACKSON, T. J. e T, J. SCHMUGGE, 1981, " Aircraft active microwave measurements

for estimting soil moisture", Photogr. ENG. Remote Sensing, v.47, n.6, pp. 801-
805.
JACKSON, T. J., R. M. RAGAN e W. N. FITCH 1977, Test of landsat-based urban

hydrologic modelling. J. Water Resour. Plann. Manage. Div., ASCE, 103 (WR1):
141-158.
JAKEMAN, , J., HORNBERGER, G. M.,1993, "How much complexity is warranted in

a rainfall- runoff model?", Water Resources Research, v.29, n.8, pp.2637- 2649.
113
JOHNSON, G.L., C.L HANSON, 1995, Topographic and atmospheric influences on
precipitation variability over a mountainous watershed, J. Appl. Meteor, v.34,
pp. 68-87.
JONES, D. M. A., 1956, Rainfall drop-size distribution and radar reflectivity , In:
Urban Meteorol. Laboratory n6, State Water Survey, Illinois.
JOSS, T., A. WALDVOGEL, 1990, Precipitations measurement and hydrology,

Radar in meteorology: Battan Memorial and 40 th Anniversary Radar
Meteorology Conference, D. Atlas, vd., Amer Meteor Soc., pp. 577-606.
JOURNEL, A. G., 1983, " Non-parametric estimation of spatial distributions",

Mathematical Geology, n.15, pp.445-468.
JOURNEL, A. G., 1986, Constrained interpolation and qualitative information - The

soft kriging approach, v.18, n.3.
JOURNEL A., HUIJBREGTS, CH., 1978, "Mining geostatistics", Academic Press,

New York.
JOURNEL, A. G., HUIJBREGTS, CH. J., 1978, Mining Geostatistics, London,

Academic Press Inc.
JUPP, D. L. B., STRAHLER, A. H., WOODCOCK, C. E., 1988, "Autocorrelation and

regularization in digital images, I, basic theory", In: IEEE Trans. on Geosci. and
Remote Sensing, v.26, n. 4, pp. 463-473.
JUPP, D. L. B., STRAHLER, A. H., WOODCOCK, C. E., 1989, "Autocorrelation and

regularization in digital images, II, simple image models", In: IEEE Trans. on
Geosci. and Remote Sensing, v.27, n.3, pp. 247-258.
KAVVAS, M. L., PURI, P.S., 1983, "A stochastic model of the extratropical cyclonic
precipitations field formed around a low pressure center", EOS Trans. Am.
Geophys. Union, v.16, n.18, p. 221.
KAVVAS, M.L., SAQUIB, M.N., PURI, P.S., 1987, "On a stochastic descripton of the
time-space behaviour of extratropical cyclonic precipitations fields", J. Stochastic
Hydrol. Hydraulic, v.1, pp. 37-52.
114
KIDD, C., 1998, On rainfall retrieval using polarization corrected temperatures, Jnt.
J. Remote Sens., v.19, pp. 981-996.
KIM, J., N.L. MILLER, A.K. GUETTER, K. P. GEORGAKAKOS, 1998, River flow
response to precipitation and snow bridget in California during the 1994/95
winter, J. Climate, v. 11, pp. 2376-2386.
KIM, J., N.L. MILLER, J. D. FARRARA, S. Y. HONG, 2000, A sazonal precipitation

and stream flow hindcast and prediction study for the 1997/98 winter season using
a dynamic downscaling system, J. Hydrometeor, v. 1, pp. 311-329.
KOUWEN, N., 1988, " WATFLOOD: a micro-computer based flood forecasting

system based on real-time weather radar", Canadian Water Resources Journal, v.
13, n. 1, pp. 62-77.
KOUWEN, N., E. D. SOULIS, A. PIETRONIRO, J. DONALD, R. A. HARRINGTON,

1993, " Grouped response units for distributed hydrologic modeling", ASCE
Jornal of Water Resources Manegement and Planning.
KRAIJENHOFF, D.A, MOLL, J.R. (Editors), 1986, River flow modelling and
forecasting, D.Reidel, Dordrecht.
KRZYSZTOFOWICZ, R., 1998, Probabilistic forecasting via deterministic hydrologic

model, Water Resources Research, v.35, pp. 2739 2750
KUCZERA, G., 1983 a, Improved parameter inference in catchment models, 1,

