Revista INGENIERÍA del AGUA | VOL. 19 | No. 4 | 2015

Transcrição

Vol.19
No.4
2015
Vol. 19 | No. 4 | 2015
CONTENIDOS
193
Influência da sazonalidade em lagoas de estabilização
D’Alessandro, E.B., Saavedra, N.K., Santiago, M.F., D’Alessandro, N.C.O.
211
Previsão de secas na primavera em Portugal Continental com base em indicadores climáticos
de larga escala
Santos, J.F., Portela, M.M., Pulido-Calvo, I.
229
Un sistema de detección de peces para escala de hendidura vertical utilizando tecnología
láser y técnicas de
visión artificial
Rico-Díaz, A.J., Rabuñal, J.R., Puertas, J., Pena, L., Rodríguez, A.
241
El impacto del riego en la calidad del agua de drenaje en una nueva zona regable
Villar, J.M., Pascual, M., Rufat, J., Villar, P.
Revista
Revista Ingeniería del Agua | Vol. 19 | No. 4 | 2015
Director
Javier González Pérez
Universidad de Castilla – La Mancha, Spain
Editor Científico
Jerónimo Puertas Agudo
Universidade da Coruña, Spain
Subdirectora de Indexación
Inmaculada Pulido Calvo
Universidad de Huelva, Spain
Subdirector de Producción
Ignacio Andrés Doménech
Universitat Politècnica de València, Spain
Presidente del Comité Asesor Editorial
Juan B Valdés
Universidad de Arizona, United States
Consejo de Gobierno
Enrique Cabrera Marcet
Universitat Politècnica de València
Fundación para el Fomento de la Ingeniería del Agua
José Dolz Ripollés
Universitat Politècnica de Catalunya
José Roldán Cañas
Universidad de Córdoba
Michael Dunn
IWA Publishing
Enrique Cabrera Rochera
IWA Publishing
María Remedios Pérez García
Javier González Pérez
Universidad de Castilla-La Mancha
Editores Asociados
Luis Balairón Pérez
Centro de Estudios Hidrográficos - CEDEX, Spain
Ernest Bladé Castellet
Universitat Politècnica de Catalunya, Spain
Luis Garrote de Marcos
Universidad Politécnica de Madrid, Spain
Oscar Castro Orgaz
Universidad de Córdoba, Spain
Manuel Gómez Valentín
Universitat Politècnica de Catalunya, Spain
David López Gómez
Centro de Estudios Hidrográficos - CEDEX, Spain
Jorge Matos
Universidade Técnica de Lisboa, Portugal
Josep Ramon Medina
Leonor Rodríguez Sinobas
Universidad Politécnica de Madrid, Spain
Jorge Luis Parrondo Gayo
Universidad de Oviedo, Spain
Antonio Pulido Bosch
Universidad de Almería, Spain
Manuel Pulido Velázquez
Luis Teixeira
Universidad de la República, Uruguay
Editado por
Fundación para el Fomento de la Ingeniería del Agua (FFIA).
Area de Ingenieria Hidraulica.
Edificio Leonardo‎ da Vinci, Campus de Rabanales.
Universidad de Cordoba,14071 Cordoba, España.
International Water Association (IWA).
Alliance House.
12 Caxton Street. London SW1H 0QS, United Kingdom.
Editorial Universidad Politècnica de València.
Camino de Vera s/n. 46022. Valencia. España.
EISSN | 1886-4996
ISSN | 1134-2196
Contacto
Ignacio Andrés Doménech
[email protected]
Suscripciones (versión impresa)
Editorial Universitat Politècnica de València
[email protected]
Volumen (4 números al año): 50 €
Número: 15 €
Acceso libre (versión electrónica)
http://polipapers.upv.es/index.php/IA
Maquetación
Enrique Mateo | Triskelion, diseño editorial
Esta revista se publica bajo una licencia de Creative Commons
Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
IWA Publishing
Ingeniería del Agua | 19.3 | 2015
iii
CONTENIDOS
193
211
Previsão de secas na primavera em Portugal Continental com base em indicadores climáticos de larga escala
229
Un sistema de detección de peces para escala de hendidura vertical utilizando tecnología láser y técnicas de
visión artificial
241
2015, IWA Publishing, Editorial UPV, FFIA
D’Alessandro et al. | Influência da sazonalidade em lagoas de estabilização
193
Influence of seasonality in stabilization ponds
D’Alessandro, E.B.a1, Saavedra, N.K.a2, Santiago, M.F.c, D’Alessandro, N.C.O.d
a
c
Departamento de Engenharia Civil, Universidade Federal de Goiás, Praça Universitária, Setor Universitário, 1488, Goiânia, Goiás (Brasil).
E-mail: a1 [email protected], a2 [email protected].
Faculdade de Farmácia - Rua 240, esquina com 5ª Avenida, s/n, Setor Leste Universitário, CEP: 74605-170, Goiânia, Goiás (Brasil).
E-mail: [email protected].
d
Instituto de Química 1, sala 225, Campus Samambaia, CEP 74001-970, Goiânia, Goiás (Brasil).
E-mail: [email protected].
Recibido: 23/11/2014
Aceptado: 27/07/2015
Publicado: 26/10/2015
RESUMO
O estudo avaliou a influência da sazonalidade na eficiência das lagoas de estabilização de um módulo da ETE de Trindade, durante
seis meses, que contém períodos de estiagem e chuvosos. Foram analisadas as seguintes variáveis: vazão, temperatura da água
residuária, profundidade, TDH, pH, OD, CND, Cla, PT, PO4-3, NH4+, NO3-, DBO520°C, DQO, SST, SSF, SSV e também variáveis
climáticas. Não houve remoção de DQO e SST no período de chuva. A Análise de Componentes Principais (ACP) indicou que
existiram agrupações entre o afluente bruto e a lagoa anaeróbia, e entre a lagoa facultativa e a de maturação, ou seja, houve
variação espacial. Indicou também que o afluente bruto em nov/10 e dez/10 formou um grupo separado, isto porque nestes meses
sofreu bastante diluição caracterizando-o como se fosse outro ambiente. A influência da sazonalidade fez com que as concentrações
de algumas variáveis aumentassem e outras diminuíssem o que influenciou na eficiência das lagoas.
Palavras chave | Anaeróbia; DBO; Facultativa; Lagoas; Maturação.
ABSTRACT
The study evaluated the influence of seasonality in efficiency of Trindade Wastewater Treatment Plant (WWTP), during six months,
that had dry and rainy seasons. The following variables were analyzed: flow rate, wastewater temperature, depth, HDT, pH, DO,
CND, Chla,TP, PO4-3, NH4+, NO3-, BOD520°C, COD, TSS, FSS, VSS and also climatic variables. There was no removal of COD and
TSS during the rainy season. The Principal Component Analysis (PCA) indicated that there were groupings of raw affluent and the
anaerobic lagoon, and between facultative pond and maturation, in other words, there was spatial variation. ACP also indicated
that raw affluent in Nov/10 and Dec/10 formed a separate group, because these months suffered enough dilution characterizing it
as another environment. The influence of seasonality caused increase in concentrations of some variables and decrease in others,
which has influenced the efficiency of ponds.
Key words | Anaerobic; Bod; Facultative; Ponds; Maturation.
doi:10.4995/ia.2015.3418
EISSN: 1886-4996
ISSN: 1134-2196
194 D’Alessandro et al. | Influência da sazonalidade em lagoas de estabilização
INTRODUÇÃO
O tratamento dos sistemas de água e esgoto no Estado de Goiás é realizado pela Saneamento de Goiás S/A (SANEAGO).
Esta empresa atua com 13 ETEs na região metropolitana e com aproximadamente 59 ETEs nos interiores do Estado, totalizando
72 ETEs.
Com relação à configuração das estações de tratamento de esgoto, o sistema Australiano (anaeróbia+facultativa+maturação)
é o mais adotado no estado (30%), apresentando 22 sistemas. Sistemas compostos por lagoa facultativa primária e uma lagoa de
maturação consistem no segundo mais predominante, com 15 sistemas (21%), enquanto que 8 sistemas (11%) apresentam reator
anaeróbio do tipo UASB. Sistema envolvendo apenas lagoa facultativa é uns dos menos utilizados, representando cerca de 4% dos
sistemas existentes (Saneago, 2012).
O principal objetivo das lagoas do sistema Australiano é a remoção da matéria carbonácea e a remoção de organismos
patogênicos, contudo ainda removem nutrientes como fósforo e amônia. Essa tecnologia não necessita de mão de obra especializada,
é barata em relação às outras tecnologias e muito usada mundialmente, porém tem a desvantagem de sofrer influência direta do
clima da região o que pode alterar a eficiência do tratamento, por exemplo, a precipitação pode aumentar o volume da lagoa, a
temperatura pode ocasionar estratificações térmicas durante o dia com gradientes de temperaturas inferiores a 0.6°C·m-1 ( Kellner
et al., 2009). A profundidade é um fator importante para o bom funcionamento das lagoas de estabilização, pois interfere na
extensão da zona eufótica e consequentemente na taxa fotossintética das algas, e também interfere no tempo de detenção hidráulico.
O tempo de detenção é um parâmetro de verificação resultante da determinação de volume da lagoa e diz respeito ao tempo
necessário para que os microrganismos procedam à estabilização da matéria orgânica na lagoa (Von Sperling, 2002).
A eficiência das lagoas de estabilização se dá por vários fatores como temperatura, tempo de detenção hidráulico,
profundidade, bactérias e algas. No caso das algas em uma lagoa de estabilização, o crescimento algal e a assimilação dos nutrientes
não são somente afetados pela viabilidade de nutrientes, pois também dependem de interações complexas entre os fatores físicos
como pH, intensidade da luz, temperatura, vento, radiação solar (Von Sperling, 2002) e fatores bióticos como densidade algal (Lau
et al., 1995).
Como há vários fatores que influenciam nas condições hidráulicas e biológicas das estações de tratamento de esgotos,
o estudo visou avaliar através de uma análise de componentes principais (ACP) as relações entre as variáveis físico-químicas e
biológicas no módulo A da ETE de Trindade (GO), em seis meses (setembro, outubro, novembro, dezembro de 2010 e abril e maio
de 2011), composto por períodos de estiagem e chuvosos. Foi feito também uma avaliação da eficiência das lagoas de estabilização.
MATERIAL E MÉTODOS
Área de estudo
O município de Trindade possui 104448 habitantes (Ibge, 2010) e apenas 39.3% da população tem rede de esgoto, sendo que
48.7% do esgoto gerado é coletado e 100% dele é tratado (SNIS, 2008).
A Estação de Tratamento de Esgotos (ETE) de Trindade (16°39’09’’S e 49°31’50’’O) conhecida também como ETE Barro
Preto, localiza-se no Município de Trindade (altitude de 756 m), Estado de Goiás (Brasil). Esta foi projetada pelo Saneamento de
Goiás S/A (SANEAGO).
A ETE de Trindade (Figura 1) é composta por tratamento preliminar (gradeamento, caixa de areia e calha Parshall) seguido, inicialmente, por três módulos em paralelo (A, B e C), contendo cada, uma lagoa anaeróbia, uma lagoa facultativa e uma
lagoa de maturação em série, sendo o efluente lançado no córrego Barro Preto (classe 2). Por motivos de infiltração, o módulo C
foi desativado. Os dois módulos entraram em funcionamento em 1997.
195
Figura 1 | Lagoas de estabilização da ETE de Trindade destacando o módulo A (Fonte: Google Earth 2011).
O sistema apresenta, de acordo com os dados do projeto, vazão média de 242.38 L·s-1, carga orgânica média de
3860 kg DBO·dia-1, DBObruta-afluente de 184.0 mg·L-1 e DBObruta-efluente de 29.95 mg·L-1 totalizando uma eficiência de 84% (Saneago,
2008). As características morfométricas do módulo A estão sintetizadas na Tabela 1.
Tabela 1 | Características morfométricas do módulo A da ETE Trindade.
Lagoa
Anaeróbia
Facultativa
Maturação
Área média (m2)
3750
27000
13975
Profundidade (m)
4.00
1.25
1.25
Volume útil (m )
15000
33750
17469
2.2
4.8
2.5
3
Tempo de Detenção Hidráulico (dias)
Como a cidade de Trindade ainda não possui estações meteorológicas, as informações climáticas (temperatura do ar e
precipitação) adotadas foram obtidas da Secretaria de Ciências e Tecnologia (SECTEC). A estação climatológica desta secretaria
está localizada no município de Goiânia, aproximadamente 17 km de Trindade.
Amostragem, profundidade, vazão e tempo de detenção hidráulico
As coletas foram realizadas mensalmente no afluente bruto antes da calha Parshall (AFB), no efluente da lagoa anaeróbia
(ANA), no efluente da lagoa facultativa (FAC), e no efluente da lagoa de maturação (MAT) (Figura 2). As amostras foram
acondicionadas em frascos apropriados conforme análise a ser realizada e mantidas em caixas térmicas, com gelo seco até chegar
ao Laboratório de Saneamento da Universidade Federal de Goiás - UFG – Goiânia.
A profundidade da lagoa facultativa foi medida em três pontos sendo um no início, um no meio e outro no final da lagoa,
com uma trena presa a uma haste rígida. Na lagoa de maturação adotou-se o mesmo procedimento, porém, com apenas dois pontos
de medição, um no início e outro no final (Figura 2). A profundidade mensal de cada lagoa foi dada como uma média entre os
respectivos pontos.
Estação Elevatória
AFB
EFA
EFF
F1
Anaeróbia
F2
F3
Facultativa
EFM
M1
M2
Maturação
Lagoas do Módulo A
Figura 2 | Pontos amostrais do módulo A da ETE Trindade (GO) e das profundidades nas lagoas.
Obs.: AFB: afluente bruto; EFA: efluente da lagoa anaeróbia; EFF: efluente da lagoa facultativa; EFM: efluente da lagoa de maturação; F1,F2 e F3:
pontos de medição da profundidade na lagoa facultativa; M1 e M2: pontos de medição da profundidade na lagoa de maturação.
A vazão (Q) foi medida com a utilização de uma equação dada pelo fabricante da calha Parshall. Nesta equação necessitase da altura da lâmina d’agua na calha, que foi medida com uma régua. Os dados das vazões mínimas, médias e máximas mensais
foram fornecidos pela SANEAGO S/A. Estas vazões são medidas apenas em um dia do mês, de hora em hora, tendo início às 07:00
horas e terminando às 18:00 horas.
Por não ter o comprimento do recalque para calcular o volume real das lagoas facultativa e de maturação, utilizou-se apenas
a equação do projeto para recalcular o volume das lagoas substituindo apenas a profundidade. Como na lagoa anaeróbia não foi
feito a medição da profundidade utilizou-se a do projeto (4.0 m). No cálculo do tempo de detenção hidráulico (TDH) foi adotada a
vazão média mensal e o volume recalculado.
Variáveis físico-químicas
A temperatura da água e o oxigênio dissolvido (OD) foram aferidos in locu por meio do oxímetro. As amostras de amônia
(NH4+) foram analisadas de acordo com Silva e Oliveira (2001) pelo método de nesserelização direta. As outras variáveis foram
aferidas de acordo com Apha (1998). São elas: potencial hidrogeniônico (pH), condutividade elétrica do esgoto (CND), sólidos
suspensos totais (SST), sólidos suspensos fixos (SSF), sólidos suspensos voláteis (SSV), demanda bioquímica de oxigênio (DBO),
demanda química de oxigênio (DQO), nitrato (NO3-), ortofosfato (PO4-3) e fósforo total (PT). As amostras foram filtradas nas
análises de NH4+, NO3-, PO4-3 e sólidos.
Variáveis biológicas
As coletas de clorofila a foram realizadas com garrafas escuras de um litro. O método adotado foi o de extração com acetona
90% (Apha, 1998). As amostras foram filtradas em membranas de microfibra de vidro de 47 mm de diâmetro (Milipore AP 20 de 0.8
a 8.0 µm de porosidade) por meio de bomba de vácuo Primar (modelo 141) juntamente com o kitasato completo. As leituras foram
feitas no espectrofotômetro Hach DR5000.
5
197
Ingeniería del Agua | 15.1 |2014
Autor et al. | Título del artículo
Análise
estatística
5
Autor et al. | Título del artículo
Ingeniería del Agua | 15.1 |2014
As variáveislogarítmica
foram correlacionadas
de em
umatodas
análise
componentes
principais,
ACP
(Terrealização
Braak, 1995)
a fim de
transformação
(log(x+1)) foiatravés
aplicada
as de
variáveis,
excetuando-se
o pH.
Para
da análise
detectar
a
existência
de
alguma
variação
temporal,
espacial
e
relações
metabólicas
nas
lagoas
de
estabilização.
Previamente,
a
transformação
logarítmica
(log(x+1))
foi
aplicada
em
todas
as
variáveis,
excetuando-se
o
pH.
Para
realização
da
análise
estatística utilizou-se o software PC-ORD 5.
transformação
logarítmica
(log(x+1))
foi
aplicada
em
todas
as
variáveis,
excetuando-se
o
pH.
Para
realização
da
análise
estatística
estatística utilizou-se o software PC-ORD 5.
utilizou-se o software PC-ORD 5.
RESULTADOS
RESULTADOS
Precipitação, temperatura do ar e vazão
RESULTADOS
Precipitação, temperatura do ar e vazão
A precipitação apresentou o maior volume no mês de dez/10 (389.6 mm), e menor em mai/11 (0.0 mm), porém em
Precipitação,
temperatura do ar e vazão
apresentou
maior volume
no mêstambém
de dez/10
mm),A emaior
menor
em mai/11do(0.0
mm),
porémem
em
set/10 A
atéprecipitação
o dia da coleta
(dia 22) aoprecipitação
acumulada
foi (389.6
de 0.0 mm.
temperatura
ar foi
registrada
450
400
450
350
400
300
350
250
300
200
250
150
200
100
150
50
100
0
50
0
Ago/10 Set/10 Out/10 Nov/10 Dez/10 Jan/11 Fev/11 Mar/11 Abr/11 Mai/11 Jun/11 Jul/11 Ago/11
30
2930
2829
27
28
26
27
25
26
24
25
23
24
22
23
21
22
20
21
20
Temperatura média do ar (°C)
Temperatura média do ar (°C)
Precipitação acumulada (mm)
Precipitação acumulada (mm)
set/10
até
o dia dae acoleta
(dia 22)
a nov/10
precipitação
acumulada
também
foi deem
0.0
mm.
A24.0°C.
maior
domm),
ar foi
registrada
em
set/10
(26.7°C)
temperatura
e dez/10
próximas,
torno
Por
estes(0.0
motivos
set/10,
abr/11
e
A precipitação
apresentou
ode
maior
volume
no foram
mês debem
dez/10
(389.6
mm),
e de
menor
emtemperatura
mai/11
porém
em set/10
mai/11
foram e(dia
caracterizados
como
estação
de seca
e osbem
meses
out/10,
nov/10
dez/10Por
como
chuvosa
(26.7°C)
a temperatura
de nov/10
e dez/10
foram
em torno
de e24.0°C.
estes
motivos
set/10, (Figura
abr/11
e
até oset/10
dia da
coleta
22) a precipitação
acumulada
também
foipróximas,
dede0.0
mm.
A
maior
temperatura
doestação
ar
foi registrada
em set/10
(26.7°C)
e aforam
temperatura
de nov/10
e dez/10
foram
bemepróximas,
24.0°C.e Por
estescomo
motivos
set/10,
abr/11(Figura
e mai/11
3Figura
3). caracterizados
mai/11
como
estação
de seca
os meses em
de torno
out/10,denov/10
dez/10
estação
chuvosa
foram
caracterizados
como estação de seca e os meses de out/10, nov/10 e dez/10 como estação chuvosa (Figura 3).
3Figura
3).
Meses
Ago/10 Set/10 Out/10 Nov/10
Dez/10acumulada
Jan/11 Fev/11 Mar/11 Temperatura
Abr/11 Mai/11
Jul/11 Ago/11
Precipitação
média Jun/11
do ar
Meses
Figura 3 | Valores de precipitação mensal Precipitação
acumulada e acumulada
de temperatura atmosférica no
mês anterior,
durante
e posterior às coletas. As setas
Temperatura
média
do ar
indicam os meses de coleta.
Figura
3 | Valores
de precipitação
mensal
acumulada
e deetemperatura
atmosférica
no no
mês
anterior,
durante
e posterior
às às
coletas.
