Desenvolvimento de modelo hidrológico semidistribuído utilizando o particle swarm optimization na calibração dos parâmetros

Abstract

Os modelos hidrológicos são essenciais para a simulação de cenários de mudanças climáticas e de intervenções antrópicas em diferentes escalas espaciais e temporais. E apesar das diversas variações dos modelos, um dos principais desafios na modelação hidrológica ainda é a representação fiável da variabilidade espaço-temporal dos processos naturais. Sendo assim, objetivou-se com esta pesquisa o desenvolvimento do modelo hidrológico semidistribuído, baseado nos conceitos fundamentais do CAWM (Campus Agreste Watershed Model), de modo a suprir a ausência de modelos de estrutura simples que sejam capazes de simular o escoamento por sub-bacias. Para tal finalidade, a metodologia foi constituída pela discretização da bacia em sub-bacias e das funções de transferência de vazões, para isso o modelo utilizou o método de Muskingum-Cunge. Na etapa de calibração dos parâmetros, o modelo desenvolvido adotou o algoritmo metaheuristico PSO (particle swarm optimization). O modelo proposto foi aplicado na bacia hidrográfica do rio Pajeú e do rio Capibaribe, localizadas no semiárido pernambucano, e na bacia hidrográfica do rio Sirinhaém, localizada na zona da Mata Sul de Pernambuco. Como resultado, o modelo apresentou resultados satisfatórios na simulação do escoamento em regiões semiáridas e úmidas, onde 88% dos cenários calibrados foram classificados como pelo menos satisfatórios, e 38% dos cenários calibrados foram classificados como muito bom, com base no índice de eficiência 𝑁𝑆𝐸𝑠𝑞𝑟𝑡𝑄. A estação fluviométrica de Engenho Sítio, localizado na bacia hidrográfica do rio Sirinhaém, obteve o melhor resultado com NSE, 𝑁𝑆𝐸𝑠𝑞𝑟𝑡𝑄 e 𝑁𝑆𝐸𝑙𝑜𝑔𝑄 de 0,70%, 0,82% e 0,71%, respectivamente, no período de calibração. Conclui-se que o modelo semidistribuído proposto, utilizando o PSO na calibração dos parâmetros, possibilitou o aprimoramento do CAWM, com a representação da variabilidade espaço-temporal das vazões. Além disso, a versão do modelo em linguagem python permitirá a construção de um plugin que poderá ser integrado ao software QGIS.