Evaluating parameter uncertainty, Water Resou. Res., v. 19, pp. 1151-1162.
KUCZERA, G., 1983 b, Improved parameter inference in catchment models, 2,

Combining different kinds of hydrologic data and testing their compatibility,
Water Resour. Res., 19, pp. 1163-1172.
KUMAR, P, E FOUFOULA GEORGIOU, 1993, A multicomponent decomposition

of spatial rainfall fields: 1. Segregation of large and small scale features using
wavelet transforms, Water Resources Research, v. 29, pp. 2515-2532
115
LARSEN, J. E., SIVAPALAN, M., COLES, N. et al., 1994, "Similarity analysis of
runoff generation processes in real- world catchments", Water Resources
Research, v.30, n.6, pp.1641- 1652.
LEARY, C.A., RA. HOUZE JR., 1979, The structure and evolution of convection in a
tropical cloud cluster, J. Atmos Sci, v.36, pp. 437-457.
LEAVESLEY, G. H. e L. G. STANNARD (1990), Applications of remodely sensed

data in a distributed parameter watershed model, Proceedings of the Workshop on
Applications of Remote Sensing in Hydrology, editors: G. W. Kite e A.
Wankiewicz, National Hydrology Research Institute, pp. 47-68, Saskatoon,
Saskatchewan.
LEUNG, A.F. HAMLET, D.P. LETTERNMAIER, A. KUMAR, 1999,Simulations of

the ENSO hidroclimate signals in the Pacific North-West Columbia River basin,
Bull. Amer. Meteor. Soc., v.80, pp. 2313-1329.
LEUNG, L.R., M.S. WIGMOSTRA, S. J. GHAN, D.J. EPSTEIN, L. W. VAIL, 1996,

Applications of a subgrid orographic precipitations/surface hydrology scheme to a
mountain watershed, J. Geophys. Res., v.101, pp. 12.803 12.817.
LEVIN, Z. G. FEINGOLD, S. TZIVION, 1991, The evolution of raindrop spectra:

Comparisons between modeled and observed spectra along a moutain slope in
Switzerland, J. Appl. Meteor., v. 30, pp. 893-900.
LINK, L. E., 1983, Compatibility of present hydrologic models with remotely sensed
data, Seventeenth International Symposium on Remote Sensing of Environment,
Ann Arbor, Michigan.
LOVEJOY, S., B.B. MANDELBROT, 1985, Fractal properties of rain, and a fractal
model, Tellus, 37A, pp. 209-232.
LYRA, J. F., 2001, Um novo mtodo para apresentao da hidrografia e das

caractersticas da bacia na gesto de recursos hdricos.
116
MANTAGLOU, A.,1987, Digital simulation of two and three- dimensional stochastic
processes with a spectral turning bands method, Mathematical Geology, v.19, n.2,
pp.129-150.
MANTAGLOU, A., J. L. WILSON, 1982, " The turning bands method for simulation
of random fields using line generation by a spectral method", Water Resources
Research, v.18, n.5, pp.1379-1394.
A, *
MARCO FRANCHINI , JACQUES WENDLINGB, 1, CHARLES OBLEDC, EZIO
TODINIA,1996, "Physical interpretation and sensitivity analysis of the TOP
MODEL", Journal of Hydrology, Universit di Bologna, Instituto di Costrizioni
Idrauliche, Facolt di Ingegneria, Viale Risorgimento 2,40136, Bologna, Italy,
v.175, pp.293-338.
MARSHALL, J. S. and W. M. PALMER, 1948, The Distribution of Raindrops with

Size, J. Meteorol., 5, 165-166.
MARTINEC, J. e A. RANGO, 1986, Parameter values for snowmelt runoff modelling,