AsAs
setas
indicam
Figura
3 | Valores
de precipitação
mensal
acumulada
de temperatura
atmosférica
mês
anterior,
durante
e posterior
coletas.
setas
os meses
deos
coleta.
indicam
meses de coleta.
Na Figura 4 estão representados os dados de vazão de esgoto bruto da ETE de Trindade medidos nos dias de coleta,
além das vazões mínimas, médias e máximas mensais. A vazão média mensal foi menor em out/10 (49 L.s-1) e maior em
Na Figura
4 estão representados os dados de vazão de esgoto bruto da ETE de Trindade medidos nos dias
de coleta,
Na Figura
4 -1estão
coleta,
além das
). representados os dados de vazão de esgoto bruto da ETE de Trindade medidos nos dias de
abr/11
(117 L.s
-1
-1out/10 (49 L.s ) e maior em-1
além
das
vazões
mínimas,
médias
e
máximas
mensais.
A
vazão
média
mensal
foi
menor
em
vazões mínimas, médias e máximas mensais. A vazão média mensal foi menor em out/10 (49 L.s ) e maior em abr/11 (117 L.s ).
abr/11 (117 L.s-1).
250
VazãoVazão
(L.s-1)(L.s-1)
200
250
150
200
100
150
50
100
500
Set/10
0 Q. dia da coleta
Set/10
Out/10*
Nov/10
Q. mínima
Out/10*
Nov/10
Dez/10
Abr/11
Q. média
Dez/10
Q. máxima
Abr/11
Mai/11
FiguraFigura
4 | Vazão
medida
nos dias
de coleta,
e vazões
mínimas,
médias
e emáximas
4 | Vazão
medida
nos dias
de coleta,
e vazões
mínimas,
médias
máximasmensais.
mensais.
Q. dia da coleta
Q. mínima
Q. média
Mai/11
Q. máxima
* No mês
outubro
o sistema
de bombeamento
EEE
Bruacas
ficou
inoperante
de recalque
recalquefoi
foirompida.
rompida.
* Node
mês
de outubro
o sistema
de bombeamento
EEE
Bruacas
ficou
inoperantepor
poralgum
algumtempo,
tempo, pois
pois a
a linha
linha de
Figura 4 | Vazão medida nos dias de coleta, e vazões mínimas, médias e máximas mensais.
* No mês de outubro o sistema de bombeamento EEE Bruacas ficou inoperante por algum tempo, pois a linha de recalque foi rompida.
Profundidade das lagoas e tempo de detenção hidráulico
A lagoa facultativa e de maturação apresentaram, durante a batimetria, que os pontos mais rasos foram os mais próximos
da entrada da lagoa, ou seja, F1 e M1 (1.71 e 1.32 m, respectivamente) e os mais profundos foram os mais distantes da entrada, ou
seja, F3 e M2 (1.77 e 1.40 m, respectivamente). Esta diferença de nível geralmente é provocada pelo acúmulo de lodo na entrada da
lagoa. Em média a lagoa facultativa e de maturação apresentaram profundidade de 1.74 e 1.36 m, respectivamente.
As lagoas apresentaram profundidades acima daquelas dimensionadas no projeto (ambas com profundidade útil de 1.25 m),
o que indica que as lagoas estão funcionando com o volume acima do que foi projetado inicialmente, provavelmente por conta
do módulo C ter sido desativado. Assim, parte do volume deste módulo foi dividido para os outros dois módulos, o que alterou
a profundidade dos mesmos. Também, são notáveis as oscilações da profundidade durante os meses de coleta. Em outubro, no
começo das chuvas, a profundidade diminuiu em relação a setembro, isto porque uma das elevatórias (Bruacas) apresentou defeito
e não lançou o esgoto até a ETE de Trindade interferindo na vazão do sistema (Figura 5). O aumento da profundidade na lagoa
facultativa e de maturação no mês de nov/10 e dez/10 foi devido a própria estrutura do módulo A.
Profundidade média (m)
Meses de coleta
Set/10
0,00
0,20
0,40
0,60
0,80
1,00
1,20
1,40
1,60
1,80
2,00
Out/10
Nov/10
1.34
1.36
Dez/10
1.84
Lagoa Facultativa
1.69
Mai/11
1.34
1.34
1.40
1.40
1.69
1.76
Abr/11
1.71
1.72
Lagoa de Maturação
Figura 5 | Profundidade média da lagoa facultativa e da lagoa de maturação do módulo A da ETE de Trindade durante o período de estudo.
O TDH das lagoas foi bem superior àqueles do projeto. A lagoa anaeróbia teve o TDH variando de 3.0 a 7.1 dias com média
de 4.4 dias; a lagoa facultativa de 9.2 a 21.7 dias com média de 13.6 dias e a de maturação de 3.7 a 8.9 dias com média de 5.6 dias.
O TDH do módulo A da ETE de Trindade variou de 15.9 a 37.7 dias. O TDH total aumentou cerca de 8 dias no período chuvoso em
relação ao período de seca (Tabela 2).
Tabela 2 | Variação do TDH (dias) do módulo A da ETE de Trindade durante o período estudado.
Lagoa
Set/10
Out/10
Nov/10
Dez/10
Abr/11
Mai/11
Seca
Chuva
Anaeróbia
4.1
7.1
3.7
4.6
3.0
3.8
3.6 ± 0.6
5.1 ± 2.0
Facultativa
13.1
21.7
12.1
13.9
9.2
11.9
11.4 ± 2.3
15.9 ± 5.8
Maturação
5.2
8.9
4.8
6.0
3.7
4.8
4.6 ± 0.9
6.6 ± 2.4
Total
22.5
37.7
20.5
24.4
15.9
20.5
19.6 ± 3.8
27.6 ± 10.2
199
Composição do afluente bruto
Em out/10 registrou-se o maior valor de temperatura (28.4°C), e também a menor concentração de OD (0.15 mg·L-1).
Nov/10 foi o mês com o menor valor de temperatura (25.7°C) e consequentemente com maior concentração de OD (5.49 mg·L-1)
(Tabela 3). Entretanto, nos períodos de seca a temperatura foi maior (27.4°C) e a concentração de OD foi menor (0.27 mg·L-1), e
nos períodos de chuva a temperatura foi menor (26.9°C) e a concentração de OD foi maior (3.37 mg·L-1).
Tabela 3 | Composição do esgoto na entrada do módulo A da ETE de Trindade, durante o período de estudo.
Set/10
Out/10
Nov/10
Dez/10
Abr/11
Mai/11
Média
Horário (h)
08:20
08:40
08:30
08:13
08:30
08:30
08:27 ± 00:07
Temp. (°C)
28.3
28.4
25.7
26.6
27.3
26.6
27.2 ± 0.8
OD (mg·L )
0.32
0.15
5.49
4.47
0.19
0.30
1.82 ± 1.98
pH
7.4
7.3
7.3
7.4
7.1
7.4
7.3 ± 0.1
CND (µS·cm-1)
883.0
739.5
335.3
444.0
655.0
750.1
634.5 ± 164.9
SST (mg·L-1)
306.7
160.0
78.7
54.7
-
240.0
168.0 ± 93.3
SSF (mg·L )
36.7
21.0
28.0
11.3
-
37.3
26.9 ± 9.6
SSV (mg·L )
270.0
139.0
50.7
43.3
-
202.7
141.1 ± 85.6
DBO (mg·L-1)
262.5
245.3
109.5
93.0
189.0
513.0
235.4 ± 122.0
DQO (mg·L-1)
747.0
534.3
167.5
167.3
484.0
620.0
453.4 ± 191.0
NH4 (mg·L )
18.0
17.3
5.2
8.2
18.7
22.6
15.0 ± 5.4
NO3 (mg·L )
-
2.20
3.35
3.83
1.68
2.33
2.70 ± 0.88
PT (mg·L-1)
10.1
7.6
1.9
2.2
7.8
8.9
6.4 ± 2.8
PO4-3 (mg·L-1)
3.0
2.8
1.5
1.6
4.0
4.5
2.9 ± 1.0
-1
-1
-1
-1
+
-
-1
Temp: temperatura do esgoto; OD: Oxigênio Dissolvido; pH: Potencial Hidrogeniônico; CND: Condutividade elétrica do esgoto; SST: Sólidos
Suspensos Totais; SSV: sólidos suspensos voláteis; SSF: sólidos suspensos fixos; DBO: Demanda Bioquímica de Oxigênio; DQO: Demanda
Química de Oxigênio; NH4+: amônia; NO3-: nitrato; PT: Fósforo Total; PO4-3: ortofosfato.
O pH variou entre 7.1 em abr/11 e 7.4 em set/10, dez/10 e mai/11. Os maiores valores no esgoto bruto de CND, SST, SSV,
NH4 , PT, DBO e DQO foram em setembro e maio, e menores em novembro e dezembro, provavelmente por conta ausência de
precipitação, com exceção do NO3- (Tabela 3). Em relação a razão DQO/DBO, o esgoto bruto apresentou média de 2.0.
+
Efluente da lagoa anaeróbia
A temperatura do efluente da lagoa anaeróbia (ANA) foi maior em out/10 e dez/10 (27.5 e 27.3°C, respectivamente) e menor
em set/10 e mai/11 (25.2 e 24.7°C, respectivamente). O OD variou entre 0.12 mg·L-1 (out/10) a 0.26 mg·L-1 (set/10). O pH variou
entre 6.8 (set/10) a 7.2 (dez/10). Na Tabela 4 podem ser observadas outras características da ANA.
Os valores de CND, PO4-3 e DQO foram diminuindo de acordo com o aumento da precipitação, com exceção de dezembro
que houve um pequeno aumento em relação a novembro. Este aumento pode estar relacionado com a formação de uma camada
de lodo na margem da lagoa. Os valores de SST, SSV, NO3- e PT, foram maiores nos meses de setembro e outubro e menores em
novembro e dezembro, provavelmente por razão da diluição exercida pela chuva. Os valores de SSF e NH4+ responderam de forma
diferente a diluição exercida pela precipitação e oscilaram para mais ou para menos nos meses de coleta (Tabela 4).
Tabela 4 | Composição do efluente da lagoa anaeróbia da ETE Trindade, no período de estudo.
Set/10
Out/10
Nov/10
Dez/10
Abr/11
Mai/11
Média
Horário (h)
08:32
08:55
08:52
08:40
08:43
08:41
08:44 ± 00:07
Temp (°C)
25.2
27.5
26.7
27.3
25.9
24.7
26.2 ± 0.9
OD (mg·L-1)
0.26
0.12
0.15
0.18
0.16
0.21
0.18 ± 0.04
6.8
7.0
7.1
7.2
7.0
7.0
7.0 ± 0.1
CND (µS·cm )
1424.0
1102.0
776.4
936.3
1068.0
1085.0
1065.3 ± 171.8
SST (mg·L )
160.0
100.0
99.0
80.0
-
84.0
104.6 ± 28.2
SSF (mg·L-1)
15.7
6.0
12.0
5.0
-
11.0
9.9 ± 3.9
SSV (mg·L-1)
144.3
94.0
87.0
75.0
-
73.0
94.7 ± 25.5
DBO (mg·L )
168.0
208.7
144.6
84.0
154.2
279.6
173.4 ± 52.8
DQO (mg·L-1)
586.7
515.3
346.6
360.0
374.0
475.0
442.9 ± 78.3
NH4+ (mg·L-1)
15.3
19.3
10.8
14.3
16.4
16.5
15.4 ± 2.3
NO3 (mg·L )
-
2.31
1.73
1.43
1.83
2.33
1.93 ± 0.34
PT (mg·L )
7.3
6.4
4.9
4.7
5.6
6.4
5.9 ± 0.8
PO4-3 (mg·L-1)
3.0
2.7
2.3
2.6
4.3
4.2
3.2 ± 0.7
pH
-1
-1
-1
-1
-
-1
Temp: temperatura do esgoto; OD: Oxigênio Dissolvido; pH: Potencial Hidrogeniônico; CND: Condutividade elétrica do esgoto; SST: Sólidos
Suspensos Totais; SSV: sólidos suspensos voláteis; SSF: sólidos suspensos fixos; DBO: Demanda Bioquímica de Oxigênio; DQO: Demanda
Química de Oxigênio; NH4+: amônia; NO3–: nitrato; PT: Fósforo Total; PO4–3: ortofosfato;
As concentrações da DBO diminuíram periodicamente (168.0, 144.6 e 84.0 mg·L-1) com exceção de outubro (208.7 mg·L-1)
que houve um pequeno aumento em relação a setembro (168.0 mg·L-1). Este aumento está, provavelmente, relacionado com as
primeiras chuvas que carreou a maioria das partículas do afluente para dentro da lagoa. No início do período seco (abril e maio de
2011) a concentração voltou a aumentar (154.2 e 279.6 mg·L-1) (Tabela 4).
Efluente da lagoa facultativa
Assim como a lagoa anaeróbia, a lagoa facultativa (FAC) também sofreu variações por conta da precipitação. A variável que
mais se destacou nesta lagoa foi o oxigênio dissolvido que se manteve praticamente anóxico, com exceção de out/10 e mai/11 (5.83
e 5.03 mg·L-1, respectivamente) (Tabela 5).
A temperatura foi menor em mai/11 (23.1°C) e maior em out/10 (27.2°C). O pH desta lagoa manteve-se praticamente neutro
durante o período estudado, que oscilou de 7.1 (set/10) a 7.8 (out/10). Em relação às outras variáveis foi possível perceber que
foram maiores na estação de seca, e menores na estação chuvosa.
A maior concentração de clorofila a foi registrada em mai/11 (2802.67 µg·L-1) e menor em out/10 (511.28 µg·L-1). As
concentrações de amônia e ortofosfato foram crescentes de nov/10 a abr/11.
201
Tabela 5 | Composição do efluente da lagoa facultativa da ETE Trindade, no período de estudo.
Set/10
Out/10
Nov/10
Dez/10
Abr/11
Mai/11
Média
Horário (h)
08:42
09:08
09:01
08:49
08:52
08:49
8:53 ± 00:09
Temp (°C)
24.5
27.2
26.6
27.1
25.6
23.1
25.7 ± 1.3
OD (mg·L-1)
1.82
5.83
0.62
0.41
0.24
5.03
2.32 ± 1.99
7.1
7.8
7.5
7.5
7.3
7.5
7.5 ± 0.2
CND (µS·cm )
1333.0
1049.0
749.2
853.0
1008.0
942.1
989.0 ± 160.2
SST (mg·L )
154.0
210.0
162.7
119.0
-
195.0
168.1 ± 31.4
SSF (mg·L-1)
10.0
16.0
14.7
9.0
-
13.0
12.5 ± 2.6
SSV (mg·L-1)
144.0
194.0
148.0
110.0
-
182.0
155.6 ± 29.2
DBO (mg·L )
25.8
44.7
43.8
27.6
38.8
91.5
45.4 ± 19.2
DQO (mg·L-1)
495.3
487.0
362.0
279.3
309.0
426.0
393.1 ± 72.8
NH4+ (mg·L-1)
11.4
10.2
7.0
8.7
10.2
11.8
9.9 ± 1.4
NO3 (mg·L )
-
1.17
1.07
0.94
0.96
1.17
1.06 ± 0.10
PT (mg·L )
5.3
5.0
4.0
3.9
5.0
5.3
4.7 ± 0.5
PO4-3 (mg·L-1)
0.7
0.4
1.7
1.9
2.8
2.7
1.7 ± 0.8
561.09
511.28
1487.57
1662.68
1351.62
2802.67
1396.15 ± 673.27
pH
-1
-1
-1
-1
-
-1
Cla (µg·L-1)
Efluente da lagoa de maturação
A temperatura foi menor em mai/11 (22.8°C) e maior em out/10 (27.6°C). O pH desta lagoa manteve-se praticamente neutro
(com exceção de out/10- 8.1) porém com uma média maior (7.7) que da lagoa facultativa (7.5) (Tabela 6).
Tabela 6 | Composição do efluente da lagoa de maturação. (-) sem dados.
Set/10
Out/10
Nov/10
Dez/10
Abr/11
Mai/11
Média
Horário (h)
08:50
09:13
09:16
08:56
09:04
08:57
9:02 ± 00:08
Temp (°C)
23.6
27.6
26.1
26.6
25.3
22.8
25.3 ± 1.5
OD (mg·L )
7.60
13.60
3.14
5.39
1.10
7.10
6.32 ± 3.46
pH
7.4
8.1
7.7
7.8
7.5
7.9
7.7 ± 0.2
CND (µS·cm-1)
1353.0
1079.0
738.5
770.8
861.8
949.2
958.7 ± 183.6
SS (mg·L-1)
183.5
166.0
142.7
111.0
-
74.0
135.4 ± 38.4
SSF (mg·L )
15.3
16.0
13.3
7.0
-
9.5
12.2 ± 3.4
SSV (mg·L )
168.2
150.0
129.3
104.0
-
64.5
123.2 ± 35.6
DBO (mg·L-1)
21.0
38.1
26.3
24.0
23.0
54.8
31.2 ± 10.4
-1
-1
-1
Tabela 6 | (Continuação) Composição do efluente da lagoa de maturação. (-) sem dados.
Set/10
Out/10
Nov/10
Dez/10
Abr/11
Mai/11
Média
DQO (mg.L-1)
416.3
377.7
313.0
265.3
231.0
288.0
315.2 ± 56.0
NH4 (mg.L )
13.2
10.0
5.4
6.6
9.8
11.0
9.3 ± 2.3
NO3 (mg.L )
-
0.92
1.08
0.77
0.65
0.87
0.86 ± 0.14
PT (mg.L-1)
4.0
3.4
2.8
2.6
4.3
3.7
3.5 ± 0.5
PO4-3 (mg.L-1)
0.5
0.3
0.3
1.5
2.3
1.2
1.0 ± 0.6
1285.33
313.43
1803.78
2567.80
1094.70
953.57
1336.43 ± 618,64
-1
+
-1
-
Cla (µg.L )
-1
A concentração de oxigênio dissolvido variou de 1.10 (abr/11) a 13.60 mg·L-1 (out/10) e obteve uma média de 6.32 mg·L-1,
que foi bem maior que a lagoa facultativa (2.32 mg·L-1), porém a lagoa facultativa possui uma média de clorofila a (1396.15 µg·L-1)
maior que a da lagoa de maturação (1336.43 µg·L-1).
A concentração da DQO registrada na saída da lagoa de maturação foi maior em set/10 (416.3 mg·L-1) e a menor em abr/11
(231.0 mg·L-1) (Tabela 6). Em out/10 e mai/11 quando foram registrados os maiores valores de pH (8.1 e 7.9) também se registraram
as maiores concentrações de DBO (38.1 e 54.8 mg·L-1).
Eficiência do módulo A e das lagoas de estabilização
Eficiência de remoção do módulo A
Os meses com maior eficiência de remoção são resultantes do período de seca, quando o efluente é mais concentrado,
mantendo a vazão do projeto e o tempo de detenção hidráulico adequado. Durante o período de seca, o módulo A apresentou, em
média, maior eficiência de remoção da DBO (90%) e do PO4-3 (67%) e menor eficiência de remoção da NH4+ (42%), entretanto no
período chuvoso, a maior eficiência de remoção foi de NO3- (69%) e DBO (78%), e a menor foi de DQO (10%) e PT (19%). De
acordo com Von Sperling (2002) a eficiência de remoção de DBO esteve dentro do esperado apenas no período seco. Não houve
remoção de SST e SSV no período chuvoso. Em média, o sistema apresentou melhor eficiência de remoção da DBO e pior da NH4+
e DQO (Figura 6).
100
90
80
70
60
50
40
30
20
10
0
seca
SST (%)
SSF (%)
chuva
SSV (%)
DBO (%)
Períodos e Referência
DQO (%)
NH4+ (%)
Von Sperling (2002)
NO3- (%)
PT (%)
PO4-3 (%)
Figura 6 | Eficiência de remoção (%) do módulo A durante o período seco e chuvoso.
Em setembro e outubro a lagoa anaeróbia removeu mais SST, em novembro e dezembro removeu mais NO3- e SSF, e em
abril e maio removeu mais PT. A lagoa facultativa, em setembro e outubro, apresentou boa eficiência na remoção de PO4-3 (75.5 e
87.0%) e DBO (84.6 e 78.6%) em relação às outras variáveis analisadas. Em novembro, dezembro, abril e maio, a lagoa removeu
mais NH4+ e DBO. No geral a lagoa de maturação removeu mais PT do que as outras lagoas (Figura 7).
203
Figura 7 | Eficiência de remoção (%) da lagoa anaeróbia (ANA), facultativa (FAC) e de maturação (MAT), durante o período estudado.