J. of Hydrology, 84, pp. 197-219.
MASCARENHAS, F.C.B., MIGUEZ, MARCELO GOMES, 2002, "Urban Flood

Control through a Mathematical Cell Model", Water International. Estados
Unidos , v.27, n.2, pp.208 - 218.
MATHERON, 1962-1963, Trait de Geostatistique Applique, v.1-2, Technip, Paris.
MATHERON, G., 1970,"La thorie des variables regionaliss et ses aplications", Cah.
Cent. Morphol.Math, v.5.
MATHERON, G., 1973, " The intrinsic random functions and their applications",
Advan. Appl. Prob., n.5, pp.439-468.
MELLOR, D, METCALFE, A. V., 1996," The modified turning bands (MTB) model
for space-time rainfall. III. Estimation of the storm rainband profile and a
discussion of future model prospects", Journal of Hydrology, v.175, pp.161 180.
117
MELLOR, D., OCONNELL, P.E., 1996,"The Modifiel turning bands (MTB) model for
space-time rainfall. II. Estimation of raincell parameters, Journal of Hydrology,
v.175, pp. 129-159.
MESSAOUD, M., POINTIN, Y. B., 1990, "Small time and space measurement of the
mean rainfall rate made by a gauge network and by a dual-polarization radar". In:
J. Appl. Meteor, 29, 830-841
MICHAUD, J. D., B. A. AUVINE, O. C. PENALBA, 1995, Spatial and elevational

variations of summer rainfall in the south western United State, J. Appl. Meteor,
v. 34, pp. 2689-2703.
MILLER, N. L., J. KIM, 1996, Numerical prediction of precipitation and river flow
over the Russian River watershed during the january 1995 California storms,
Bull. Amer. Meteor. Soc., v. 77, pp. 101-105.
MILLER, N.L., R.K. HARTMAN, J.D. FARRARA, 1999, Dowscaled climate and
streamflow study of the south western United States, J. Amer. Water Resources.
Assoc., v. 35, pp. 1525-1538.
MOORE, R.J, 1985, "The probability distributed principle and runoff production at
point and basin scales", Hydrolo Sci. J., v.30 (2), p.6.
MOORE, R.J., CLARKE, R.T., 1981, "A distribution function approach to rainfall
runoff modelling ", Water Resour. Res., v.17 (5), pp.1367 1382.
MORGAN, B, W., 1968, An Introduction to Bayesian Statistical Decision Processes.

Prentice Hall, Inc., Englewood Cliffs, New Jersey.
MUOZ MUIZ, J.M, 1991, Modelo Multidimensional para Simulao de

Precipitaes Pluviomtricas, Tese de Mestrado, Programa de Engenharia Civil,
COPPE/UFRJ, Rio de Janeiro.
NEUMANN, P., SCHULTZ, G.A., 1989, Hidrological effects of catchment and land
use changes detemined by satellite imagery and GIS, Remote Sensing and Large-
Scale Global Processes, In: Proceedings of the IAHS Third international
assembly, Baltimore, IAHS Publications, 186, 1989.
118
NOBRE, M. M., 1992, An investigation of the impact of uncertainties in geological
formations on groundwater flow, Tese de Doutorado, Dept. of Civil Engineering,
University of Waterloo, Waterloo, Ontario, Canada.
NUNES, L. H., Distribuio espao-temporal da pluviosidade no estado de So Paulo:

variabilidade, tendncias, processos intervenientes, Tese de Mestrado, CPTEC,
Cachoeira Paulista/ SP, Brasil.
O'DONNEL, T., CANEDO, P., 1980,"The reliability of conceptual calibration",

Hydrological forecasting, proceedings of the Oxford Symposium, IAHS
Publication, v.129.
OMRE, H., 1987, Bayesian kriging - merging observations and qualified guesses in
kriging. In: Mathematical, Geology, v.19, n.1, pp. 25-39.
ORTIZ, V. L. I., 1999, O paradigma da krigagem indicatriz e o problema espao-

temporal na geoestatstica - Tese de M. Sc, IM/UFRJ, Rio de Janeiro, Brasil.
P.E. O CONNELLA,, E TODINIB, 1996, "Modelling of rainfall, flow and mass

transport in hidrological systems: an overview, Journal of Hydrology, v.175,
pp.3 16.
PAOLO LAMBERTI*, STEFANO PILATI, 1996, Flood propagation models for real-
time focecasting, Journal of Hydrology, Universit di Bologna, Facolt di
Ingegneria, Instituto de Construzioni Idrauliche, Viale Risorgimento 2, 40136
Bologna, Italy, v.175, pp.239-265.
PATRICK C KENNEDY, STEVEN A. RUTLEDGE, WALTER A. PETERSEN,2001,

Polarimetric Radar Observations of Hail Formation, Journal of Applied
Meteorology, Department of Atmospheric Science, Colorado State University,
Fort Collins, Colorado, v. 40, pp. 1347-1365.
PEREIRA FILHO, AUGUSTO. J., 1989, Uso do Radar Meteorolgico para Previso
de Chuva a Curto Prazo Aplicado Previso Hidrolgica em Bacias
Urbanizadas, Tese de Mestrado, Departamento de Meteorologia - IAG/USP, So
Paulo.
119
PEREIRA FILHO, AUGUSTO J., CRAWFORD, KENNETH C., 1999, Mesoscale
precipitation fields. Part I: Statistical and hydrologic response, Journal of
Applied Meteorology, v. 38 (Jan), pp.82- 101.
PEREIRA FILHO, AUGUSTO J., CRAWFORD, KENNETH C., STENSRUD,

DAVID .J., 1999, Mesoscale precipitation fields. Part II: Hydrometeorologic
modeling, Journal of Applied Meteorology, v. 38 (Jan), pp.102- 125.
PIETRONIRO, A., 1993, The feasibility of using remotely sensed soil moisture
estimates as input into a distributed hydrologic model, Ph. D. thesis, Dept. of
Civil Engineering, University of Waterloo, Waterloo, Ontrio, Canad.
PISANI, A., 1995, Avaliao dos Dados do Radar Meteorolgico de So Paulo para
Aplicao em Hidrologia, Tese de Doutorado, Dep. de Engenharia Hidrulica /
Escola Politcnica da Universidade de So Paulo.
PONCE, V.M., SIMONS, D.B., 1977, Shalow wave propagation in open channel
flow, J.Hydraul.Div., ASCE, v.12, pp.1461-1476.
PUPPINI, U., 1947, Idraulica, N.Zanicheli, Bologna, pp.435-447.
RAGAN, R. M. e T. J. JACKSON, 1980, Runoff synthesis using Landsat and SCS

model, J. Hydraul. Div., ASCE, 106 (HY5): 667-678.
RANGO, A., 1993, II. Snow hydrology processes and remote sensing, Hydrological
Processes, Vol. 7, pp. 121-138.
R. MACKAY*, T.A COOPER, A.V. METCALFE, P.E. OCONNEL, 1996,"

Contaminant transport in heterogeneous porous media: a case study. 2. Stochastic
modelling", Journal of Hydrology, Departament of Civil Engineering, University
of Newcastle upon Tyne, Newcastle upon Tyne NEI 7RU, UK, v.175, pp.429-
452.
RAIDKIVI, A. J., 1979, Hydrology: an advanced Introduction in hydrological

processes and modelling, Pergamon, Oxford.
RALF BENHARTZ, GRANT W PETTY, 2001, The sensitivity of microwave remote

sensing observations of precipitation to ice particle size distributions, Journal of
120
Applied Meteorology, Departament of Physics and Astronomy, University of
Kansas, Lowrence, KS 66045, v. 40, n.3, pp. 345-364.
RHENALS-FIGUEREDO, A. E., RODRIGUEZ-ITURBE, I., SCHAAKE, J.C., 1974,

"Bidimensional spectral analysis of rainfall events", Rep. 193, R.M. Parsons
Laboratory for Water Resources and Hydrodynamics, Massachussetts Institute of
Technology, Cambridge, MA.
RIBEIRO, C. B. M, G. F. ABREU, R. DE CSSIA e O. C. ROTUNNO FILHO, 2000,

Deteco de mudanas na cobertura do solo aplicado a uma bacia hidrogrfica, IV
Congresso de Engenharia Civil, Juiz de Fora, 2, pp. 1041-1054.
RIPLEY, B.D. (1981). Spacial Statistics, New York Wiley.
RODRIGUEZ-ITURBE, I., VALDS, J.B., 1979, "The geomorphologic structure of

hydrologic response", Water Resources Research, v.15, n.6, pp.1409-1420.
ROTUNNO FILHO, O. C., 1995, Soil moisture mapping using remote sensing and
geostatistics applied to rainfall- runoff models, Tese de Doutorado, University of
Waterloo, Ontario.
S.M.S. SHAHa, P.E. OCONNELLb, *