Das lagoas estudadas, a lagoa anaeróbia foi mais eficiente na remoção de SS, SSF e SSV (30, 48 e 22%), a lagoa facultativa
na remoção de NO3-, NH4+, PO4-3 e DBO (44, 36, 48 e 74%), e a lagoa de maturação na remoção de PT e DQO (27 e 19%) (Tabela 7).
Tabela 7 | Valores médios da eficiência de remoção (%) registrados na lagoa anaeróbia, facultativa e de maturação do módulo A da ETE de Trindade
durante o período estudado.
Lagoa
Anaeróbia
NO3-
NH4+
PT
PO4-3
DBO
DQO
SS
SSF
SSV
22
09
17
02
19
12
30
48
22
Facultativa
44
36
19
48
74
12
01
12
00
Maturação
19
10
27
37
28
19
20
12
21
Análise de componentes principais
De acordo com a Figura 8 os dois primeiros componentes principais explicaram 66,6% da variabilidade total dos dados,
sendo que as variáveis que correlacionaram com o primeiro eixo 1 foram: OD, pH, PO4-3, PT, NH4+, DQO, Cla e SST; e com o eixo
2: CND, DBO, SST e SSV. A Análise de Componentes Principais (ACP) indicou que existiram agrupações entre o afluente bruto e a
lagoa anaeróbia (grupo I), e entre a lagoa facultativa e a de maturação (grupo II), ou seja, houve variação espacial. É notável também
que o afluente bruto em nov/10 e dez/10 formou um grupo separado (grupo III), isto porque nestes meses o AFB sofreu diluição
bastante significativa caracterizando-o como se fosse outro ambiente. O grupo I foi influenciado pelos valores de PO4-3, DBO, NH4+,
PT e DQO, porém, o grupo II foi influenciado pela clorofila a (Cla), pH, e OD. Estes parâmetros foram separados justamente por
causa da concentração, uma vez que no afluente bruto e na lagoa anaeróbia encontraram-se as maiores concentrações de nutrientes,
DBO e DQO; e na lagoa facultativa e de maturação encontraram-se as maiores concentrações de OD, Cla e pH, caracterizando o
processo gradativo de tratamento do esgoto em lagoas de estabilização do tipo Australiana.
Grupo I
Grupo III
Grupo II
Figura 8 | Escores derivados da ACP aplicados aos dados ambientais. Os códigos são: CND - Condutividade elétrica; DQO – Demanda Química
de Oxigênio; DBO – Demanda Bioquímica de Oxigênio; Cla – clorofila a; SS – Sólidos Suspensos Totais; SSV – Sólidos Suspensos Voláteis; OD Oxigênio Dissolvido; pH - potencial hidrogeniônico; PO4-3 - Ortofosfato; PT - Fósforo Total; NH4+ - Amônia.
DISCUSSÃO
As vazões estiveram bem abaixo da capacidade média projetada (Qméd.projeto=242.38 L·s-1) para final de plano, que foi em
2011. Entretanto, atualmente o sistema trata entre 14 e 34% da capacidade máxima (Qmáx.projeto=346.33 L·s-1). Assim pode-se concluir
que este sistema suportaria crescimento populacional e/ou maiores números de ligações de esgoto à ETE. É importante destacar que
205
esta ETE foi projetada para uma população de final de plano de 71478 habitantes e segundo SNIS (2008) a população em Trindade
é de 102870 habitantes, e mesmo assim a ETE não atingiu a vazão máxima.
Ao comparar vazão média da ETE de Trindade e precipitação mensal, pode-se perceber que não houve proporcionalidade
em out/10 por conta do sistema de bombas da EEE Bruacas ter ficado inoperante por algum tempo, e em nov/10 quando houve um
pico de vazão provavelmente por conta da inicialização dos lançamentos de esgoto das fontes poluidoras clandestinas (inclusive de
caminhões tanque) que continuou possivelmente até mai/11, tanto é que mai/11 apresentou DBO duas vezes maior que a de set/10
(mês de seca).
O aumento da profundidade na lagoa facultativa e de maturação no mês de nov/10 e dez/10 foi devido à própria estrutura
do módulo A. Com os altos níveis de precipitação, aumento da vazão e como a área da tubulação que recebe o esgoto é maior que
a área da comporta que lança o esgoto, as lagoas não conseguiram manter a mesma vazão de entrada e saída.
Martins (2003) também registrou variações de profundidades nas lagoas de estabilização da ETE Parque Atheneu (GO) e
explicou que esta variação está ligada a precipitação e talvez ao lançamento clandestino de águas pluviais aos esgotos sanitários.
Shammas et al. (2009) salientam que a perda de água da lagoa pela evaporação, normalmente é insignificante, exceto em
lugares com clima quente e seco, como é o caso de Trindade. Segundo este autor a taxa de evaporação varia com temperatura,
pressão barométrica, velocidade dos ventos e o teor de sal contido na água.
Segundo Von Sperling (2002) a lagoa anaeróbia e de maturação deve ter o TDH entre 3 e 6 dias e a facultativa entre 15 e 45
dias, portanto, a lagoa anaeróbia e de maturação do módulo A da ETE de Trindade esteve com a média dentro do limite, e a lagoa
facultativa esteve com a média um pouco abaixo do limite.
Segundo Gurung et al. (2006), durante os períodos de intensa precipitação o TDH é menor, e consequentemente, ha maior
escoamento da água e aumento na diluição dos nutrientes, como é percebível nos resultados apresentados. Entretanto, no módulo A o
TDH foi maior no período chuvoso devido ao aumento da profundidade. Silveira et al. (2002) discutiram a biomassa fitoplanctônica
em dois lagos rasos e mesotróficos, no México, e concluíram que longos períodos de detenção resultam no aumento da concentração
de nutrientes e consequentemente da biomassa fitoplanctônica.
De acordo com Von Sperling (1996; 2002) a faixa média de PT e NH4+ para esgoto bruto variam de 4 a 15 mg·L-1 e 20
a 25 mg·L-1, respectivamente. Portanto, o esgoto bruto apresentou concentrações de PT dentro da faixa típica com média de
6.7 mg·L-1 e a amônia apresentou concentrações abaixo da faixa típica com média de 15.0 mg·L-1.
Em relação à carga da matéria orgânica, o esgoto bruto da ETE Trindade pode ser classificado como médio. De acordo com
Jordão e Pessôa (1995), o esgoto é classificado como médio quando apresenta DBO entre 100 e 300 mg·L-1. Segundo estes mesmos
autores, PT e NH4+ estiveram na faixa caracterizada como fraco (10 e 20 mg·L-1, respectivamente). O nitrato esteve bem acima da
faixa caracterizada como forte (0.4 mg·L-1).
A razão DQO/DBO do esgoto bruto apresentou média de 2.0, o que é o limite máximo aceitável para tratamento biológico
segundo Braile e Cavalcante (1993), porém se analisarmos cada mês este limite foi ultrapassado em set/10, out/10 e abr/11 (2.8, 2.2
e 2.6, respectivamente) o que indica a presença de matéria orgânica não biodegradável podendo inviabilizar tratamento biológico.
A concentração de DQO esteve na faixa típica dos esgotos sanitários durante todo o período analisado, que varia de 450 a
800 mg·L-1 (Von Sperling, 2005), com exceção de nov/10 e dez/10, pois são os meses com maiores níveis de precipitação. Segundo
a classificação do mesmo autor, as concentrações do SST, SSF e SSV estiveram abaixo da faixa típica para esgotos sanitários, que
varia de 350, 80 e 320 mg·L-1, pois apresentaram média de 168, 27 e 141 mg·L-1 respectivamente, e o pH esteve dentro da faixa
típica mais comum dos esgotos sanitários, que varia de 6,7 a 8,0. Valores de temperatura do esgoto bruto foram semelhantes àqueles
registrados na ETE Novo Horizonte (26.9 a 30.6°C), em São Paulo (Falco, 2005).
Assim como a lagoa anaeróbia, a lagoa facultativa também sofreu variações por conta da precipitação. A variável que mais
se destacou nesta lagoa foi o oxigênio dissolvido que se manteve praticamente anóxico. Provavelmente as altas taxas de clorofila
a (biomassa algal) proporcionaram este resultado causando efeitos negativos no balanço do oxigênio: à noite estas algas respiram
consumindo grande quantidade do oxigênio dissolvido, e as algas que morrem também consomem oxigênio na própria deterioração
feita pelas bactérias (Friedler et al., 2003).
Altos valores de CND são comuns em lagoas de estabilização por conta da estabilização da matéria orgânica que libera
substâncias inorgânicas responsáveis por elevar a condutividade elétrica da água (Gomes, 2002). Os valores encontrados no módulo
A da ETE Trindade variaram de 1424 µS·cm-1 na lagoa anaeróbia (set/10) a 335,3 µS·cm-1 no afluente bruto (nov/10).
Granado (2004) registrou valores semelhantes de ortofosfato na ETE de Novo Horizonte (SP), sendo o valor máximo
encontrado de 2.97 mg·L-1.
Von Sperling e Oliveira (2009) estudaram a qualidade de 166 ETE, dentre elas estão as do modelo Australiano com uma
lagoa anaeróbia e uma facultativa. Os valores que estes autores encontraram pra este sistema variaram, respectivamente, entre 54 a
133 mg·L-1 para DBO, 213 a 421 mg·L-1 para DQO, 80 a 236 mg·L-1 para SST, 4 a 8 mg·L-1 para PT. A lagoa facultativa do módulo
A da ETE Trindade lançou em média 45.4 mg·L-1 de DBO abaixo da faixa que os autores supracitados citaram, já as variáveis DQO,
SST e PT se encaixaram dentro desta faixa.
Segundo Reynolds (2006), as cianobactérias contribuem menos com a clorofila a em relação às diatomáceas, Chlorophyta
e especialmente com as Euglenophyta. Entretanto, nos meses com maior valor de clorofila a pode ter existido o predomínio de
Chlorophytas e de seres euglenóides por possuírem biovolumes maiores.
A concentração de DQO registrada na saída da lagoa de maturação está acima da faixa típica, que varia de 100 a 180 mg·L-1
para sistemas de tratamento do tipo Australiano sem aeração, e a DBO encontra-se abaixo da faixa, que varia de 40-70 mg·L-1 (Von
Sperling, 2002).
A variação do pH pode estar relacionada com a oxidação da matéria orgânica (r=0.68). Em out/10 e mai/11 quando foram
registrados os maiores valores de pH (8.1 e 7.9) também presenciou as maiores concentrações de DBO (38.1 e 54.8 mg·L-1).
Botelho, Von Sperling e Chernicharo (1997) também encontraram resultados semelhantes na lagoa de maturação da ETE Nova
Vista (MG). Estes mesmos autores também verificaram resultados de OD semelhantes ao da ETE Trindade que variaram de 1.10
(abr/11) a 13.6 mg·L-1 (out/10), já os da ETE Nova Vista variaram de 0.0 a 17.3 mg·L-1, no período da manhã.
A menor concentração de clorofila a na lagoa de maturação foi registrada em out/10 (313.43 µg·L-1) e também os maiores
valores de pH (8.1) e OD (13.6 mg·L-1). Este processo pode estar relacionado com a fotossíntese e a temperatura da água (27.6 °C),
pois para a produção de oxigênio as algas consomem dióxido de carbono do meio, que geralmente está na forma de íon bicarbonato
(HCO3-) devido ao pH (>7.5), e libera oxigênio, com isso o pH se eleva, entretanto, com o aumento da temperatura da água o
metabolismo das algas ficou mais acelerado e essa etapa ocorreu mais rapidamente (Kalff, 2002; Reynolds, 2006).
Em uma lagoa de maturação a assimilação da amônia pelas algas é pouco importante caso deseje atingir elevados percentuais
de remoção (Von Sperling, 2002). Esta remoção é feita principalmente pelos altos valores de pH (geralmente >9), por volatilização
da amônia. Durante o estudo não foram registrados tais valores de pH, o que indica que a lagoa de maturação removeu amônia,
principalmente, pela assimilação com as algas e com a conversão em nitrato. Este processo pode ser observado na Figura 7, quando
a lagoa de maturação removeu menos amônia (out/10, abr/11 e mai/11) e houve maior remoção de nitrato. Picot et al. (1992)
salientam que a redução nas concentrações de nitrogênio amoniacal na superfície das lagoas de estabilização está relacionada com
a assimilação da NH4+ pelo fitoplâncton.
O desempenho e a eficiência de qualquer lagoa de estabilização podem ser avaliados pela quantidade da DBO resultante
no efluente (Jordão e Pessôa, 1995).
Dentro dos limites estabelecidos por Von Sperling (2002) apenas PT e DBO estiverem dentro da faixa e NH4+, DQO e SST
estiveram abaixo da faixa. Mota e Von Sperling (2009) explicam testes com lagoas de 0.5 e 1.0 m de profundidades e sugerem
lagoas de maturação bastantes rasas para ter melhor desempenho na remoção de amônia.
O módulo A apresentou uma média de remoção de DQO de 45%, e Silva et al. (2009) analisaram quatro lagoas de
estabilização no Estado de Goiás, sendo duas do tipo Australiano que apresentaram eficiência de remoção de DQO variando de 54
a 55% e duas do tipo aerada, que apresentaram eficiência variando de 52 a 64%, ou seja, ambas também estavam fora da faixa de
típica sugerida por Von Sperling (2002), que varia de 73 a 83%.
A baixa eficiência de remoção de sólidos na lagoa facultativa pode estar ligada ao crescimento intensivo das algas devido
à alta disponibilidade de nutrientes, tanto é que a maior remoção de nitrato, amônia e ortofosfato ocorreram na lagoa facultativa.
207
Resultados semelhantes têm sido encontrados por Pearson et al. (1995). A lagoa facultativa apresentou maior média de clorofila
a do que a maturação, porém de acordo com Mara (2005) a concentração de clorofila a em lagoas facultativas depende da carga
orgânica e temperatura, e varia de 500 a 2000 µg·L-1.
Segundo Metcalf e Eddy (1995), as lagoas anaeróbias podem atingir eficiência de remoção de DBO superior a 70%, e em
condições ótimas acima de 85%. Em nenhum momento foi registrado tal eficiência na lagoa anaeróbia durante o período estudado,
portanto a lagoa foi dimensionada para ter eficiência de 50%, o que também não ocorreu, porém a diluição do afluente bruto pela
precipitação pode justificar este resultado.
Pode-se perceber, também, que a lagoa facultativa apresentou melhor eficiência na remoção de DBO em relação a lagoa
anaeróbia, o que não é comum. Isto pode ter acontecido pela combinação da lagoa facultativa ter apresentado profundidade maior
daquela utilizada no projeto e por ter OD baixo, funcionado como se fosse lagoa anaeróbia. Esta lagoa removeu também mais NH4+.
Pano e Middlebrooks (1982) comentam que a remoção de amônia na lagoa facultativa está relacionada com a temperatura, pH,
tempo de detenção e biomassa algal, assim como altas concentrações de nitrato podem estar ligadas a remoção de amônia. A amônia
pode também interferir nas taxas fotossintéticas das algas (Bitton, 2005).
Considerando que a característica do efluente lançado no córrego receptor é o mesmo que sai da lagoa de maturação do
módulo A, e de acordo com a Resolução n°357/05 (Conama, 2008) e o decreto n°1745/79 (córrego Barro Preto é de classe 2), o
efluente se enquadra em quase todas as características estabelecidas pelas normas. As variáveis PT e Cla estiveram muito acima
dos limites estabelecidos para qualidade da água do corpo receptor (0.05 mg·L-1 e 30 µg·L-1, respectivamente). Apenas em nov/10
e abr/11 o OD esteve abaixo dos limites estabelecidos (>5.0 mg·L-1). De acordo com a resolução n° 430/11 (Brasil, 2011) a
concentração de DBO a ser lançada pode ter no máximo de 120 mg·L-1, ou o sistema deve apresentar 60% de eficiência de remoção.
A ETE de Trindade se encaixa em ambas as possibilidades.
A ACP evidenciou correlação inversa entre os nutrientes PO4-3, PT, NH4+ e as variáveis OD, pH e Cla. Porém, a comunidade
fitoplanctônica foi responsável pelo aumento do OD e consequentemente do pH pelo processo provocado pela a fotossíntese
e também pela redução dos nutrientes que são consumidos nos processo metabólicos das algas. Miwa et al. (2007) também
encontraram correlação inversa entre nitrogênio amoniacal e oxigênio dissolvido em lagoas de estabilização da ETE Cajati. Em
geral, as concentrações foram mais baixas nos meses chuvosos do que nos secos, porque houve diluição devido à infiltração
de pluviais na rede de drenagem. A infiltração de pluviais também contribuiu para baixar as concentrações afluentes nos meses
chuvosos como pode ser observado pelo grupo III da ACP.
CONCLUSÕES
A sazonalidade influenciou na profundidade da lagoa facultativa e de maturação e aumentou consequentemente o tempo
de detenção hidráulico (TDH), mesmo assim a lagoa facultativa apresentou TDH abaixo da faixa típica, portanto é evidente que
estudos de sazonalidade sejam considerados no dimensionamento de uma estação de tratamento de esgotos a fim de evitar futuros
problemas com enchentes.
A lagoa facultativa apresentou concentrações de OD muito baixas e o módulo A apresentou deficiência na remoção de DQO
e ótima eficiência na remoção de DBO.
As concentrações de PT, NH4+ e Cla que o módulo A da ETE de Trindade lançou ao corpo receptor esteve muito acima dos
limites estabelecidos pela resolução 357 do CONAMA. Apenas em nov/10 e abr/11 o OD esteve abaixo dos limites estabelecidos.
A Análise de Componentes Principais (ACP) mostrou ser uma excelente ferramenta para o monitoramento de lagoas de
estabilização e evidenciou a correlação inversa entre os nutrientes PO4-3, PT, NH4+ e as variáveis OD, pH e Cla, o que indica a
remoção destes nutrientes pelas algas. Mostrou também que a sazonalidade influenciou na eficiência de remoção das variáveis
físico-químicas e biológicas.
REFERÊNCIAS
Apha – American Public Health Association. 1998. Standard Methods for Examination of Water and Wastewater. 20. Ed, Madrid:
Ediciones Diaz de Santos S.A/American Public Health Association; American Water Works Association/Water Pollution Control
Federation: Washington, USA.
Bitton, G. 2005. Wastewater Microbiology. 3. ed. Wiley: New York, USA. doi:10.1002/0471717967
Botelho, P.M.D.A., Von Sperling, M., Chernicharo, C.A.D.L. 1997. Avaliação dos dados físico-químicos e fitoplâncton da lagoa
de maturação em escala piloto da ETE Nova Vista - Itabira - MG. Anais do 19° Congresso Brasileiro de Engenharia Sanitária e
Ambiental, Foz do Iguaçu, Paraná, Brasil, I-120, 681-690.
Braile, P.M., Cavalcanti, J.E. 1993. Manual de tratamento de águas residuárias. Cetesb: São Paulo,Brasil.
Brasil, Ministerio do Meio Ambiente. Conselho Nacional do Meio Ambiente. Resolução n° 430, de 13de maio de 2011. Dispõe
sobre as condições e padrões de lançamento de efluentes, complementa e altera a Resolução n° 357, de 17 de março de 2005, do
Conselho Nacional do Meio Ambiente-CONAMA. Diário Ofical da União, 1(92), 89-91.2011.
Conama – Conselho Nacional do Meio Ambiente. 2008. Dispõe sobre a classificação dos corpos de água e diretrizes ambientais
para o seu enquadramento, bem como estabelece as condições e padrões de lançamento de efluentes, e dá outras providências.
In: CONAMA Resoluções do Conama: resoluções vigentes publicadas entre julho de 1984 e novembro de 2008. 2. ed. Brasília:
Conama, 280-303.
Falco, P.B. 2005. Estrutura da comunidade microbiana (algas e bactérias) em um sistema de lagoas de estabilização em duas
escalas temporais: nictemeral e sazonal. Tese de Doutorado - Escola de Engenharia Civil, Universidade de São Paulo, São Carlos,
São Paulo, Brasil. doi:10.11606/t.18.2005.tde-20042006-081717
Friedler, E., Juanico, M., Shelef, G. 2003. Simulation model of wastewater stabilization reservoirs. Ecological Engineering, 20(2),
121-145. doi:10.1016/S0925-8574(03)00009-0.
Gomes, J.L.C.S. 2002. Estudo comparativo entre oito sistemas de lagoas de estabilização da região noroeste do Estado de São
Paulo. Dissertação de Mestrado - Escola de Engenharia Civil, Universidade de São Paulo, São Carlos, São Paulo, Brasil.