J.R.M. HOSKINGc, 1996, "Formulation and
calibration of a stochastic rainfall field model, Journal of Hydrology, v.175, pp.
67-68.
SALAS, J.D, 1993, Analysis and modeling of hydrologic time series, Handbook of
Hydrology, D.R. Maidment, Ed., Mc Grawhill, pp. 19.1 19.71.
SANTOS, R.C., 2002, Classificaoo textural aplicada cobertura do solo de uma

bacia hidrogrfica usando sensoriamento remoto, Tese de Mestrado,
COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
SCHERMERHORN, V.P., 1967, Relations between topography and annual

precipitation in western Oregon and Washington, Water Resources Research, v.
3, pp. 707-711.
SCHULER, E., MORAES, J.M., MILDE, ET AL., 2000, "Anlise da

representatividade fsica dos parmetros do TOPMODEL em uma bacia de meso
121
escala localizada nas cabeceiras do rio Corumbata, So Paulo", Revista Brasileira
de Recursos Hdricos, v.2, pp.5-25.
SCMUGGE, T.J, JACKSON, T.J., Mckim, H.L, 1980, "Survey of methods for soil
moisture determination", Water Resources Research, v.16, pp. 961-79.
SCS, (Soil Conservation Service), 1972, Natural Engineering Handbook, section 4,

U.S. Department of Agriculture, Washington D.C.
SELIGA, T.A., V.N. BRINGI, 1978, Differential reflectivity and differential phase
shift: Applications in radar meteorology, Radio Sci., v.13, pp. 271-275.
SELIGA, T.A., V.NO BRINGI, 1976, Potential use of differential reflectivity

measurements at orthogonal polarizations for measuring precipitation, J. Appl.
Meteor, v. 15, pp. 69-76.
SHAH, S.M.S., O CONNELL P.E., HOSKING, J.R.M., 1996 a, "Modelling the effects
of spatial variability in rainfall on catchment response. 1: Formulation and
calibration of a stochastic rainfall field model". Journal of Hydrology, v.175,
pp.67-88.
SHAH, S.M.S., O CONNELL P.E., HOSKING, J.R.M., 1996b, "Modelling the effects
of spatial variability in rainfall on catchment response. 2: Experiments with
distributed and lumped models", Journal of Hydrology, v.175, pp.89-111.
SHARMA, A., LUK, K. C., CORDERY, I., LALL, U. (2000). Seasonal to interannual
rainfall probabilistic forecasts for improved water supply management: Part 2
Predictor identification of quaterly rainfall using ocean- atmosphere information,
Journal of Hydrology, pp.240-248.
SINGH, V.P., WOOLHISER, D.A, 2002, Mathematical modeling of watershed

hydrology, American Soc of Civil Engineers, v.150, pp.270-292.
SIVAPALAN, M., WOOD, E.F., 1987, "A Multidimensional model of nonstationary

space-time rainfall at the catchment scale". Water Resources Research, v.23, n.7,
pp.1289-1299.
122
SLAMA, C.C.(ED), 1980, "Manual of photogrammetry", American Society of
Photogrammetry, Falls Church, VA.
SMITH, E. A., COAUTHORS, 1998, Results of the WetNet PIP-2 project, J. Atmos.
Sci, v.55, pp. 1483-1536.
SMITH, JR., J.T. (ED), 1968, "Manual of color aerial photography", American Society
of Photogrammetry, Falls Church, VA.
SCHMUGGE, T. J., T. J. JACKSON e H. L. MCKIM, 1980, Survey of methods for

soil moisture determination, Water Resources Research, 16, No. 6, pp. 961-979.
SOLOMON, S.I., GUPTA, S.K., 1977, "Distributed numerical model for estimating
runoff and sediment discharge of ungaged rivers 2. Model development", Water
Resources Research, v.13, n.3, pp.619- 629.
SUI, C.H., K M LAU, Y. NO TAKAYABU, DA. SHORT, 1997, Diurnal variations

in tropical oceanic cumulus convection during TOGA COARE, J. Atmos. Sci., v.
54, pp. 639-655
SUPINO,G., 1965, Le reti idrauliche, Patron, Bologna, pp.315-406.
TAO, T. e N. KOUWEN 1989, Remote sensing and fully distributed modelling for
flood forecasting, J. of Water Resources Planning and Management, ASCE, 115,
pp. 809-823.
TAO, W. K, J. SIMPSOM, C H. SUI, B. FERRIER, S. LANG, J. SCALA, M D

CHOU, K. PICKERING, 1993, heating, moisture, and water bridgets of tropical
and midlatitude squall lines: Comparisons and sensitivity to Congwave
radiation. J. Atmos. Sci., v.50, pp. 673-690.
TODD, M.C., J.O. BAILEY, 1995, Estimates of rainfall over the United Kingdom and
surrounding seas from the SSM/I using the polarization-corrected temperature
algorithm, J. Appl. Meteor, v.34, pp. 1254-1265
TODINI, E., 1996, "The ARNO rainfall-runoff model", J. Hydrology, v.175, pp.339-
382.
123
ULABY, F. T., MOORE,R. K. AND A. K. FUNG (1986), Microwave remote sensing-
passive and active, v.3, Addison- Wesley, Mass.
U. S. ARMY CORPS OF ENGINEERS, 1976, Urban Storm Water Runoff Model

(STORM) - Computer program 723-S8-L2520, Hydrologic Eineering Center,
Davis, California.
U. S. ARMY CORPS OF ENGINEERS, 1981, HEC-1 flood hydrograph package,

Hydrologic Engineering Center, Davis, California.
VERNADSKII, I. 1960, "Jzbrannye Sochineniya (selected works)", Jzv. Akad. Nauk

SSR, v. 4, book 2, Moscou.
WATERMAN, P.C., 1965, Matrix formulation of electromagnetic scattering, Proc.

IEEE, v.53, pp. 805-812
WAYMIRE, E., GUPTA, V.K., RODRIGUEZ ITURBE, 7., 1984, "A spectral theory
of rainfall intensity at the mesoscale", Water Resources Research, v.20, n.10,
pp.1453-1465.
WEBB, R. P., R. LEMARK, e FELDMAN, 1980, " Determination of land use from
satellite imagery for input into hydrologic models", Fourteenth International
Symposium on Remote Sensing of the Environment, Anne Arbour.
WEBSTER, R., CURRAN, P. J., MUNDEN, J. W., 1989, "Spatial correlation in

reflected radiation form the ground and its implications for sampling and mapping
by ground-based radiometry", Remote Sens. of Environment, v.29, pp. 67-78.
WILLIAM S. OLSON, YE HONG, CHRISTIAN D. KUNIMEROW, JOSEPH TURK,

2001, A texture polarization method for estimating convective stratiform
precipitation area coverage from passive microwave radiometer data, joint center
for earth systems technology and NASA Goddard Space Flight Center, code 912,
Greenbelt, MD 20771, Journal of Applied Meteorology, v.40, n. 9, pp. 1577-
1591.
124
WOODCOOK, C .E., A. H. STRAHLER, AND D. L. B. JUPP (1988a), The use of
variograms in remote sensing: I. Scene images and simulated images, Remote
sensing of Environment, 25, pp. 323-348.
WOODCOOK, C .E., A. H. STRAHLER, AND D. L. B. JUPP (1988b), The use of

variograms in remote sensing: II. Real digital images, 25, pp. 349.
XAVIER, L. N.R (2002), Anlise da incerteza causada pela representao da

precipitao do modelo Topmodel, Tese de Mestrado, Programa de Engenharia
Civil, COPPE/UFRJ, Rio de Janeiro.
XIAOLEI ZOU, QINGNONG XIAO, ALAN E. LIPTON, GEORGE D.MODICA,

2001,A numerical study of the effects of GOES sounder cloud- cleared
brightness temperatures onthe prediction of Hurricane Felix, Journal of Applied
Meteorology, Department of Meteorology, The Florida State University,
Tallahasse, Florida, v.40, pp.34-55.
XIAOWEN Li, RAMESH C. SRIVASTANA, 2001, An analytical solution for

raindrop evaporation and its application to radar rainfall measurements, Journal
of Applied Meteorology, Department of the geophysical sciences, University of
Chicago, Chicago, Jllinois, v. 40, 1o 9, pp. 1607-1616.
YEVJEVICH, V, 1974, "Determinism and stochasticity in hydrology", J. of Hydrology,

n.22, pp.225-238
ZAWADSKI, I.I., 1973, Statistical properties of precipitation patterns, J. Appl.