Granado, D.C. 2004. Variação nictermais e sazonais na estrutura da comunidade fitoplanctônica num sistema de lagoas de
estabilização (Novo Horizonte). Dissertação de Mestrado - Escola de Engenharia de São Carlos, Universidade de São Paulo, São
Carlos,São Paulo, Brasil.
Gurung, T.B., Dhakal, R.P., Bista, J.D. 2006. Phytoplankton primary production, chlorophyll-a and nutrient concentrations in the
water column of mountainous Lake Phewa, Nepal. Lakes & Reservoirs and Management, 11(3), 141-148. doi:10.1111/j.14401770.2006.00301.x
Jordão, E.P., Pessôa, C. A. 1995. Tratamento de Esgotos Domésticos. 4. ed. ABES: Rio de Janeiro, Brasil.
Kalff, J. 2002. Limnology. Prentice Hall: Upper Saddle River, New Jersey, USA.
Kellner, E., Moreira, J.F.V., Pires, E.C. 2009. Influência da estratificação térmica no volume útil e no comportamento hidrodinâmico
de lagoa de estabilização: determinação experimental e teórica. Engenharia Sanitaria e Ambiental, 14(1), 129-138. doi:10.1590/
S1413-41522009000100014. Lau, P.S., Tam, N.F.Y., Wong, Y.S. 1995. Effect of Algal Density on Nutrient Removal from Primary Settled Wastewater.
Environmental Pollution, 89(1), 59-66. doi:10.1016/0269-7491(94)00044-E.
Mara, D. 2005. Pond process design – a practical guide. In: Pond Treatment technology (A. Shilton, Ed.). IWA Publishing: London,
Seattle, UK, 168-187.
Martins, N.R. 2003. Dinâmica de algas e aspectos limnológicos em um sistema de lagoas de estabilização de esgotos sanitários em
Goiânia-Goiás. Dissertação de Mestrado - Instituto de Ciências Biológicas, Univerdidade Federal de Goiás, Goiania: Goiás, Brasil.
209
Metcalf & Eddy. 1995. Ingenharía Sanitaria: tratamiento, evacuación y reutilización de aguas residuales. Tradução de Juan de
Dios Trillo Montsoriu; Nilo Lletjós Masó e Eloisa Estruch Soto. 2. ed. Labor. S.A.: Maracaibo, Venezuela.
Miwa, A.C.P., Freire, R.H.F., Calijure, M.C. 2007. Dinâmica de nitrogênio em um sistema de lagoas de estabilzação na região do
Vale do Ribeira (São Paulo - Brasil). Engenharia Sanitária e Ambiental, 2(2), 169-180. doi:10.1590/S1413-41522007000200008.
Mota, F.S.B., Von Sperling, M. 2009. Nutrientes de esgotos sanitário: utilização e remoção. ABES: Rio De Janeiro, Brasil,v2,
428 p.
Pano, A., Middlebrooks, E.J. 1982. Ammonia nitrogen removal in facultative wasterwater stabilization ponds. Journal of Water
Pollution Control Federation, 54(4), 344-351.
Pearson, H., Mara, D., Arridge, H. 1995. The influence of pond geometry and configuration on facultative and maturation waste
stabilisation pond performance and efficiency. Water Science and Technology, 31(12), 129-139. doi:10.1016/0273-1223(95)00500-M
Picot, B., Bahlaou, A., Moersidik, S., Baleux, B., Bontoux, J. 1992. Comparison of the purifying efficiency of high rate algal pond
with stabilization pond. Water Science and Technology, 25(12), 197-206.
Reynolds, C.S. 2006. The Ecology of Phytoplankton. 1. Ed, Cambridge University Press: New York, USA.
SANEAGO. 2008. Estação de Tratamento de Esgotos de Trindade: Dados Operacionais. Goiânia: Goiás, Brasil, p. 1.
SANEAGO. 2012. Relação das ETEs monitoradas pelo loboratório. SUSEI, Goiânia: Goiás, Brasil, p. 3-5.
Shammas, N.K., Wang, L., Wu, Z. 2009. Waste Stabilization Ponds and Lagoons. In: Handbook of Environmental Engineering:
Biological Treatment Processes (L. K., Wang, N.C. Pereira, Y-T., Hung, Ed.). The Humana Press: Totowa, New Jersey, USA, 315370. doi:10.1007/978-1-60327-156-1_8
Silva, M.F.D., Rocha, A.L.C.L., Santos, C.R.A., Magalhães, F.O.C., Nery, L.N.P. 2009. Avaliação de Lagoas de Estabilização do
Estado de Goiás. Anais do 25º Congresso Brasileiro de Engenharia Sanitária e Ambiental, Set 20-25, Pernambuco, Brasil, p. 1-7.
Silva, S.A., Oliveira, R.D. 2001. Manual de análises físico-químicas de águas de abastecimento e residuárias. Campina Grande:
O Autor, 266 p.
Silveira, J.A.H., Gomez, I.M., Colli, R. 2002. Trophic status based on nutrient concentration scales and primary producers community
of tropical coastal lagoons influenced by groundwater discharges. Hydrobiologia, 475(1), 91-98. doi:10.1023/A:1020344721021.
SNIS. 2008. Ministério das Cidades:Secretaria Nacional de Saneamento Nacional. Sistema Nacional de Informações sobre o
Saneamento. Disponivel em: http://www.snis.gov.br. Acesso em: 30 maio 2011.
Ter Braak, C.J.F. Ordination. In: Jongman, R.H.G., Ter Braak, C.J.F., Van Tongeren, O.F.R. 1995. Data analysis in community and
landscape ecology. Cambridge: Cambrige University, cap. 5, p. 91-173.
Von Sperling, M. 1996. Princípios básicos do tratamento de esgotos: Princípios do Tratamento Biológico de Águas Resíduárias.
Belo Horizonte: UFMG, 2, 1996. 211 p.
Von Sperling, M. 2002. Lagoas de Estabilização: Princípios do Tratamento Biológico de Águas Resíduárias. 2. ed. Belo Horizonte:
UFMG, 3, 2002. 196 p.
Von Sperling, M. 2005. Introdução à Qualidade das Águas e ao Tratamento de Esgotos: Princípios do Tratamento Biológico de
Águas Resíduárias. Belo Horizonte: UFMG, v.1, 452 p.
Von Sperling, M., Oliveira, S.C. 2009. Comparative performance evaluation of full-scale anaerobic and aerobic wastewater
treatment processes in Brazil. Water Science & Technology, 59(1), 15-22. doi:10.2166/wst.2009.841.
Santos et al. | Previsão de secas na primavera em Portugal Continental com base em indicadores climáticos […]
211
Previsão de secas na primavera em Portugal Continental com base em
indicadores climáticos de larga escala
Spring drought forecasting in mainland Portugal based on large-scale climatic indices
Santos, J.F.a, Portela, M.M.b, Pulido-Calvo, I.c
a
Dpto. Engenharia, ESTIG, Instituto Politécnico de Beja, Rua Afonso III, 7800-050, Portugal. E-mail: [email protected]
b
Dpto. Engenharia Civil, Instituto Superior Técnico, Universidade de Lisboa, Portugal, Avda. Rovisco Pais, 1049-001 Lisboa, Portugal.
E-mail: [email protected]
c
Dpto. Ciencias Agroforestales, Escuela Técnica Superior de Ingeniería, Campus La Rábida, Universidad de Huelva, 21819 Palos de la Frontera
(Huelva), Spain. E-mail: [email protected]
RESUMO
O sucesso de uma estratégia de mitigação dos efeitos da seca passa pela implementação de um sistema de monitorização e
previsão eficaz, capaz de identificar os eventos de seca e de seguir a sua evolução espácio-temporal. Neste artigo demonstrase a eficiência de redes neuronais artificiais na previsão, para Portugal, do índice de precipitação padronizada, SPI, relativo à
primavera. A validação dos modelos recorreu ao hindcasting, designando-se, por tal, a técnica através da qual um dado modelo
é testado mediante a sua aplicação a períodos temporais históricos, com comparação dos resultados obtidos com as respectivas
observações. O índice SPI foi calculado à escala temporal de 6 meses tendo o hindcast utilizado como indicadores climáticos a
oscilação do Atlântico Norte e temperaturas da superfície do mar. O estudo evidenciou a mais valia da inclusão dos anteriores
predictores externos no modelo de previsão. Elaboraram-se, ainda, mapas de probabilidade de ocorrência de seca os quais
constituem importantes ferramentas no planeamento integrado e na gestão de recursos hídricos.
Palavras chave | Redes neuronais artificiais; Hindcasting; SPI; NAO; SST; SPI.
ABSTRACT
The success of a strategy of mitigation of the effects of the droughts requires the implementation of an effective monitoring and
forecasting system, able to identify drought events and follow their spatiotemporal evolution. This article demonstrates the capability
of the artificial neural networks in predicting the spring standardized precipitation index, SPI, for Portugal. The validation of the
models used the hindcasting, which is a technique by which a given model is tested through its application to historical data followed
by the comparison of the results thus achieved with the data. The SPI index was calculated at the timescale of six months and the
climate indices used as external predictors in the hindcasting were the North Atlantic Oscillation and temperatures of the sea surface.
The study showed the added value of the inclusion of previous predictors in the model. Maps of the probabilities of the drought
occurrences which may be very important for integrated planning and management of water resources were also developed.
Key words | Artificial neural networks; Hindcasting; SPI; NAO; SST; SPI.
doi:10.4995/ia.2015.4109
EISSN: 1886-4996
ISSN: 1134-2196
212 Santos et al. | Previsão de secas na primavera em Portugal Continental com base em indicadores climáticos […]
INTRODUÇÃO
A previsão sazonal de condições hidro-climatológicas tornou-se recentemente um assunto científico relevante (Trigo et al.,
2004; Gámiz-Fortis et al., 2008a,b; Ionita et al., 2008; Gámiz-Fortis et al., 2010). A seca, quando comparada com outros eventos
extremos mais recorrentes, como as cheias e os tornados, é reconhecida como um fenómeno que possui impactos igualmente
adversos, mas que podem ser mitigados de modo efectivo (Di Mauro et al., 2008). Com efeito, a ocorrência de uma seca e as
suas consequências podem requerer bastante tempo até serem percepcionadas pelos sistemas socioeconómicos, pois tendem a
evoluir temporalmente de forma lenta. De acordo com Rossi (2003), um sistema de monitorização e de previsão eficaz, capaz de
prontamente identificar a ocorrência de uma seca e de seguir a sua evolução espácio-temporal, constitui um dos principais prérequisitos para a implementação de uma estratégia de mitigação das suas consequências.
Das inúmeras variáveis climáticas que podem ser utilizadas para analisar secas, a precipitação é reconhecida como o
indicador chave de detecção e caracterização do fenómeno e da sua persistência (Lloyd-Hughes, 2002), sendo também a variável
essencial na maioria dos modelos hidrológicos (Santos et al., 2005). Para o clima Mediterrâneo que prevalece em Portugal, a
precipitação de Inverno é um dos principais factores do balanço hídrico, especialmente tendo em conta o facto de tal clima não
fazer esperar ausência de precipitação naquela estação do ano. Deste modo, a precipitação ou a ausência de precipitação no Inverno
tem um papel fundamental, tanto no prevenir, como no indiciar situações de seca com consequente afectação dos sistemas naturais
e socioeconómicos.
A oscilação do Atlântico Norte (NAO) possui importantes padrões de teleconexão com diferentes variáveis climáticas
e, consequentemente, com o fenómeno de seca em toda a Europa, sendo vários os estudos sobre o assunto (Qian et al., 2000a,b,
Hurrell et al., 2001, Trigo et al., 2002, e, mais recentemente, López-Moreno et al., 2007, e Vicente-Serrano et al., 2011). De
acordo com Ionita et al. (2012) as correlações temporais significativas entre padrões de seca e a NAO sugerem a utilização na
Europa deste indicador climático como potencial predictor dos padrões de seca a escalas temporais inter-anuais. López-Moreno e
Vicente-Serrano (2008) também analisaram o impacto da NAO de Inverno na ocorrência de seca na Europa e Trigo et al. (2006)
demonstraram que a magnitude das anomalias médias de SPI é notavelmente diferente para as fases positivas e negativas da NAO,
sendo o sinal do SPI contrário ao da NAO.
Ionita et al. (2012) exploraram igualmente correlações entre a temperatura da superfície do mar (SST) e os padrões de seca
na Europa. A escalas temporais inter-anuais, esses autores identificaram padrões de variabilidade de seca fortemente correlacionados
com padrões de SST de anos anteriores, sendo que o diferimento temporal entre as ocorrências de seca e as anomalias de SST pode
fornecer informação valiosa com vista à previsão daquele fenómeno. Também Hoerling e Kumar (2003) demonstraram a importante
relação existente entre temperaturas da superfície do mar, por um lado frias e persistentes no Pacifico (zona Tropical-Este) e, por
outro lado, quentes no oceano Índico-Pacífico (zona Tropical-Oeste) com a seca de 1998-2003 que afectou os USA, mas também a
Europa do Sul e o Sudoeste Asiático.
A escolha da escala temporal a adoptar na análise de determinadas condições climáticas tem uma considerável influência na
caracterização da disponibilidade de água e, consequentemente, nas condições de seca. A escalas temporais sazonais, Gámiz-Fortis
et al. (2010) mostraram que anomalias nas condições atmosféricas e oceânicas encontram-se muitas vezes associadas a variações
sazonais de precipitação e temperatura (ex., Trigo et al., 2004; López-Moreno et al., 2007; LópezMoreno e Vicente-Serrano,
2008) podendo, como tal, despoletar variações no escoamento e consequentemente no armazenamento de água em albufeiras. De
acordo com Gámiz-Fortis et al. (2010), o desempenho das previsões de médio a longo prazo encontra-se associado à introdução de
predictores que representam componentes de baixa frequência do sistema climático, como a cobertura de neve, o teor de água no
solo, a SST e os principais padrões de circulação atmosférica e oceânica como sejam o ENSO (El Niño–Southern Oscillation) ou
a NAO na Europa.
Não tendo sido identificadas contribuições relativas ao impacto de indicadores de circulação atmosférica e de condições
oceânicas (ex., NAO, ENSO, SOI, campos de SST, etc.) na variabilidade espacial e temporal das secas em Portugal, resume-se um
estudo que teve por objectivo efectuar o hindcast do fenómeno da seca no território de Portugal Continental fazendo intervir alguns
daqueles indicadores (Santos et al., 2014). O hindcasting é uma técnica através da qual um dado modelo é testado mediante a sua
aplicação a períodos temporais históricos, ou seja, passados, com apreciação do seu desempenho por comparação dos resultados a
213
que conduz com observações relativas àqueles períodos. Devido às características climáticas da região oeste da Península Ibérica,
é particularmente importante averiguar se o hindcasting no que respeita a ocorrências de secas é suficientemente preciso quando
efectuado tendo por base a previsão de secas para o período primaveril. De facto, o regime de precipitação na região é caracterizado
por um pico primário no outono e um pico secundário na primavera e pela ausência de precipitação no verão (Martín et al., 2004),
o que significa que, uma vez que as condições de seca se estabeleçam no início da primavera, é previsível que se prolonguem pelo
menos até Outubro (início, em Portugal Continental, do período com chuva e do ano hidrológico). De acordo com Lloyd-Hughes
(2002), a primavera é a estação do ano mais previsível no que diz respeito à precipitação, e consequentemente, às ocorrências de
seca.
A identificação e caracterização das secas recorreram ao índice de precipitação padronizada, SPI (McKee et al., 1993), que
tem sido largamente utilizado no âmbito da investigação sobre o fenómeno em Portugal (Santos et al., 2010, 2011, 2013, 2014).
Alguns autores têm proposto métodos para prever ou para avaliar a provável evolução temporal do SPI (Cordery e McCall, 2000;
Bordi et al., 2005; Cancelliere et al., 2005, 2007). No entanto, apesar de tais esforços, tentar prever o início e o fim de uma seca
continua a ser uma tarefa bastante difícil. Na investigação que se resume, o modelo de hindcasting de secas utilizou redes neuronais
artificiais (ANN), à semelhança de autores como Mishra e Desai (2006), Kim e Valdés (2003), e mais recentemente, Dastorani e
Afkhami (2011). No essencial, tentou-se dar resposta às seguintes três questões: i) a consideração de predictores externos, como a
NAO e a SST relativos a meses anteriores (estação de Inverno), pode levar a uma melhoria da capacidade preditiva dos modelos?;
ii) em que medida o aumento do horizonte temporal de previsão afecta o desempenho dos modelos?; iii) é possível associar os
resultados de previsão obtidos a mapas de probabilidade de ocorrência de seca?.
Constituem contribuições relevantes da investigação efectuada a análise do impacto de predictores de larga-escala (SST) e
de padrões de circulação atmosférica (NAO) na variabilidade espacial e temporal das secas em Portugal Continental e a avaliação
quantitativa, com base num novo conceito de mapas de probabilidade de eventos de seca, da capacidade dos modelos efectuarem o
hindcasting de secas tendo por base aqueles predictores.
MÉTODOS
Área de estudo e dados
A investigação centrou-se em Portugal Continental, território, em termos climáticos, sob a influência das zonas Atlântica e
Mediterrânea. A precipitação média anual no País varia entre mais de 3000 mm, na região noroeste, a menos de 400 mm, na região
sul, sendo o relevo um dos factores mais determinantes na distribuição espacial da precipitação. À medida que a disponibilidade
de água diminui de norte para sul o regime hidrológico (ao longo do ano e entre sucessivos anos) torna-se progressivamente mais
irregular (Portela e Quintela, 2006), facto que sugere que a previsão de secas possa contribuir muito significativamente para a gestão
de recursos hídricos, nomeadamente nas regiões semi-áridas do centro e sul do País.
Santos et al. (2010) procederam à caracterização do padrão espacial de secas em Portugal mediante recurso ao índice
SPI, calculado a partir de 94 anos de registos de precipitação mensal (de Outubro de 1910 a Setembro de 2004) nos 144 postos
udométricos esquematicamente localizados na Figura 1. Tendo por base uma análise de clusters, aqueles autores demonstraram que
em Portugal se podem considerar as três regiões com padrões distintos de secas esquematizadas na Figura 1 e identificadas por norte
(cluster 1 ou CL1), centro (cluster 2 ou CL2) e sul (cluster 3 ou CL3). O número de postos udométricos incluídos em cada região
é de 56, 53 e 35, respectivamente.
Tendo por base modelos de ANN aplicados a cada posto de cada uma das regiões da Figura 1, procedeu-se ao hindcasting
de secas na mesma para os meses primaveris, para o que foram incorporados na previsão diferentes predictores.
A informação relativa às secas consistiu na quantificação do défice de precipitação à escala temporal de 6 meses, através do
cálculo das séries temporais de SPI a essa escala (SPI6). Os SPI objecto de previsão foram os primaveris, referentes, concretamente,
aos períodos de seis meses terminando em Abril, Maio e Junho, SPI6Abril, SPI6Maio e SPI6Junho, respectivamente, por se prever que
possibilitem a antevisão do estabelecimento de condições de seca nas condições climáticas ocorrentes em Portugal Continental.
A escolha da escala temporal de seis meses atendeu ao facto de se admitir que essa escala é a mais adequada para avaliar a seca
agrícola, sendo que, em Portugal, de entre as actividades económicas relevantes que são particularmente afectadas pela ocorrência
de seca figura precisamente a agricultura. De acordo com Mo et al. (2009), o SPI6 pode ser muito eficaz na monitorização da
variabilidade da precipitação em períodos distintos e na identificação das respectivas tendências de médio prazo. Segundo aqueles
autores o SPI6 consegue ser mais sensível na detecção de desvios da precipitação do que outros índices (ex., o índice de Palmer).
Figura 1 | Padrões espaciais de seca em Portugal continental com base no SPI. Três regiões identificadas por análise de clusters. Os pontos representam a localização dos 144 postos utilizados na análise (adaptada de Santos et al., 2010).
Os predictores utilizados foram as SSTs globais recolhidas do Extended Reconstructed SST v3b dataset, desenvolvidas pelo
National Oceanic and Atmospheric Administration’s National Climatic Data Center (Xue et al., 2003; Smith et al., 2008) e obtidas
a partir do endereço electrónico do Royal Netherlands Meteorological Institute (KNMI). A cobertura espacial utilizada para os
campos de SST foi calculada com base no Oceano Mediterrâneo (37°E-7°W; 31°N-47°N), SST1, e em duas das áreas previamente
identificadas no estudo de Gámiz-Fortis et al. (2010), designadamente, no sudoeste do Oceano Atlântico (35°W-25°W; 15°S-10°S),
SST2, e no Oceano Atlântico Norte (45°W-25°W; 38°N-42°N), SST3, conforme se representa na Figura 2. As séries mensais de
SST foram obtidas através da média em cada mês das células existentes em cada uma das anteriores regiões (cada célula têm 2°×2°).