Meteor, v. 12,pp. 459 472.
ZHAO, R.J., 1977, "Flood forecasting method for humid regions of China", East China
College of Hydraulic Engineering, Nanking.
ZIPSER, E. J.,1977, Mesoscale and convective-scale downdrafts as distinct

components of squall-line circulation, Mon. Wea. Rev., v. 105, pp. 1568-1589.
ZOTINOV, N.V., 1968, "Investigations of a method of measuring snow storage by

using gamma radiation of the earth", Sov Hydrol.
125
APNDICE A
KRIGAGEM BAYESIANA - DERIVAO DA METODOLOGIA DE ANLISE
A notao utilizada e os termos utilizados na metodologia so aqui derivados, de
acordo com Omre (1987).
Demonstrao das equaes 3.13, 3.14, 3.15 e 3.16
As expresses para a esperana condicional (3.13) e para a covarincia
condicional (3.14) so obtidas da teoria linear bayesiana (Hartigan, 1969)
E [Y1] = E [E [Y1|Y3]] (A.1)
Cov [Y1,Y2] = E [Cov [Y1, Y2|Y3]] + Cov [E [Y1|Y3], E [Y2|Y3]] (A.2)
onde Y1, Y2 e Y3 so variveis aleatrias arbitrrias;
e sabendo-se que (3.11)
Cov [Z(x+h),Z(x) | M(x)] = CZ|M(h) (A.3)
tem-se que:
Z(x) = E [Z(x)] = E [E [Z(x) | M(x)]] = a0 + M(x) (A.4)
CZ|M(x+h,x) = Cov [Z(x+h),M(x)]
= E [Cov [Z(x+h),M(x) | M(x)]]
+ Cov [E [Z(x+h) | M(x)], E [M(x) | M(x)]]
= Cov [M(x+h),M(x)]
= CM(x+h,x) (A.5)
126
As expresses para a covarincia de Z (3.15) e para o variograma de Z (3.16)
tambm podem ser derivadas:
CZ(x+h,x) = Cov [Z(x+h),Z(x)]
= E [Cov [Z(x+h),Z(x) | M(x)]]
+ Cov [E [Z(x+h) | M(x)], E [Z(x) | M(x)]]
= CZ|M(h) + CM(x+h,x) (A.6)
Z(x+h,x) = 1/2 Var [Z(x+h - Z(x)]
= 1/2 (E [Var [Z(x+h - Z(x)] | M(x)]]
+ Var [E [Z(x+h - Z(x)] | M(x)]])
= Z|M(h) + M(x+h,x) (A.7)
Demonstrao da equao 3.21
A estimativa tima deve satisfazer a condio de no-tendenciosidade (3.19)
E [Z(x0) Z*(x0)] =0
E [Z(x0)] = E [Z*(x0)]
N
E [Z(x0)] =
i =1
i E [ZT(xi)] + M(x0) (A.8)
Da Equao A.6 pode-se obter
E [Z(x0) Z*(x0)] =0
127

N
a0 = a0
i =1
i (A.9)
Portanto, uma condio necessria e suficiente para o conjunto de pesos de
forma a assegurar a no tendenciosidade