No final e para cada região, gerou-se a série de SST relativo à estação do Inverno através da adimensionalização da correspondente
média mensal da SST de Janeiro, Fevereiro e Março, SST (JFM), pela média e desvio-padrão para o período 1910/11-2003/04.
Gámiz Fortis et al. (2008a,b) mostraram que o padrão temporal das SSTs de Outono geograficamente representativo das
regiões Atlânticas destacadas na Figura 2 possui correlação estatisticamente significativa com as séries temporais de escoamento no
Inverno em três importantes bacias hidrográficas Portuguesas, facto que determinou a adopção no presente estudo da SST naquelas
regiões como variável predictora, mas agora referente a SPIs em meses primaveris.
Uma vez que a NAO é um dos principais modos de circulação atmosférica que determina o clima na Europa (Hurrell et al.,
2003), optou-se por também incluir este índice como predictor, avaliando se o seu comportamento no Inverno poderia ser utilizado
para prever seca na subsequente estação primaveril. A NAO é registada ao longo de todo o ano, apesar de também apresentar uma
importante variabilidade sazonal, o que levou vários autores a estudar o efeito da NAO sobre as secas da Península Ibérica (MartínVide e Fernández, 2001, Trigo et al., 2004, e Xoplaki et al., 2004).
215
Figura 2 | Localização das zonas SST1, SST2 e SST3 referentes às temperaturas da superfície do mar Mediterrâneo, do Atlântico Sul e do Atlântico
Norte, respectivamente.
A NAO possui uma grande intensidade e cobertura espacial, especialmente durante o Inverno (Hurrell et al., 2003), sendo
reconhecido que a sua fase positiva se encontra ligada a secas no Sul da Europa e a aumentos de precipitação na Europa do
Norte (Trigo et al., 2002; Hurrell et al., 2003; and Silva et al., 2012). O padrão oposto ocorre durante as fases negativas, o que,
especificamente para Portugal Continental, conduz a cheias mais frequentes (Silva et al., 2010). Como tal, no presente estudo,
o cálculo do índice NAO considerou, como habitualmente, os meses de Inverno de Dezembro, Janeiro e Fevereiro (DJF), mas
também o mês de Março (M) de forma a ter em conta condições ocorrentes no início da primavera, as quais são muito importante
em Portugal, designadamente, no que respeita à precipitação: NAO (DJFM). O anterior índice foi seleccionado para o período de
Outubro de 1910 a Setembro de 2004, como definido por Jones et al. (1997). Para o Inverno, a diferença de pressão normalizada
ao nível do mar entre Gibraltar e Reiquiavique (Islândia) é um forte indicador do sinal da NAO (http://www.cru.uea.ac.uk/cru/data/
vinther/nao1821.txt; Vinther et al., 2003), pelo que a NAO foi calculada no presente estudo com base na diferença de pressão entre
aquelas duas localizações. Jones et al. (1997) verificaram que a escolha da estação de Gibraltar (em detrimento da estação de Lisboa
ou da de Ponta Delgada) é a que melhor representa a parte sul do dipolo da NAO. Reforçam tal facto as conclusões de Hurrell (1995)
e Jones et al. (2003), que indicam que, comparativamente à consideração da estação dos Açores para cálculo da NAO, a escolha das
anteriores estações permite uma melhor correlação entre aquele índice e as séries de precipitação europeias.
Redes neuronais – Procedimento Geral
A previsão de fenómenos de seca é fundamental na mitigação de vários tipos de impactos sobre os sistemas de recursos
hídricos. Tradicionalmente, têm sido utilizados modelos estatísticos lineares para previsão de secas hidrológicas com base em
métodos de análise de séries temporais (ex., regressão linear simples ou múltipla, ARMA, etc.). Em alternativa aos anteriores
modelos lineares que, além do mais, assumem os dados como sendo estacionários e que têm capacidade limitada para captar nãoestacionariedades e não-linearidades nas séries hidrológicas (Yevjevich, 1972) e, mais especificamente, nos indicadores de seca
(Kim e Valdés, 2003), utilizou-se uma abordagem mais robusta, nomeadamente, as redes neuronais artificiais (ANNs).
Vários autores têm confirmado o potencial das ANN quando aplicadas a diferentes tipos de processos e de variáveis
hidrológicas. Dawson e Wilby (1998) demonstraram a capacidade das ANNs no campo da modelação dos processos de precipitaçãoescoamento e da previsão de cheias. Kim e Valdés (2003) desenvolveram uma metodologia de previsão baseada na conjugação
da transformada de Fourier e ANNs para efectuar a previsão do PDSI (Palmer Drought Severity Index) para vários horizontes
temporais. Mishra e Desai (2006) também avaliaram a grande capacidade das ANNs para modelar e efectuar previsões a partir de
séries temporais não lineares e não estacionárias, tendo testado e comparado modelos lineares estocásticos (ARIMA/SARIMA)
com diferentes tipos de ANNs na previsão de secas utilizando séries de SPI. Os resultados demonstraram as ANNs suplantam os
modelos estocásticos lineares.
ASCE (2000a,b) contém, porventura, um dos estudos mais completos sobre a aplicação de ANNs em hidrologia. Sob a
forma de dois artigos, são comparados diferentes modelos e abordagens, sendo referido que as ANNs são ferramentas robustas
para modelar quaisquer processos hidrológicos não lineares, tais como processos de precipitação-escoamento, escoamentos,
precipitações (e logo, os indicadores de seca deduzidos dessas precipitações), águas subterrâneas, e simulações da qualidade da
água. Após treino apropriado, as ANNs são capazes de gerar resultados muito satisfatórios para muitos dos problemas de previsão
em hidrologia (Jain e Kumar, 2007).
As redes neuronais artificiais, ANNs, são modelos inspirados na arquitectura neuronal do cérebro humano. Consistem
em redes formadas por diferentes camadas ligadas entre si, a que se dá o nome de perceptores multicamada (MLP) (Rumelhart
et al. 1986; Senthil-Kumar et al. 2005). Estas estruturas permitem o reconhecimento de padrões de ligação entre as variáveis
intervenientes num dado sistema a modelar (Rohwer et al. in Michie et al., 1994), identificando os “mapeamentos” óptimos entre
as “entradas” e as “saídas” desse sistema. No âmbito da previsão de variáveis hidrológicas, Mutlu et al. (2008) obtiveram melhores
resultados com este tipo de arquitectura de ANN relativamente a outras arquitecturas.
Quanto ao modo de funcionamento as estruturas mais utilizadas e reconhecidas são as designadas multilayer feed forward
networks constituídas por redes neuronais que, por assim dizer, são unicamente “alimentadas para a frente”, ou seja, as funções
implementadas conduzem a “saídas” que dependam exclusivamente das “entradas”, não existindo estado interno, isto é, não
possuindo memória. A Figura 3a) exemplifica a arquitectura de uma rede neuronal com duas camadas escondidas e múltiplos nós
ou perceptores. Os elementos que constituem as camadas são designados por nós ou perceptores. Na Figura 3a), existem g, n, m e s
nós na camada de entrada ou de input, na primeira e segunda camada escondidas e na camada de saída ou output, respectivamente.
Os parâmetros associados às diferentes ligações constituem os pesos, sendo que a informação apenas se transfere de camadas
antecedentes para camadas subsequentes. A Figura 3b) esquematiza o funcionamento típico de um nó. Cada nó j recebe sinais de
entrada a partir de cada nó i da camada antecedente. Associado a um sinal de entrada (Xi) encontrase um peso (Wji). O sinal de
entrada efectivo (Ij) para o nó j é a soma ponderada de todos os sinais de entrada, de acordo com:
g
I j = / x i W ji
i=1
a)
(1)
b)
Figura 3 | a) Rede neuronal alimentada para a frente (multilayer feed forward network) com duas camadas escondidas. Variáveis de entrada: x1,...,xg
e variáveis de saída: e1,...,es; b) Nó característico de uma rede neuronal (adaptada de Pulido–Calvo e Portela, 2007).
217
O sinal de entrada efectivo Ij passa através de uma função de activação, também chamada de função de transferência, de
forma a produzir o sinal de saída (yi) do nó j, sendo essa função a responsável pela relação entre os inputs e os outputs nos nós
(Mishra e Desai, 2006). No estudo que se apresenta foi considerada a função linear (yi = Ij) nas camadas de entrada e de saída, sendo
a função de activação entre camadas escondidas a seguinte função sigmoidal não linear:
y i = f ^ I jh = v ^ I jh =
1
1 + e -I j
(2)
onde Ij pode variar no intervalo (-∞,∞), e yi apresenta valores entre 0 e 1.
Para a estimativa do conjunto de pesos é levado a cabo um processo correctivo-repetitivo, também designado por fase de
aprendizagem ou de treino da rede neuronal, no qual se dá forma às interconexões entre os diferentes perceptores. A adequação
dessas interconexões é efectuada recorrendo a uma técnica de convergência do erro de modo a que se produzam outputs tão
próximos quanto possível dos valores esperados para os mesmos.
De entre os vários métodos de aprendizagem (calibração e validação) das ANNs, no presente estudo foi utilizado o algoritmo
de cálculo de retro-propagação do erro (Pulido-Calvo e Portela, 2007). A aprendizagem por retro-propagação do erro consiste num
algoritmo iterativo desenvolvido para resolver sistemas de equações lineares aplicado a redes neuronais com três ou mais camadas
e que implementa o sistema de cálculo sucessivo das derivadas parciais numa direcção contrária à de propagação normal da
informação através da rede (Rumelhart et al., 1986).
O esquema de modelação adoptado consistiu na calibração e validação individual das ANNs para cada posto udométrico
de cada sub-região (num total de 144 modelos de ANNs para as três regiões da Figura 1) em que a informação a ser hindcasted
foi o SPI6 finalizando nos meses de Abril, Maio e Junho. Previamente à calibração de cada ANN, as séries temporais de SPI6 em
cada posto foram divididas em dois subconjuntos: [TS], referente ao subconjunto (subset) de validação, e [CSS] compreendendo os
subconjuntos de calibração ou [CS] e de dados seleccionados ou [SS]. O subconjunto [CSS] inclui 75% dos dados em cada posto
udométrico da Figura 1 (ou seja, os dados em 68 anos) e o subconjunto [TS] os restantes 25% (22 anos). Em cada posto foram
deixados 4 anos de registos (de 2001 a 2004) de forma a correr os modelos individuais, com o objectivo de produzir mapas de SPI6
para esses anos.
O sobre ajustamento do modelo ocorre quando o erro referente ao subconjunto [CSS] é muito reduzido mas aumenta ao
serem apresentados novos dados à rede. Tal circunstância acontece porque a rede “memorizou” os exemplos de treino, mas não
aprendeu a generalizar para novas situações. Assim, como forma de evitar o sobre ajustamento dos modelos, foi efectuada uma
monitorização, no final de cada corrida (epoch), através do cálculo do somatório dos erros quadráticos para ambos os subconjuntos
[CS] e [SS]. Quando este somatório começa a aumentar deve parar-se o treino e os pesos da ANN respeitantes à corrida que deu
origem aos erros mínimos devem ser testados com o subconjunto [TS]. Este último passo é denominado de external validation
phase. Embora Iyer e Rhinehart (1999) recomendem repetir este processo pelo menos 30 vezes para cada modelo, no presente
estudo o mesmo foi repetido 100 vezes para cada posto udométrico por forma a escolher a melhor ANN aplicável a esse posto.
A selecção das variáveis de entrada é um aspecto fundamental na modelação com ANNs (Bowden et al., 2005; May et al.,
2008; Fernando et al., 2009). Para as fases de calibração e validação o objectivo é o de seleccionar variáveis de entrada que
expliquem a maior percentagem de variância nos dados originais. Assim, avaliaram-se previamente as relações lineares entre as
possíveis variáveis de entrada e os dados originais através de mapas de correlação linear, sendo que algumas destas variáveis de
entrada foram padronizadas antes de serem incorporadas nos modelos de ANNs, como sugerido por vários autores ( Mishra e Desai,
2006; Ochoa Rivera et al., 2002, 2007), com o objectivo de tentar melhorar a eficiência da aprendizagem e o desempenho geral da
rede neuronal.
A precipitação acumulada até Março em cada um dos 144 postos udométricos representados na Figura 1 foi incluída como
principal predictor para cada SPI6 primaveril tendo cada série sido previamente normalizada. Para o hindcasting do SPI6Abril,
SPI6Maio e SPI6Junho consideraram-se como variáveis de entrada as precipitações acumuladas normalizadas de Novembro a Março
(NDJFM), Dezembro a Março (DJFM) e Janeiro a Março (JFM), respectivamente. Consideraram-se também como variáveis de
entrada nas redes os predictores externos adoptados para cada região, nomeadamente, as SSTs (JFM) previamente normalizadas e
o índice NAO (DJFM), em si mesmo já normalizado. Os outputs das ANNs foram os valores do SPI6 para os meses da primavera
e para cada um dos 144 postos udométricos.
Foram testadas ANNs com uma e duas camadas escondidas, tendo, em cada caso, sido ensaiados entre 5 e 50 neurónios (5,
6, 7,..., 50). Para alcançar um dos objectivos do estudo, foram testados 100 modelos de ANN em cada posto udométrico e para cada
SPI6 dos meses da primavera a ser previsto. Para a validação procedeu-se ao cálculo de medidas de erro por forma a identificar o
melhor modelo em cada posto udométrico e cada série temporal.
Mapas de correlação espacial entre os SPI6 primaveris e os potenciais predictores
No hindcasting sazonal, o objectivo é o de prever a distribuição espacial e temporal das condições de seca com alguns
meses de avanço. Apesar de os complexos sistemas de dinâmica atmosférica não permitirem a previsão exacta, consegue-se antever
algumas das características estatísticas e principais padrões temporais das secas.
De forma a entender como as SSTs (JFM) e a NAO (DJFM), adoptados como predictores externos, melhor descrevem o
campo de SPI6 da primavera, foram obtidos mapas de correlação linear para Portugal Continental entre cada uma das séries de
SPI6 da primavera (SPI6Abril, SPI6Maio e SPI6Junho) e cada um daqueles predictores externos (SST1, SST2, SST3 e a NAO). Esta
análise forneceu uma base para a identificação, de entre as variáveis disponíveis, das a adoptar como variáveis de entrada. Este
processo de selecção é um dos principais passos no desenvolvimento de um modelo de hindcasting satisfatório, na medida em
que as variáveis de entrada determinam a estrutura do modelo e afectam os seus resultados. De acordo com autores como Bowden
et al. (2005), May et al. (2008), Fernando et al. (2009) e Pulido-Calvo et al. (2012) este é também um aspecto essencial antes de
treinar e validar uma ANN.
Medidas de erro
Para seleccionar a melhor ANN em cada posto udométrico e para cada SPI6 a ser utilizada como modelo de hindcasting,
foram aplicadas medidas de erro no processo de validação externa, nomeadamente, a raiz quadrada do desvio quadrático médio
(RMSE), o coeficiente de correlação (r), os coeficientes de eficiência (E1 e E2) e o índice de persistência (PI). As expressões de
cálculo para o efeito aplicadas são as que constam de Kitanidis e Bras (1980), Legates e McCabe Jr. (1999) e Pulido-Calvo e Portela
(2007).
Incerteza dos modelos de ANN
Por forma a avaliar a verosimilhança das previsões decorrentes dos melhores modelos de ANN, em cada posto e para cada
mês de SPI6 da primavera, foram gerados mapas de probabilidade baseados na distribuição dos resíduos daqueles modelos. Os
resíduos são dados pela diferença entre os valores de SPI6, por um lado, previstos ou hindcasted, e, por outro lado, observados.
Em cada posto udométrico e para cada série temporal os resíduos deverão ser uma variável aleatória aproximadamente com distribuição normal (ou seja, com coeficiente de assimetria não significativamente diferente de zero) e com média nula (Demyanov
et al., 1998). De forma a testar a normalidade de cada série temporal de resíduos aplicou-se à mesma o teste de Snedecor e Cochran
(Snedecor e Cochran, 1989).
Mapas de probabilidade de seca
A criação de mapas de probabilidade atendeu ao pressuposto de normalidade dos resíduos em cada posto udométrico e
para cada SPI6 da primavera. Para cada série prevista, SP I6 m a probabilidade de não excedência com respeito a um dado limiar
especifico de categoria de seca, Tr, é dado por Φ(Z), onde Φ representa a função de distribuição normal acumulada e Z, o valor da
variável normal padrão dada por:
z=
a Tr - SPI6 m k - X res
S res
(2)
219
onde X res e Sres são a média e o desvio-padrão da correspondente série de resíduos.
Para cada SP I6 m , Φ(Z) fornece a probabilidade de ter um SPI6m menor ou igual a Tr, P(SPI6m ≤ Tr), de acordo com as
características estatísticas dos resíduos. O valor do limiar de categoria de seca, Tr, foi estabelecido com base nas categorias de seca
propostas por Agnew (2000), apresentadas na Tabela 1.
Tabla 1 | Categorias de seca em concordância com os valores de SPI (Agnew 2000).
Probabilidade de não excedência
SPI
Categoria de seca
0.60
>–0.84 e <0.84
Normal
0.20
<–0.84
Seca moderada
0.10
<–1.28
Seca severa
0.05
<–1.65
Seca extrema
RESULTADOS E DISCUSSÃO
Selecção das variáveis de entrada
A abordagem desenvolvida para efectuar o hindcasting dos meses de SPI6 da primavera em Portugal Continental considerou
a utilização, para além de precipitações acumuladas, de dados relativos a indicadores climáticos de grande-escala, designadamente,
o índice NAO(DJFM) e as temperaturas da superfície do mar, SST1 (JFM), SST2 (JFM) e SST3 (JFM). Foram, assim, obtidos
mapas respeitantes ao coeficiente de correlação no período de Outubro de 1910 a Setembro de 2004 entre as séries de SPI6 dos
meses da primavera (SPI6Abril, SPI6Maio e SPI6Junho) e a NAO (DJFM) e os SSTs (JFM). Uma vez que os padrões de correlação espacial
que, deste modo, se verificou ocorrerem são semelhantes para os três SPI6 da primavera, apenas se apresentam os resultados para
SPI6Abril – Figura 4.
A Figura 4 mostra que a correlação é forte a moderada na maioria dos casos, com alguns valores estatisticamente significativos.
De acordo com Yevjevich (1972), para amostras como a dimensão das utilizadas (94 anos), correlações de 0.19 são consideradas
significativas para um nível de confiança de 5%.
A figura indica que as séries da NAO (DJFM) se correlacionam negativamente com os SPI6 da primavera, tendo os melhores
valores de correlação sido obtidos nas regiões centro e sul (cluster 2 e 3). A anomalia SST1 (JFM) apresenta correlação positiva
na região norte (cluster 1), com valores máximos de 0.5. As correlações entre SST2 (JFM) e qualquer das séries relativas aos SPI6
da primavera (SPI6Abril, SPI6Maio e SPI6Junho) foram sempre muito fracas e com pouco significado estatístico pelo que se excluiu o
predictor SST2 (JFM) da análise. Para SST3 (JFM), foram obtidas correlações negativas significativas, designadamente, na região
costeira a sul, mas também com valores aceitáveis para toda a região sul.
De acordo com os anteriores resultados adoptaram-se como potenciais predictores externos do SPI6 finalizando em Abril,
Maio e Junho a NAO (DJFM), a SST1 (JFM) e a SST3 (JFM). Atendendo aos valores do coeficiente de correlação, a NAO (DJFM)
foi adoptada para todo o País, enquanto a SST1 (JFM) apenas foi considerada no norte e a SST3 (JFM), no sul. Utilizando as séries
temporais de tais predictores como input para previsão foram estabelecidos os correspondentes modelos de ANN multicamada.
Uma vez que a precipitação é o indicador mais importante para monitorizar e prever secas sendo, simultaneamente, a única
variável interveniente no cálculo de SPI6, avaliou-se também a sua capacidade como potencial predictor de seca. As séries temporais
de precipitação acumulada adoptadas como variáveis de entrada para a previsão dos SPI6 da primavera foram as consideradas no
próprio procedimento de cálculo do SPI, embora finalizando sempre em Março, uma vez que as precipitações neste mês podem
desempenhar um papel antecipatório importante no modelo de previsão de secas. Assim, a ANN a aplicar em cada posto udométrico
para previsão de SPI6Abril, SPI6Maio e SPI6Junho considerou como variável de entrada também a precipitação acumulada normalizada,
respectivamente, de Novembro a Março (NDJFM), de Dezembro a Março (DJFM) e de Janeiro a Março (JFM). Foram também
estas as precipitações acumuladas que exibiram maiores correlações com aqueles SPI6.
Figura 4 | Mapas da correlação linear, r, entre as séries de SPI6 primaveris (SPI6Abril, SPI6Maio e SPI6Junho) e a NAO (DJFM) e os SSTs (JFM). Período
de Outubro de 1910 a Setembro de 2004 (adaptado de Santos et al., 2014).
Validação dos modelos de ANNs: comparação de mapas de seca primaveril observada e prevista
Para as séries temporais escolhidas como dados de entrada das redes neuronais, apresenta-se na Tabela 2 as médias das
medidas de erro para a melhor ANN apurada para cada um dos postos udométricos das três regiões apresentadas na Figura 1. Na
referida tabela é descrita a arquitectura genérica das redes seleccionadas em cada caso – ex., 3: 3 – (1 a 9) – 1: 1: rede neuronal
com três nós na camada de entrada, de um a nove nós na primeira camada escondida e um nó na camada de saída; notação: g, n, s.
Menciona-se que os melhores resultados para cada posto foram sempre obtidos para redes com apenas uma camada escondida.
Os anteriores resultados são particularmente bons, especialmente no que respeita à previsão do SPI6Abril em que
consistentemente se obtiveram as melhores medidas de erro, designadamente, os menores valores de RMSE e valores das restantes
medidas elevados e mesmo muito próximos de 1.
Em termos gerais, para incrementos crescentes (relativamente ao último mês –Março– presente nos dados) do horizonte
temporal de previsão (um, dois e três meses, respectivamente, para SPI6Abril, SPI6Maio e SPI6Junho), as ANNs prevêem as séries de SPI6
de forma progressivamente menos favorável, facto bem aparente quando se comparam os resultados da Tabela 2 sequencialmente
para SPI6Abril, SPI6Maio e SPI6Junho. Com efeito, as médias das medidas de erro para o SPI6Junho são piores do que as obtidas para os
outros dois meses anteriores da primavera (SPI6Abril e SPI6Maio). Ainda assim, as medidas de erro para o SPI6Junho são estatisticamente
aceitáveis (RMSE<0.55; r > 0.78; E1 > 0.37; E2 > 0.60; PI > 0.77).
221
Tabla 2 | Média das medidas de erro para a melhor ANN em cada região e para cada SPI6 primaveril.
Arquitectura da ANN
SPI6Abril
3: 3 – (1 a 9) – 1: 1
2: 2 – (1 a 9) – 1: 1
3: 3 – (1 a 9) – 1: 1
SPI6Maio
3: 3 – (1 a 9) – 1: 1
2: 2 – (1 a 9) – 1: 1
3: 3 – (1 a 9) – 1: 1
SPI6Junho
3: 3 – (1 a 9) – 1: 1
2: 2 – (1 a 9) – 1: 1
3: 3 – (1 a 9) – 1: 1
Região
RMSE
r
Média das medidas de erro
E1
E2
PI
CL1
CL2
CL3
0.292
0.210
0.250
0.960
0.977
0.975
0.749
0.811
0.786
0.915
0.953
0.946
0.961
0.975
0.972
CL1
CL2
CL3
0.418
0.411
0.415
0.898
0.900
0.924
0.550
0.576
0.642
0.789
0.802
0.849
0.900
0.908
0.921
CL1
CL2
CL3
0.460
0.517
0.548
0.828
0.780
0.796
0.434
0.367
0.393
0.667
0.596
0.623
0.828
0.791
0.772
Os resultados alcançados indicaram uma média dos resíduos médios ( X res ) para as melhores ANNs de cada região
praticamente igual a 0. Da análise da distribuição dos resíduos concluiu-se poder ocorrer uma ligeira assimetria, embora num
número reduzido de postos, aspectos que, globalmente, se consideraram consistentes com o pressuposto de normalidade.
Na Figura 5 apresentam-se os mapas dos valores previstos de SPI6 para os meses da primavera de 2002 e 2004 fornecidos
pela melhor ANN em cada posto udométrico. De entre o período de 4 anos não utlizado no estabelecimento dos modelos (2001 a
2004, como antes referido), seleccionaram-se aqueles anos para exemplificar os resultados obtidos uma vez que neles ocorreram
os mais gravosos eventos de seca severa. Com efeito, 2002 foi um ano cuja seca primaveril afectou a costa norte, com uma clara
recuperação, em termos de área afectada e intensidade, entre Abril e Junho. Em 2004, um ano com uma seca primaveril generalizada
afectando as áreas interiores, ocorreu o inverso: a intensidade e extensão espacial de área em seca aumentaram entre Abril a Junho.
Em 2002 as áreas mais afectadas foram a costa norte e uma região interior perto da fronteira com Espanha, enquanto em 2004 a seca
se iniciou na região noroeste de Portugal, tendo-se expandido progressivamente para oeste e sul.
2002
SPI6 histórico
2002 SP I6 m hindcasted
2004
Legenda
2004
Figura 5 | Mapas de SPI6 histórico e hindcasted para os meses primaveris de: a) Abril, SPI6Abril; b) Maio, SPI6Maio; e c) Junho, SPI6Junho de 2002
(esquerda) e 2004 (direita) (ver a Tabela 1 para as categorias de seca) (adaptado de Santos et al., 2014).
Para Abril de 2002 as estimativas da melhor ANN produziram um padrão semelhante ao decorrente das observações. O
desempenho é, contudo, significativamente mais fraco em Abril de 2004. É relevante notar que especialmente no ano de 2004, as
capacidades de hindcast dos modelos são progressivamente menos boas para 2 e 3 meses de horizonte temporal de previsão (Maio
e Junho, respectivamente). A Figura 5 indica claramente que as ANNs subestimaram as áreas em seca extrema não sendo capazes
de reproduzir a extensão espacial dos eventos históricos. O menor desempenho dos modelos de ANN, na primavera de 2004,
pode estar relacionado com o facto de este ter sido um ano de seca extrema, reconhecendo-se que o desempenho das ANN não é o
melhor na modelação de valores extremos, designadamente, se esses valores não se encontram representados nas séries temporais
utilizadas na calibração. Dawdson e Wilby (1998) e Campolo et al. (1999) sugerem que a subestimação nos modelos de ANN pode
ser atribuída precisamente a uma falta de informação fornecida aos modelos. Autores como Karunanithi et al. (1994), sugerem que
a inclusão de um maior número de padrões de valores extremos nos dados de treino pode minorar o problema.
Mapas de probabilidade de seca: distribuição espacial e temporal das secas primaveris
A abordagem de previsão de secas desenvolvida incluiu uma componente probabilística, destinada a avaliar quantitativamente
a incerteza dos modelos, de modo a permitir a adopção mais fundamentada de estratégias de mitigação do fenómeno. Para tal e
tendo por base os valores previstos pelos modelos de ANN para os meses da primavera de 2002 e 2004, obtiveram-se os mapas de
probabilidade apresentados na Figura 6.
2002
2004
Figura 6 | Mapas de probabilidade para diferentes limiares de seca, Tr, baseados nos valores previstos de SPI6 para os meses primaveris de: a)
Abril, SPI6Abril; b) Maio, SPI6Maio; e c) Junho, SPI6Junho de 2002 (esquerda) e 2004 (direita) (adaptado de Santos et al., 2014).
223
Cada mapa da Figura 6 caracteriza espacialmente a probabilidade de ocorrer uma seca de intensidade igual ou superior a
um dado limiar. Os limiares de seca, Tr, considerados foram –0.84, –1.28 e –1.65 (categorias de seca moderada, severa e extrema,
respectivamente, conforme Tabela 1).
Para os anos de 2002 e 2004 e para o limiar de –0.84, os mapas obtidos com base nas estimativas para SPI6Abril indicam
regiões onde a probabilidade de ter uma seca com SPI menor ou igual àquele limiar é muito alta, o que é consistente com o que
realmente ocorreu (mapas históricos da Figura 6). Apesar de a capacidade predictiva diminuir à medida que aumenta o horizonte
temporal de previsão (SPI6Maio e SPI6Junho), especialmente para a primavera de 2002, os modelos continuam a indicar seca
nas zonas em que a mesma realmente ocorreu. Por outro lado, à medida que o limiar diminui, portanto, no sentido de secas mais
severas, as probabilidades de ocorrer seca com intensidade igual ou superior é menor. Não obstante, os modelos conseguem sempre
identificar seca nas regiões onde estas de facto se desenvolveram.
Mapas de probabilidade de seca, como os exemplificados na Figura 6, podem servir de ferramenta fundamental na previsão
das ocorrências e, consequentemente, apoiar, inclusivamente por regiões, o planeamento e gestão integrada de recursos hídricos.
CONCLUSÕES
Um dos aspectos mais importantes no desenvolvimento de um modelo de previsão de secas é a selecção das variáveis de
entrada, as quais determinam a estrutura do modelo e afectam os seus resultados. O modelo de previsão (hindcasting) de secas
que se apresenta para os SPI6 relativos aos meses da primavera em Portugal Continental foi baseado em redes neuronais artificiais
(ANN) e em informação relativa a indicadores climáticos de larga escala (índice NAO) e a temperaturas da superfície do mar (SST1
e SST3). A influência da NAO do Inverno nos valores de SPI6 relativos à primavera foi inicialmente avaliada por recurso a uma
análise de correlação para cada uma das áreas previamente identificadas para o País como sendo homogéneas no que respeita a
secas (norte, centro e sul), tendo sido observadas correlações significativas para o nível de significância de 5%. A NAO tem sido
largamente utilizada para prever ocorrências de seca com elevado grau de fiabilidade (Cordery e McCall, 2000; Rodwell, 2003).
No entanto, como alguns autores referem (López-Moreno e Vicente-Serrano, 2008), os modelos de previsão devem incluir o efeito
sinergético de diferentes variáveis de entrada e não de uma única variável. Tais recomendações são consistentes com os resultados
que se obtiveram, os quais confirmam a capacidade predictiva de secas das SSTs.
A sensibilidade demonstrada pelos resultados a diferentes desfasamentos temporais entre os predictores (NAO e SSTs)
e variável a ser prevista (SPIs primaveris) evidencia a necessidade de aprofundar a investigação relativa ao efeito que tais
desfasamentos exercem sobre a capacidade de previsão dos modelos. De entre os autores a que, no anterior contexto, se atendeu
na concepção do modelo implementado menciona-se o estudo de Trigo et al., (2004), o qual identificou um intervalo temporal
de 2-3 meses na resposta dos escoamentos mensais às fases negativa e positiva da NAO em bacias hidrográficas atlânticas da
Península Ibérica. A literatura indica aspectos comuns a todos os modelos de previsão, nomeadamente o facto de a eficiência de
previsão para escalas temporais de SPI superiores ser crescentemente melhor do que para escalas temporais de SPI inferiores e
de a consideração de diferentes zonas hidrológicas não influenciar os resultados finais. Tais aspectos necessitam, contudo, de ser
clarificados, especialmente no âmbito da utilização de modelos de previsão para secas.
Anota-se que a abordagem que se apresentou segue algumas das recomendações de Kurnik (2009), nomeadamente, de
que a previsão de seca deve ser efectuada numa óptica probabilística e de que é necessário uma metodologia de previsão de secas
integrada, utilizando indicadores hidrológicos (ex. humidade do solo, escoamentos, precipitação, etc..) e indicadores meteorológicos
e climáticos (ex. SPI, PDSI, etc...).
Os gestores de recursos hídricos e as actividades agrícolas podem beneficiar fortemente de um sistema de previsão capaz
de fornecer uma estimativa probabilística do evento com alguns meses de avanço, sendo que a primavera é a estação do ano mais
sensível em termos de detecção do seu início. Séries temporais longas de SPI são componentes essenciais para um modelo de
previsão fiável, na medida em que permitem que os modelos de redes neuronais possam aprender com o passado.
A desvantagem da utilização de modelos estatísticos para a previsão é a possível natureza não estacionária das correlações
históricas entre as variáveis globais (ex. SSTs e NAO) e o clima regional (ex. SPI6) em consequência da mudança climática em
curso. Importa, assim, desenvolver investigação que permita melhorar o conhecimento de tais relações históricas e respectivos
padrões, necessariamente numa óptica não-estacionária.
REFERÊNCIAS
Agnew, C.T. (2000). Using the SPI to identify drought. Drought Network News, 12, 6-12.
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. (2000a). Artificial neural networks in hydrology.
I. Preliminary concepts. Journal of Hydrologic Engineering, 5(2), 115-123. doi:10.1061/(ASCE)1084-0699(2000)5:2(115)
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. (2000b). Artificial neural networks in hydrology.
II. Hydrologic applications. Journal of Hydrologic Engineering, 5(2), 124–137. doi:10.1061/(ASCE)1084-0699(2000)5:2(124)
Bordi, I., Fraedrich, K., Petitta, M., Sutera, A. (2005). Methods for predicting drought occurrences. In Proceedings of the 6th
International Conference of the European Water Resources Association, Menton, France.
Bowden, G.J., Dandy, G.C., Maier, H.R. (2005). Input determination for neural network models in water resources applications.
Part 1—background and methodology. Journal of Hydrology, 301(1-4), 75-92. doi:10.1016/j.jhydrol.2004.06.021
Campolo, M., Andreusi, P., Soldati, A. (1999). River flood forecasting with a neural network model. Water Resources Research,
35(4), 1191-1197. doi:10.1029/1998WR900086
Cancelliere, A., Di Mauro, G., Bonaccorso, B., Rossi, G. (2005). Stochastic forecasting of Standardized Precipitation Index. In
Proceedings of XXXI IAHR Congress Water Engineering for the future: Choice and Challenges, Seoul, Korea, 3252-3260.
Cancelliere, A., Di Mauro, G., Bonaccorso, B., Rossi, G. (2007). Drought forecasting using the Standardized Precipitation Index.
Water Resources Management, 21(5), 801-819. doi:10.1007/s11269-006-9062-y
Cordery, I., McCall, M. (2000). A model for forecasting drought from teleconnections. Water Resources Research, 36(3), 763-768.
doi:10.1029/1999WR900318
Dastorani, M.T., Afkhami, H. (2011). Application of artificial neural networks on drought prediction in Yazd (Central Iran). Desert,
16, 39-48.
Dawson, D.W., Wilby, R. (1998). An artificial neural network approach to precipitation-runoff modeling. Hydrological Sciences
Journal, 43(1), 47-66. doi:10.1080/02626669809492102
Demyanov, V., Kanevsky, M., Chernov, S., Savelieva, E., Timonin, V. (1998). Neural network residual kriging application for
climatic data. Journal of Geographic Information and Decision Analysis, 2(2), 215-232.
Di Mauro, G., Bonaccorso, G.B., Cancelliere, A., Rossi, G. (2008). Use of NAO index to improve drought forecasting in the
Mediterranean area: Application to Sicily region. Options Méditerranéennes. Série A: Séminaires Méditerranéens, No. 80.
Fernando, M.K.G., Maier, H.R., Dandy, G.C. (2009). Selection of input variables for data driven models: An average shifted histogram
partial mutual information estimator approach. Journal of Hydrology, 367(3-4), 165-176. doi:10.1016/j.jhydrol.2008.10.019
Gámiz-Fortis, S., Esteban-Parra, M.J., Trigo, R.M., Castro-Díez, Y. (2010). Potential predictability of Iberian river flow based on its
relationship with previous winter global SST. Journal of Hydrology, 385, 143-149. doi:10.1016/j.jhydrol.2010.02.010
Gámiz-Fortis, S., Pozo-Vázquez, D., Trigo, R.M., Castro-Díez, Y. (2008a). Quantifying the predictability of winter river flow in
Iberia. Part I: Interannual predictability. Journal of Climate, 21, 2484-2502. doi:10.1175/2007JCLI1774.1
Gámiz-Fortis, S., Pozo-Vázquez, D., Trigo, R.M., Castro-Díez, Y. (2008b). Quantifying the predictability of winter river flow in
Iberia. Part II: Seasonal predictability. Journal of Climate, 21, 2503-2518. doi:10.1175/2007JCLI1775.1
225
Hoerling, M., Kumar, A. (2003). The perfect ocean for drought. Science, 299(5607), 691-694. Geophysical Research Abstracts, 12,
EGU2010-8454, EGU General Assembly 2010, Viena, Austria. doi:10.1126/science.1079053
Hurrell, J.W. (1995). Decadal trends in North Atlantic Oscillation: regional temperatures and precipitation. Science, 269(5224),
676-679. doi:10.1126/science.269.5224.676
Hurrell, J.W., Kushnir, Y., Visbeck, M. (2001). The North Atlantic Oscillation. Science, 291(5504), 603-605. doi:10.1126/
science.1058761
Hurrell, J.W., Kushnir, Y., Ottersen, G., Visbeck, M. (2003). The North Atlantic Oscillation: climatic significance and environmental
impact. Geophysical Monograph Series, 134, American Geophysical Union, Washington, DC, USA.
Ionita, M., Lhomann, G., Rimbu, N. (2008). Prediction of spring Elbe discharge based on stable teleconnections with winter global
temperature and precipitation. Journal of Climate, 21(23), 6215-6226. doi:10.1175/2008JCLI2248.1
Ionita, M., Lohmann, G., Rimbu, N., Chelcea, S., Dima, M. (2012). Interannual to decadal summer drought variability over Europe
and its relationship to global sea surface temperature. Climate Dynamics, 38(1), 363-377. doi:10.1007/s00382-011-1028-y
Iyer, M.S., Rhinehart, R.R. (1999). A method to determine the required number of neural-network training repetitions. IEEE
Transactions on Neural Networks, 10(2), 427-432. doi:10.1109/72.750573
Jain, A., Kumar, A.M. (2007). Hybrid neural network models for hydrologic time series forecasting. Applied Soft Computing, 7(2),
585-592. doi:10.1016/j.asoc.2006.03.002
Jones, P.D., Jonsson, T., Wheeler, D. (1997). Extension to the North Atlantic Oscillation using early instrumental pressure
observations from Gibraltar and South-West Iceland. International Journal of Climatology, 17(13), 1433-1450. doi:10.1002/
(SICI)1097-0088(19971115)17:13<1433::AID-JOC203>3.0.CO;2-P
Jones, P.D., Osborn, T.J., Briffa, K.R. (2003). Pressure-based measures of the North Atlantic oscillation (NAO): a comparison
and an assessment of changes in the strength of the NAO and in its influence on surface climate parameters in The North Atlantic
Oscillation: climate significance and environmental impact. Geophysics Monogram 134, 51-62, American Geophysical Union.
Karunanithi, N., Grenney, W.J., Whitely, D., Bovee, K. (1994). Neural networks for river flow prediction. Journal of Computing
Civil Engineering, 8(2), 201-219. doi:10.1061/(ASCE)0887-3801(1994)8:2(201)
Kim T. e Juan B. Valdés, (2003). Nonlinear Model for Drought Forecasting Based on a Conjunction of Wavelet Transforms and
Neural Networks. Journal of Hydrologic Engineering, 8(6), 319-328. doi:10.1061/(ASCE)1084-0699(2003)8:6(319)
Kitanidis, P.K., Bras, R.L. (1980). Real time forecasting with a conceptual hydrological model. 2. Applications and results. Water
Resources Research, 16(6), 1034-1044. doi:10.1029/WR016i006p01034
Kurnik, B. (2009). DESERT Action JRC, Drought forecasting methods. Ljubljana on 24 September 2009 – 1st DMCSEE – JRC
Workshop on Drought Monitoring.
Legates, D.R., McCabe Jr., G.J. (1999). Evaluating the use of ‘goodness-of-fit’ measures in hydrologic and hydroclimatic model
validation. Water Resources Research, 35(1), 233-241. doi:10.1029/1998WR900018
Lloyd-Hughes, B. (2002). The long range predictability of European drought. PhD Thesis, Department of Space and Climate
Physics, University of London, University College London, UK.