i 1
i =1 (A.10)
Demonstrao da equao 3.22
A varincia mnima para o estimador
N
Var [Z(x0) Z*(x0)] = Var [Z(x0)] 2
i =1
i Cov [Z(x0) , ZT(xi)]
+
i j
i j Cov [ZT (xi) , ZT(xj)]
N
= Var [Z(x0)] 2
i =1
i Cov [Z(x0) , Z(xi)]
+
i j
i j Cov [Z (xi) , Z(xj)] (A.11)
Portanto, usando as expresses 3.9, 3.12, A.6 e A.11,
N
Var [Z(x0) Z*(x0)] = 2i [ Z | M ( x0 xi ) + M ( x0 , xi )]
i =1
N N
i j [ Z | M ( xi x j ) + M ( xi , x j ) (A.12)
i =1 j =1
128
APNDICE B
CARACTERSTICAS TCNICAS DO RADAR DE SO PAULO
Os componentes do radar so descritos a seguir, segundo Pisani (1995).
Radoma
Fabricada pela Eletronic Space Systems Corp. Concord; Mass.- USA, uma
estrutura geodsica executada com placas triangulares de fibra de vidro unidas com
perfis de alumnio e sua finalidade principal proteger a antena contra as intempries.
dimetro .............................. 5,43 m;
dimetro interno da base ..... 3,43 m;
dimetro externo da base .... 3,72 m;
altura ................................... 4,68 m.
Refletor
A antena do radar um refletor parablico executado de alumnio leve fabricado
pela Andrew Antena Co., Canad, e possui as seguintes dimenses:
dimetro................. 3,66 m;
ganho...................... 38,00 dB;
largura do bin......... 2,1 a 2,8 GHz no ponto dB;
polarizao.............. vertical.
129
Pedestal
Os comandos eletrnicos e de servo-mecanismos so suportados e transmitidos
pelo pedestal. Propicia uma rotao azimutal contnua e precisas mudanas no ngulo
de elevao.
azimute................... 360 contnuos;
elevao................. 4 at 90 com paradas mecnicas;
taxa de elevao..... 18 por segundo (mximo);
peso....................... 2400 lb (1.089,60 kg).
Transmissor e receptor
Foram fabricados pela Automation Industries Inc. Fla. USA e so responsveis,
respectivamente, pela gerao dos pulsos eletromagnticos e pela recepo dos sinais de
retorno dos alvos detectados.
Caractersticas do transmissor:
freqncia (regulvel)......... 2,7 a 2,9 GHz (=10 cm, banda S);
potncia mxima:................ 650 kw;
durao do pulso................. 2 Seg;
freqncia de repetio
do pulso.............................. 250 pps (pulsos por segundo);
magnetron ........................... co-axial (UMS-1197);
130
potncia de entrada............. 208 V, 3 fases, 60 Hz e 35
Caractersticas do receptor:
freqncia.......................... 30 MHz;
filtro de banda................... 60 kHz;
amplificador "IF"............... logartmico;
S.T.C.................................. 1/e2 a 190 km;
variao dinmica.............. (19 - 190 km) 60 DB min;
potncia de entrada............. transmitida pelo transmissor.
Vdeo digitalizador
Desenvolvido pela McGill University, essa unidade determina um valor de
intensidade com a resoluo de 6 bytes para cada um dos 240 intervalos azimutais do
radar, sendo que cada bin possui l,5 de abertura.
Hardware do sistema processador
Composto por uma estao de trabalho Silicom Graphics com a seguinte
configurao: Processador RISC MIPS R4600 PC, 133 MHz, cache interno de 16/16
Kb, 32 Mb dynamic RAM, 1 Gb de disco rgido, floppy disk 3 1/2, Cmara de vdeo
digital IndyCam, 2 portas seriais RS-422 com modem control, , 1 canal fast SCSII (10
Mb/s), 1 conector integrado stereovision, 1 porta Ethernet com TCP/IP (AUI, !0- base-T
e ISDN), 1 porta paralela bidirecional high-density Centronics, 5 portas de audio,
microfone e speaker, teclado de 101 botes e mouse mecnico, Monitor colorido de 17",
resoluo 1280x1024 com placa de 8 planos de cores, Sistema Operacional Irix 5.3,
131
Unix System V.4 com implementaes SGI, Indigo Magic, system manager, IRIS
Showcase, IRIS explorer, Media Mosaic, Movie Maker, Movie Play, Sound Editor,
Audio Control, IRIS Graphics Library, Biblioteca de desenvolvimento X11R4 e
desenvolvimento para Dysplay PostScript Compilador ANSI C, Compilador Fortran 77,
C, C++, Pascal, On-line Documentation.
132

Ana Paula Furtado Lou

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ana Paula Furtado Lou

Uploaded by

Copyright:

Available Formats

MODELAGEM GEOESTATSTICA APLICADA INTEGRAO ENTRE DADOS

DE POSTOS PLUVIOMTRICOS E RADAR METEOROLGICO