López-Moreno, J.I., Vicente-Serrano, S.M. (2008). Extreme phases of the wintertime North Atlantic Oscillation and drought
occurrence over Europe: a multi-temporal-scale approach. Journal of Climate, 21(6), 1220-1243. doi:10.1175/2007JCLI1739.1
López-Moreno, J.I., Beguería, S., Vicente-Serrano, S.M., García-Ruiz, J.M. (2007). The influence of the NAO on water resources
in central Iberia: precipitation, streamflow anomalies and reservoir management strategies. Water Resources Research, 43,W09411,
doi:10.1029/2007WR005864
Martín, M.L., Luna, M.Y., Morata, A., Valero, F. (2004). North Atlantic teleconnection patterns of low-frequency variability and
their links with springtime precipitation in the western Mediterranean. International Journal of Climatology, 24(2), 213-230.
doi:10.1002/joc.993
Martín-Vide, J., Fernández, D. (2001). El índice NAO y la precipitación mensual en la España peninsular. Investigaciones
Geográficas, 26, 41-58. doi:10.14198/INGEO2001.26.07
May, R.J., Maier, H.R., Dandy, G.C., Fernando, T.M.K.G. (2008). Non-linear variable selection for artificial neural networks using
partial mutual information. Environmental Modelling and Software, 23(10-11), 1312-1326. doi:10.1016/j.envsoft.2008.03.007
McKee, T.B., Doesken, N.J., Kleist, J. (1993).The relationship of drought frequency and duration to time scales. In: Proceedings
of the 8th Conference on Applied Climatology. American Meteorological Society, Boston, USA, 179-184.
Mishra, A.K., Desai, V.R. (2006). Drought forecasting using feed-forward recursive neural network. Ecological Modelling, 198(12), 127-138. doi:10.1016/j.ecolmodel.2006.04.017
Mo, K.C., Jae-Kyung, E., Schemm, E., Yoo, S.-H. (2009). Influence of ENSO and the Atlantic multi-decadal Oscillation on drought
over the United States. Journal of Climate, 22, 5962-5982. doi:10.1175/2009JCLI2966.1
Mutlu, E., Chaubey, I., Hexmoor, H., Bajwa, S.G. (2008). Comparison of artificial neural network models for hydrologic predictions
at multiple gauging stations in an agricultural watershed. Hydrological Processes, 22(26), 5097-5106. doi:10.1002/hyp.7136
Michie, D., Spiegelhalter, D.J., Taylor, C.C. (1994). Machine learning, neural and statistical classification. Project StatLog,
Department of Statistics, University of Leeds, UK.
Ochoa-Rivera, J.C., García-Bartual, R., Andreu, J. (2002). Multivariate synthetic streamflow generation using a hybrid model based
on artificial neural networks. Journal of Hydrology and Earth System Sciences, 6(4), 641-654. doi:10.5194/hess-6-641-2002
Ochoa-Rivera, J.C., García-Bartual, R., Andreu, J. (2007). Influence of Inflows Modeling on Management Simulation of Water
Resources System. Journal of Water Resources Planning and Management, ASCE, 133(2), 106-116. doi:10.1061/(ASCE)07339496(2007)133:2(106)
Portela, M.M., Quintela, A.C. (2006). Estimação em Portugal Continental de escoamento e de capacidades úteis de albufeiras de
regularização na ausência de informação. Recursos Hídricos, 27(2), 7-18.
Pulido-Calvo, I., Portela, M.M. (2007). Application of neural approaches to one-step daily flow forecasting in Portuguese watersheds.
Journal of Hydrology, 332(1-2), 1-15. doi:10.1016/j.jhydrol.2006.06.015
Pulido-Calvo, I., Gutiérrez-Estrada, J.C., Savic, D. (2012). Heuristic modelling of the water resources management in the
Guadalquivir River Basin, Southern Spain. Water Resources Management, 26(1), 185-209. doi:10.1007/s11269-011-9912-0
Qian, B., Corte-Real, J.M., Xu, H. (2000a). Is the North Atlantic Oscillation the most important atmospheric pattern for precipitation
in Europe? Journal of Geophysical Research, 105(D9), 901-910. doi:10.1029/2000JD900102
Qian, B., Xu, H., Corte-Real, J.M. (2000b). Spatial-temporal structures of the quasi-periodic oscillations in precipitation over
Europe. International Journal of Climatology, 20(13), 1583-1598. doi:10.1002/1097-0088(20001115)20:13<1583::AIDJOC560>3.0.CO;2-Y
Rodwell, M.J. (2003). On the predictability of the North Atlantic climate. The North Atlantic Oscillation: climate significance and
environmental impact, Geophysical Monograph, 134, 173-192, Amer. Geophys. Union. doi:10.1029/134GM08
Rossi, G. (2003). Requisites for a drought watch system. In: G. Rossi et al. (eds), Tools for Drought Mitigation in Mediterranean
Regions, pp. 147-157. Kluwer Academic Publishing: Dordrecht. doi:10.1007/978-94-010-0129-8_9
Rumelhart, D.E., Hinton, G.E., Williams, R.J. (1986). Learning representations by back-propagating errors. Nature, 323, 533-536.
doi:10.1038/323533a0
227
Santos, J.A., Corte-Real, J., Leite, S.M. (2005). Weather regimes and their connection to the winter precipitation in Portugal.
International Journal of Climatology, 25(1), 33-50. doi:10.1002/joc.1101
Santos, J.F., Portela, M.M., Pulido-Calvo, I. (2011). Regional frequency analysis of droughts in Portugal. Water Resources
Management, 25(14), 3537-3558. doi:10.1007/s11269-011-9869-z
Santos, J.F., Portela, M.M., Pulido-Calvo, I. (2013). Dimensionality reduction in drought modelling. Hydrological Processes,
27(10), 1399-1410. doi:10.1002/hyp.9300
Santos, J.F., Portela, M.M., Pulido-Calvo, I., (2014). Spring drought prediction based on winter NAO and global SST in Portugal,
Hydrological Processes, 28(3), 1009-1024. doi:10.1002/hyp.9641
Santos, J.F., Pulido-Calvo, I., Portela, M.M. (2010). Spatial and temporal variability of droughts in Portugal. Water Resources
Research, 46(3). DOI: 10.1029/2009WR008071. doi:10.1029/2009WR008071
Senthil-Kumar, A.R., Sudheer, K.P., Jain, S.K., Agarwal, P.K. (2005). Rainfall-runoff modelling using artificial neural networks:
comparison of network types. Hydrological Processes, 19(6), 1277-1291. doi:10.1002/hyp.5581
Silva, A.T., Portela, M.M., Naghettini, M. (2012), Nonstationarities in the occurrence rates of flood events in Portuguese watersheds.
Journal of Hydrology and Earth System Sciences, 16, 241-254. doi:10.5194/hess-16-241-2012
Smith, T.M., Reynolds, R.W., Peterson, T.C. Lawrimore, J. (2008). Improvements to NOAA’s Historical Merged Land-Ocean
Surface Temperature Analysis (1880-2006). Journal of Climate, 21, 2283-2296. doi:10.1175/2007JCLI2100.1
Snedecor, G.W., Cochran, W.G. (1989). Statistical methods, Ames, Iowa State University Press (8th edition), Iowa, USA.
Trigo, R.M., Osborn, T.J., Corte-Real, J.M. (2002). The North Atlantic Oscillation influence on Europe. Climate impacts and
associated physical mechanisms. Climate Research, 20, 9-17. doi:10.3354/cr020009
Trigo, R.M., Pozo-Vázquez, D., Osborn, T.J., Castro-Díez, Y., Gámiz-Fortis, S., Esteban-Parra, M.J. (2004). North Atlantic
Oscillation influence on precipitation, river flow and water resources in the Iberian Peninsula. International Journal of Climatology,
24(8), 925-944. doi:10.1002/joc.1048
Trigo, R., Xoplaki, E., Zorita, E., Luterbacher, J., Krichak, S.O., Alpert, P., Jacobeit, J., Sáenz, J., Fernández, J., González-Rouco,
F., García-Herrera, R., Rodo, X., Brunetti, M., Nanni, T., Maugeri, M., Trkes, M., Gimeno, L., Ribera, P., Brunet, M., Trigo,
I.F., Crepon, M., Mariotti, A. (2006). Relations between Variability in the Mediterranean region and mid-latitude variability. In:
Mediterranean Climate Variability, edited by: Lionello P., Malanotte-Rizzoli P., e R. Boscolo. Amsterdam, Elsevier, 179-226.
doi:10.1016/s1571-9197(06)80006-6
Vicente-Serrano, S.M., López-Moreno, J.I., Lorenzo-Lacruz, J., El Kenawy, A., Azorin-Molina, C., Morán-Tejeda, E., Pasho, E.,
Zabalza, J., Beguería, S., Angulo-Martínez, M. (2011). The NAO impact on droughts in the Mediterranean region. In: VicenteSerrano S.M. e Trigo R. (Eds.), Hydrological, socioeconomic and ecological impacts of the North Atlantic Oscillation in the
Mediterranean region. Advances in Global Research (AGLO) series, Springer-Verlag. doi:10.1007/978-94-007-1372-7_3
Vinther, B.M., Andersen, K.K., Hansen, A.W., Schmith, T., Jones, P.D. (2003). Improving the Gibraltar/Reykjavik NAO Index.
Geophysical Research Letters, 30(23), 2222. doi:10.1029/2003GL018220
Xoplaki E., González-Rouco J.F., Luterbacher J. e H. Wanner, (2004). Wet season Mediterranean precipitation variability: influence
of large-scale dynamics and predictability. Climate Dynamiques 23, 63–78.
Xue, Y., Smith, T.M., Reynolds, R.W. (2003). Interdecadal changes of 30-yr SST normals during 1871-2000. Journal of Climate,
16, 1601-1612. doi:10.1175/1520-0442-16.10.1601
Yevjevich, V. (1972). Stochastic Processes in Hydrology. Water Resources Publications, Fort Collins, Co.
Rico-Díaz et al. | Un sistema de detección de peces para escala de hendidura vertical utilizando tecnología […]
229
Un sistema de detección de peces para escala de hendidura vertical utilizando
tecnología láser y técnicas de visión artificial
A fish detection system in vertical slot fishways using laser technology and computer vision
techniques
Rico-Díaz, A.J.a1, Rabuñal, J.R.b, Puertas, J.c1, Pena, L.c2, Rodríguez, A.a2
a
Dept. de Tecnologías de la Información y las Comunicaciones. Facultad de Informática, Universidade da Coruña. Campus de A Coruña, 15071 A
Coruña, España. E-mail: a1 [email protected], a2 [email protected]
b
Centro de Innovación Tecnolóxica en Edificación e Enxeñería Civil (CITEEC). Universidade da Coruña. Campus de A Coruña, 15071 A Coruña,
España. E-mail: [email protected]
c
Dept. de Ingeniería Hidráulica. ETSEC, Universidade da Coruña. Campus de A Coruña, 15071 A Coruña, España.
E-mail:c1 [email protected], c2 [email protected]
RESUMEN
Las escalas de hendidura vertical son una de las estructuras más utilizadas para sortear obstáculos como presas, centrales
hidroeléctricas y otros. Conocer la frecuencia con la que los peces atraviesan este tipo de estructuras puede ayudar a conocer
la eficacia de las mismas, así como a conocer características migratorias de las especies, determinar si el curso fluvial está sano
o determinar si se puede pescar con garantías de conservación y mejora de la fauna. La técnica expuesta en este artículo es un
método no invasivo para detección de peces en tiempo real, sin necesidad de observación directa. Se utiliza un sensor láser para
detectar los peces y los datos recogidos por el sensor son analizados de forma automática con técnicas de visión artificial en una
aplicación informática.
Palabras clave | Visión Artificial; Escalas de Peces; Contador de peces; Detección por láser.
ABSTRACT
Vertical slot fishway are hydraulic structures which are widely used to allow the upstream migration of fish through obstructions
in rivers. Learning about the frequency of fish’s movement through these systems can help determine the efficiency of a vertical
slot fishway, as well as migratory patterns of species, determine if waterways are healthy or whether we can continue to fish with
guaranteed conservation and improve wildlife. This paper presents a noninvasive method for fish detection. A laser sensor is used
to detect fish and data collected by the sensor is analyzed automatically, using computer vision techniques.
Key words | Computer vision; Vertical slot fishway; Fish-counter; Laser detection.
doi:10.4995/ia.2015.3472
EISSN: 1886-4996
ISSN: 1134-2196
230 Rico-Díaz et al. | Un sistema de detección de peces para escala de hendidura vertical utilizando tecnología […]
INTRODUCCIÓN
Las escalas de hendidura vertical son estructuras hidráulicas que permiten el movimiento de los peces para sortear obstáculos
como presas, centrales hidroeléctricas y otros.
Actualmente, se sabe que el diseño de una escala de peces de hendidura vertical depende de la interacción de parámetros
hidráulicos y biológicos, ya que las variables hidrodinámicas de la piscina (como la velocidad del agua) deben ser adecuadas a los
requisitos de los peces (determinados por ejemplo por su resistencia o velocidad de natación).
Se ha estudiado el flujo en las escalas de hendidura vertical (Wu et al., 1999; Puertas et al., 2004; Tarrade et al., 2008), la
natación de los peces (Dewar y Graham, 1994; Blake, 2004) y el comportamiento de los peces dentro de la escala (Rodríguez et al.,
2011). En este trabajo se pretende determinar de una manera sencilla, en tiempo real y con coste reducido el número de ejemplares
que atraviesan la escala de hendidura vertical, ya que conocer este valor puede ser una ayuda más en la estimación de la efectividad
de la estructura (Puertas et al., 2011).
Conocer el número de peces puede ayudar a estudiar el estado del curso fluvial y su ecosistema o a determinar si se puede
pescar con garantías de conservación y mejora de la fauna.
Dos de las técnicas más utilizadas para la detección de peces son el láser y el sónar. Otras técnicas utilizan la grabación de
imágenes y tras su tratamiento se detectan los peces en ellas.
El sónar es un aparato que detecta la presencia y situación de objetos sumergidos mediante ondas acústicas. Desde los años
sesenta esta técnica se ha usado en aplicaciones como un contador de peces (Craig y Forbes, 1969) o para obtener características de
los peces (Ehrenberg, 1972). Más recientemente apareció el Dual-frequency identification sonar (DIDSON), sónar de identificación
de doble frecuencia que reduce las limitaciones de los sistemas acústicos anteriores y consigue imágenes de más calidad, y con ella
nuevos estudios para detección y conteo de peces aprovechando la tecnología acústica (Balk y Lindem, 2000; Belcher et al., 2001;
Holmes et al., 2006; Han et al., 2009).
El láser de infrarrojos ha sido utilizado en varios estudios para fines similares a los comentados anteriormente, como la
detección de peces (Mitra et al., 2004). Uno de los contadores de peces más conocidos es el Riverwatcher Fish Counter (Baumgartner
et al., 2010) de la empresa islandesa Vaki, que utilizando un escáner de infrarrojos y un túnel con leds permite la toma de fotos y
videos y obtener información del pez detectado.
Mediante el uso de cámaras submarinas combinándolo con técnicas de visión artificial (White et al., 2006; Zion et al., 2007)
y el uso de redes de neuronas artificiales (Storbeck y Daan, 2001) es posible realizar la detección de peces. El proceso general para
aplicar técnicas de visión artificial sobre la imagen capturada suele dividirse en una serie de fases. Durante las etapas iniciales se
intenta obtener la mejor calidad de imagen posible para poder, en etapas posteriores, obtener información útil e interpretarla en el
contexto adecuado.
En la técnica usada en este trabajo se combinan, por un lado el uso de un sensor láser infrarrojo para realizar la detección
de los peces y, por otro, técnicas de visión artificial para confirmar que el objeto detectado por el láser es realmente un pez. Además
previamente se estudia el comportamiento del láser en agua bajo ciertas condiciones de turbidez ya que su precisión se verá alterada
por ello y por el material en el que es sumergido.
De esta manera, se consigue un sistema de detección de peces en tiempo real, reduciendo el coste computacional que puede
tener el uso de las redes de neuronas artificiales, y de bajo coste, al no necesitar dispositivos ni montajes caros. El sistema completo
está formado por una parte hardware y otra software. La parte hardware engloba sensores, tales como una cámara y un láser; una
unidad de almacenamiento donde se guardarán los datos que se van recolectando, así como el software de visión artificial; y una
unidad de control que permite la interacción del usuario con la aplicación.
231
TÉCNICA PROPUESTA
Se ha diseñado un sistema con diferentes componentes. Se dispone de dos sensores, una cámara que captura imágenes del
paso de objetos por la zona escaneada por el otro sensor disponible, un sensor láser (el utilizado en este trabajo dispone de una
longitud de onda de 785 nm.) que detecta y devuelve información acerca de los objetos que interfieren su haz. Esta información es
volcada y guardada en una unidad de almacenamiento en donde se ejecuta la aplicación software de visión artificial desarrollada
específicamente para esta técnica. Tanto la cámara como el sensor se encuentran enfrentados en las paredes laterales del canal.
Además se dispone de una unidad de control que permite la interacción del usuario con la aplicación. En la Figura 1 se aprecia la
posición de los sensores para capturar datos.
Figura 1 | Esquema de la técnica propuesta
La técnica se puede dividir en dos fases. En la primera fase se recogen las lecturas que devuelve el sensor en cada escaneo y se
va generando una imagen en tiempo real de la zona de influencia del láser. Sobre esta imagen se aplican técnicas de visión artificial.
En primer lugar se realiza un pre-procesamiento de la imagen, luego una segmentación y por último una fase de representación e
interpretación.
Tras la aplicación de las técnicas de visión artificial y en el caso de que se detectara el paso de algún objeto por la
zona de influencia del láser comienza la segunda fase de la técnica con el objetivo de verificar si el objeto detectado es un pez.
Automáticamente se toma una fotografía con la cámara dirigida a la región sobre la que incide el haz. Sobre esa nueva imagen se
aplica técnicas de visión artificial, siguiendo las mismas fases que anteriormente (pre-procesamiento, segmentación y representación
e interpretación). Tras este proceso se puede confirmar si el objeto detectado por el láser es o no un pez. En caso positivo el contador
que indica el número de peces detectados se incrementa.
A continuación se detallan de forma más completa estas dos fases.
Fase de detección de objetos mediante sensor láser
El sensor envía un pulso de haz láser y mide el tiempo que tarda ese pulso en ser reflejado en el objeto y devuelto al sensor.
Con ese valor se puede conocer la distancia a la que se encuentra el objeto aplicando la ecuación (1). Este funcionamiento se ilustra
en la Figura 2.
Distancia =
velocidad # tiempo
2
(1)
Figura 2 | Principio básico de funcionamiento del sensor láser para calcular distancias.
El sensor se coloca en el punto deseado para recoger el paso del pez por ese lugar. Se recogen los puntos de medida de
salida del láser (en este caso, tomando medidas espaciadas cada 0.35 grados sobre el rango de 240 grados se obtiene un vector de
683 valores de distancias) y se codifican, transformándolos de tal forma que se representen en escala de grises (Figura 3a). El grado
de gris dentro de la escala indica el grado de cercanía o lejanía del objeto al láser.
Cada vector de entrada se va almacenando en un buffer con los valores de gris asignados. En cada instante que el sensor
manda datos (el sensor utilizado devuelve una lectura cada 100 mseg.), estos son introducidos al final del buffer y, se mueve el
resto de vectores una posición, como se ve en la Figura 4. De esta manera se obtiene una imagen en escala de grises de la zona de
influencia del láser y que va refrescándose de manera automática en tiempo real, simulando el funcionamiento de un vídeo.
Figura 3 | Proceso de visión artificial que se aplica. (a) imagen generada (b) imagen tras el pre-procesamiento (c) imagen tras proceso de segmentación (d) imagen con los objetos candidatos seleccionados
Tras la obtención de la imagen, se inicia el proceso de visión artificial. El proceso se divide en las siguientes etapas: preprocesamiento, segmentación y reconocimiento e interpretación.
El pre-procesamiento de la imagen tiene como objetivo mejorar la calidad de la imagen para futuros tratamientos y facilitar
los análisis de la imagen en etapas posteriores.
En esta primera etapa se elimina el fondo de la imagen. Para ello se toma una muestra del escaneo del láser en un instante en
el que no pase ningún objeto por delante de él y ese vector se va restando a cada vector de datos que manda el sensor. Los píxeles
invariantes, que tendrán valor cero tras la sustracción del fondo, se representan en negro (Figura 3b).
Figura 4 | Funcionamiento de la entrada de valores de lecturas del sensor en el buffer.
A continuación se inicia la etapa de segmentación. La segmentación es el proceso de dividir una imagen en las partes que
la constituyen o los objetos que la forman. De esta forma se pueden separar los objetos de interés del resto no relevantes, que se
consideran como fondo. Esta etapa es una de las etapas fundamentales en cualquier sistema automatizado de visión artificial, tanto
por las dificultades que conlleva como por la importancia de sus resultados.
Las técnicas de segmentación pueden clasificarse dentro de 3 grupos: técnicas basadas en la detección de la frontera,
técnicas de umbralización y técnicas basadas en el agrupamiento de píxeles. Para la imagen resultante se va a utilizar la técnica de
umbralización binaria que, debido a su rapidez y coste computacional bajo, permite realizar la segmentación en tiempo real. En esta
233
imagen interesa separar cualquier objeto que detecte el láser, independientemente de su posición, por lo que se selecciona cualquier
elemento de la imagen que no sea negro, poniendo un umbral con el valor de 10, y se establece su valor a blanco, quedando una
imagen binaria.
Con el objetivo de optimizar los resultados, se aplican operaciones morfológicas (Haralick et al., 1987) sobre la imagen. La
morfología matemática es un marco teórico para el procesamiento digital no lineal de imágenes. A través de ella se puede cuantificar
muchos aspectos de las estructuras geométricas contenidas en una imagen, de manera que concuerden con la intuición y percepción
humana (Rodríguez y Sossa, 2011).
Las operaciones morfológicas que se utilizan son las aperturas y cierres (Haralick et al., 1987; Rodríguez y Sossa, 2011).
La tendencia de ambas operaciones es a suavizar el contorno de los objetos sobre los que se aplica. La apertura permite suprimir
los objetos más pequeños y separar objetos cercanos. La operación de cierre llena los huecos que pueden aparecer en el objeto.
Para estos objetivos se realiza un proceso donde primero se aplica una apertura y posteriormente una operación de cierre aplicada 3
veces sobre la imagen. Esta combinación de ambas operaciones permite realizar un filtrado y optimizar la imagen de cara a una fase
posterior (Figura 3c). Para realizar las operaciones morfológicas se utiliza como elemento estructural una cruz.
Tras la fase de segmentación se inicia la fase de representación y descripción de los objetos que han sido previamente
segmentados. El objetivo en este fase es elegir las caracterización de los segmentos que faciliten la manipulación de los objetos
y buscar los rasgos descriptores del objeto y que se mantengan lo más independiente posible ante transformaciones geométricas.
La caracterización de los segmentos se realiza mediante una descripción externa (en términos de los píxeles que componen
el contorno del objeto) englobando el objeto dentro del rectángulo mínimo que circunscribe al objeto. Esto permite conocer rasgos
geométricos básicos como el área del objeto o su ancho y alto. Según estas características se continúa el proceso o se descarta el
objeto detectado (Figura 3d).
En la Figura 5 se puede ver el proceso completo seguido durante esta primera fase de la técnica propuesta. Para los
experimentos que se han llevado a cabo se establecen los valores de filtrado para eliminar objetos tras la segmentación, según el
área de su contorno, dentro del intervalo [40, 1000].
Figura 5 | Proceso aplicado a la primera fase de la técnica.
Fase de verificación o rechazo del objeto detectado
En la fase anterior se ha detectado un objeto en el agua y se ha marcado como candidato a ser un pez. Para verificar su
condición de pez, en el momento en el que se detecta se toma una instantánea de la escala en ese instante con la cámara situada a tal
efecto. En los ensayos realizados se ha utilizado una webcam con resolución VGA que ofrece una imagen de color RGB.
Con la imagen capturada por la cámara se inicia un nuevo procedimiento de visión artificial en el que se va a realizar una
fase de pre-procesamiento, otra de segmentación y una última de representación e interpretación.
La fase de pre-procesamiento consiste en realizar una sustracción del fondo. Antes de empezar a trabajar en la fase anterior,
se selecciona una muestra de la zona que captura la cámara para obtener así una imagen del fondo. Con esta imagen se realiza la
operación de substracción para mostrar solo la parte de la imagen que tiene información relevante.
Sobre la imagen resultante se realiza el proceso de segmentación. Para lograr una buena segmentación se procede a
convertirla en una imagen de escala de grises y realizar a continuación una umbralización binaria. Para la elección del umbral se
utiliza un método automático de cálculo, el método de Otsu (Otsu, 1979), que selecciona el umbral óptimo que permite separar el
fondo del contenido.
Por último se realiza una fase de representación e interpretación, cuyo objetivo es determinar si los objetos segmentados
anteriormente pueden ser considerados como peces. Para ello se tienen establecidos unos modelos con formas de peces que se
comparan con los objetos segmentados de la imagen. Primeramente se eliminan los objetos segmentados que no cumplen ciertas
restricciones, como es el área del objeto, que para los experimentos realizados se eliminan los que su área sea menor de 5000.
Con el resto de los objetos se inicia la comparación, en la que se van a utilizar los siete momentos de Hu (Ochoa et al., 2013). Los
momentos espaciales (Pajares Martinsanz y De la Cruz García, 2007) son medidas estadísticas que permiten describir regiones
(objetos) en términos de sus puntos interiores. Los momentos de Hu son momentos centrales normalizados de orden 2 y 3 que son
invariantes a traslaciones, rotaciones y escalados.
Si la semejanza entre la forma comparada y el objeto segmentado está dentro de unos límites establecidos, para los
experimentos realizados se fija a 0.31, se acepta el objeto como pez (incremento de contador de peces) y se marca su contorno, en
caso contrario lo desechamos.
El proceso llevado a cabo en esta fase se resume en la Figura 6.
Figura 6 | Diagrama del algoritmo utilizado para la segunda fase de detección de peces.
Como el sensor láser va a realizar mediciones en agua, es necesario realizar un análisis del comportamiento del láser en este
medio. La penetración del haz del láser es menor en agua y la turbidez que puede tener el agua hará que el alcance del láser sea más
reducido. También se realizan pruebas con diferentes materiales para sumergir el sensor y mantenerlo aislado del agua, las paredes
de estos contenedores son otro elemento que influirá sobre el alcance del sensor.
ENSAYOS
Se han realizado dos tipos de ensayos experimentales. Primero uno para conocer el comportamiento del sensor láser en el
agua. El segundo tipo de ensayos se realizan con el objetivo de evaluar el rendimiento del software de visión artificial.
235
Análisis del láser
Para analizar el comportamiento del sensor láser bajo el agua se utilizan dos tipos de piscinas o estructuras hidráulicas. Una
piscina con 93 litros y un canal circular con motor que mueve el agua a una cierta velocidad en circuito cerrado.
Las pruebas se han realizado primero con el agua limpia para medir el alcance del láser en agua y posteriormente se ha
añadido turbidez (mediante la incorporación de limo de sílice) al agua para comprobar el alcance del láser.
Con estas mediciones se consigue saber cómo se comporta el sensor en diferentes circunstancias, comparando los valores
de medición que ofrece el sensor con la medida real a la que se encuentra el pez del sensor, permitiendo establecer de esta forma
una relación entre las dos medidas.
Para probar las diferentes situaciones se establecen cuatro niveles de turbidez. El primer nivel es con agua limpia y en cada
nivel se incrementa la turbidez hasta llegar al nivel cuatro en donde ya no hay nitidez para ver objetos mediante observación directa.
Se establecen también cuatro modalidades de posicionamiento del láser. La primera con el sensor en el exterior del agua,
pegado al cristal. En las restantes, el sensor estará sumergido en el agua dentro de un recipiente. Los recipientes serán un cilindro
de cristal, otro de metacrilato y un último de vidrio de cuarzo.
Análisis del software
Para evaluar el rendimiento del software de visión artificial implementado, se han realizado ensayos utilizando un modelo
a escala 1:8.3, de una escala de hendidura vertical, construida con metacrilato (Figura 7a) y que une dos peceras en donde se
encuentran una decena de peces de diferentes tipos y colores (Figura 7b).
Figura 7 | Escala de metacrilato construida para los ensayos.
Se realizan diversos ensayos durante los cuales se deja el sistema trabajando durante el tiempo suficiente para que se
produzcan suficientes pasos de peces por la escala, y para cada detección que hace el láser se almacenan las imágenes para su
posterior estudio.
Se realiza también un ensayo para medir los falsos positivos. Para este ensayo se utilizan trozos de madera, metacrilato y
acero y con la ayuda de un hilo se pasa por delante del láser y se capturan las imágenes de cómo se comporta el sistema.
RESULTADOS
Análisis del láser
Los resultados obtenidos se muestran en la Figura 8. En el eje vertical de las gráficas se muestran las medidas devueltas por
el sensor láser (expresadas en cm), mientras que en el eje vertical se mide la distancia real (en cm) a la que está el objeto.
Durante los experimentos, y como se puede observar en las gráficas, se comprobó que el comportamiento del láser en agua
hace que la medida que devuelve el sensor sea mayor que la distancia real a la que se encuentra el objeto y a partir de cierta distancia
se empieza a perder precisión. Este aspecto debe ser tenido en cuenta cuando se quiera calcular distancias a las que se encuentra un
objeto detectado por el láser para realizar una estimación acorde con la realidad.
También se puede observar en las gráficas el comportamiento del sensor en los diferentes recipientes agrupados por nivel
de turbidez. Los materiales que mejor se comportan son el cristal y el vidrio de cuarzo, ya que permiten medir distancias correctas
más lejanas que las medidas que ofrece el metacrilato.
Figura 8 | Resultados del análisis del láser usando diferentes niveles de turbidez, (a) agua limpia, (b) nivel bajo-medio, (c) nivel medio-alto y (d)
nivel alto.
Análisis del software
En la Figura 9 se observa el resultado del proceso seguido mediante técnicas de visión artificial para identificar al pez en la
imagen que toma la cámara. Así, a partir de la imagen de fondo (Figura 9a) y de la imagen capturada (Figura 9b) y tras realizar la
substracción de fondo y segmentación (Figura 9c) se puede concluir si el objeto es un pez o no (Figura 9d).
Figura 9 | Resultado del proceso de visión artificial sobre la imagen capturada por la cámara.
237
Posteriormente las imágenes han sido revisadas por expertos para realizar un análisis de los resultados. Se han revisado
cerca de 200 imágenes de paso de objetos por la escala en donde el láser lo detecta y se toma una fotografía del instante de paso
(Tabla 1). Con la intención de probar la fiabilidad del software se han desechado las imágenes en las que no se aprecia el objeto
completo o el objeto queda fuera de la toma y que en versiones posteriores será realizado de manera automática.
Las métricas utilizadas para medir el sistema son las mostradas en las siguientes Ecuaciones (2-5):
Precisión = ((Positivos correctos) / (Positivos correctos + Falsos positivos))
Cobertura = ((Positivos correctos) / (Positivos correctos + Falsos negativos))
Ratio de Falsos Positivos = 1 – Precisión Ratio de Falsos Negativos = 1 – Cobertura (2)
(3)
(4)
(5)
Tabla 1 | Resultados del ensayo.
Métrica
Datos
%
Precisión
0.97
97.18
Cobertura
0.73
72.63
Tasa de Falsos Positivos
0.03
2.18
Tasa de Falsos negativos
0.27
27.36
CONCLUSIONES Y TRABAJO FUTURO
Analizando los resultados obtenidos en el análisis de los diferentes materiales en los que se sumergió el láser (Figura 8), se
puede concluir que, para realizar operaciones con el láser sumergido, debería utilizarse el de vidrio de cuarzo o el de cristal, ya que
son los que más alcance permiten al haz del sensor. Además se debe tener en cuenta el efecto del láser al estar sumergido en agua
ya que se amplifican las distancias por la reflexión del haz en el agua.
Se aprecia (Tabla 1) una alta precisión del sistema, lo que indica que el sistema es capaz de detectar objetos correctos en el
97% de los casos, así como una cobertura del 73% que detecta los peces. En versiones futuras se debería automatizar la eliminación
de imágenes en donde el pez no se vea completamente, prescindiendo así de la revisión del experto.
Se ha desarrollado un sistema de detección y conteo de peces utilizando tecnología láser y técnicas de visión artificial. Se
implementa en dos fases, una primera donde el sensor detecta el paso del objeto y una segundo en dónde se trata de confirmar que
el objeto que ha sido interceptado es un pez.
Este sistema ofrece un método no invasivo para las especies y sin el inconveniente de las limitaciones visuales que podría
suponer bajo ciertas condiciones de turbidez de agua, entre otras. Así como ser un método que va mostrando resultados en tiempo
real.
Las principales ventajas de esta técnica son las siguientes. El tamaño del montaje necesario para llevarla a cabo es reducido.
Se necesita solamente un sensor láser una cámara y un ordenador portátil con el software que realiza el proceso de visión artificial.
Ello implica que sea una técnica que se puede llevar a cabo con un coste bajo. Además permite el muestreo en tiempo real de la
zona estudiada.
El método ha sido testado en laboratorio, simulando posibles situaciones adversas, pero debe ser analizado ahora en un
contexto real, para permitir afinar más la detección de peces en su medio natural. Se debe evaluar el posible paso de varios peces
por la escala de hendidura vertical de forma simultánea y estudiar el comportamiento del sistema en estos casos.
AGRADECIMIENTOS
Este trabajo ha sido cofinanciado con fondos FEDER y por el Ministerio Español de Economía y Competitividad.
Subprograma estatal de formación del Programa Estatal de Promoción de Talento y su Empleabilidad en I+D, en el marco del Plan
Estatal de Investigación Científica y técnica y de Innovación 2013-2016 (FPI Convocatoria 2013) (Ref. del proyecto CGL201234688 Ref. de la ayuda BES-2013-063444).
REFERENCIAS
Balk, H., Lindem, T. (2000). Improved fish detection in data from split-beam sonar. Aquatic Living Resources, 13(5), 297-303.
doi:10.1016/S0990-7440(00)01079-2
Baumgartner, L., Bettanin, M., McPherson, J., Jones, M., Zampatti, B., Beyer, K. (2010). Assessment of an infrared fish counter
(Vaki Riverwatcher) to quantify fish migrations in the Murray-Darling Basin. Industry y Investment NSW, Fisheries Final Report
Series 116, 47.
Belcher, E., Matsuyama, B., Trimble, G. (2001). Object identification with acoustic lenses. Paper presented at the OCEANS, 2001.
MTS/IEEE Conference and Exhibition, Honolulu, HI. doi:10.1109/oceans.2001.968656
Blake, R.W. (2004). Fish functional design and swimming performance. Journal of Fish Biology, 65(5), 1193-1222. doi:10.1111/
j.0022-1112.2004.00568.x
Craig, R.E., Forbes, S.T. (1969). Design of a sonar for fish counting. Fiskeridirektoratets skrifter, Serie Havundersøkelser, Vol
15(3), 210-219.
Dewar, H., Graham, J. (1994). Studies of tropical tuna swimming performance in a large water tunnel - Energetics. Journal of
Experimental Biology, 192, 13-31.
Ehrenberg, J.E. (1972). A method for extracting the fish target strength distribution from acoustic echoes. Paper presented at the
Engineering in the Ocean Environment, Ocean 72, Newport, RI, USA. doi:10.1109/OCEANS.1972.1161176
Han, J., Honda, N., Asada, A., Shibata, K. (2009). Automated acoustic method for counting and sizing farmed fish during transfer
using DIDSON. Fisheries Science, 75(6), 1359-1367. doi:10.1007/s12562-009-0162-5
Haralick, R.M., Sternberg, S.R., Zhuang, X. (1987). Image Analysis Using Mathematical Morphology. IEEE Transactions on
Pattern and Machine Intelligence, PAMI-9(4), 532-550. doi:10.1109/TPAMI.1987.4767941
Holmes, J.A., Cronkite, G.M.W., Enzenhofer, H.J., Mulligan, T.J. (2006). Accuracy and precision of fish-count data from a ‘‘dualfrequency identification sonar’’ (DIDSON) imaging system. ICES Journal of Marine Science, 63(3), 543-555. doi:10.1016/j.
icesjms.2005.08.015
Mitra, V., Wang, C.J., Banerjee, S. (2004). Lidar Detection of Underwater Objects Using a Neuro-SVM-Based Architecture. IEEE
Transactions on Neural Networks.
Ochoa-Somuanom, J., Pérez-Lara, C., Toscano-Martínez, J.H., Pereyra-Ramos, C.G. (2013). Clasificación de objetos rígidos a
partir de imágenes digitales empleando los momentos invariantes de Hu. Paper presented at the X Congreso Internacional sobre
Innovación y Desarrollo Tecnológico, Cuernavaca Morelos, México.
Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. Systems, Man and Cybernetics, IEEE Transactions,
9(1), 62-66. doi:10.1109/TSMC.1979.4310076
Pajares Martinsanz, G., De la Cruz García, J. (2007). Visión por computador imágenes digitales y aplicaciones, 2ª ed. Ra-Ma Ed.:
Madrid, España.
239
Puertas, J., Cea, L., Bermúdez, M., Pena, L., Rodríguez, A., Rabuñal, J., Balairón, L., Lara, A., Aramburu, E. (2011). Computer
application for the analysis and design of vertical slot fishways in accordance with ther requirements of the target species. Ecological
Engineering, 48, 51-60. doi:10.1016/j.ecoleng.2011.05.009
Puertas, J., Pena, L., Teijeiro, T. (2004). Experimental Approach to the Hydraulics of Vertical Slot Fishways. Journal of Hydraulics
Engineering, 130(1), 10-23. doi:10.1061/(ASCE)0733-9429(2004)130:1(10)
Rodríguez, A., Bermúdez, M., Rabuñal, J., Aff.M.ASCE, Puertas, J., Dorado, J., Pena, L., Balairón, L. (2011). Optical Fish
Trajectory Measurement in Fishways through Computer Vision and Artificial Neural Networks. Journal of Computing in Civil
Engineering, 25(4), 291-301. doi:10.1061/(ASCE)CP.1943-5487.0000092
Rodríguez, R., Sossa, J.H. (2011). Procesamiento y análisis digital de imágenes, Ra-Ma Ed.: Madrid, España.
Storbeck, F., Daan, B. (2001). Fish species recognition using computer vision and a neural network. Fisheries Research, 51(1), 1115. doi:10.1016/S0165-7836(00)00254-X
Tarrade, L., Texier, A., David, L., Larinier, M. (2008). Topologies and measurements of turbulent flow in vertical slot fishways.
Hydrobiologia, 609, 177-188. doi:10.1007/s10750-008-9416-y
White, D.J., Svellingen, C., Strachan, N.J.C. (2006). Automated measurement of species and length of fish by computer vision.
Fisheries Research, 80(2-3), 203-210. doi:10.1016/j.fishres.2006.04.009
Wu, S., Rajaratnam, N., Katopodis, C. (1999). Structure of flow in vertical slot fishways. Journal of Hydraulic Engineering, 125(4),
351-360. doi:10.1061/(ASCE)0733-9429(1999)125:4(351)
Zion, B., Alchanatis, V., Ostrovsky, V., Barki, A., Karplus, I. (2007). Real-time underwater sorting of edible fish species. Computer
and Electronics in Agriculture, 56(1), 34-45. doi:10.1016/j.compag.2006.12.007
Villar et al. | El impacto del riego en la calidad del agua de drenaje en una nueva zona regable
241
The impact of irrigation on the quality of drainage water in a new irrigation district
Villar, J.M.a1, Pascual, M.b, Rufat, J.c, Villar, P.a
a
Departamento de Medio Ambiente y Ciencias del Suelo, Universidad de Lleida, Av. Alc. Rovira Roure, 191, 25198 Lleida, España.
E-mail: a1 [email protected]
b
Departamento de Horticultura, Botánica y Jardinería, Universidad de Lleida, 25198 Lleida, España. E-mail: [email protected]
c
Institut de Recerca i Tecnologia Agroalimentàries, IRTA, Lleida, España. E-mail: [email protected]
RESUMEN
La calidad del agua de dos sistemas de drenaje agrícola fue monitorizado en dos temporadas de riego para determinar la
sostenibilidad de una zona recientemente transformada de secano a regadío y gestionada por la Comunidad de Regantes del Canal
de Algerri-Balaguer, en el Noreste de España. La conductividad eléctrica media de las aguas de drenaje estuvo alrededor de los
4 dS·m-1, y las aguas se enriquecieron con boro, fósforo y nitratos. El drenaje representó un 17% del total de agua de riego aplicada
(fracción medida de lavado) que puede considerarse necesario para minimizar el riesgo de salinización secundaria del suelo en
ambientes semiáridos. Los iones más comunes presentes en las aguas de drenaje fueron el magnesio, el sulfato, y el calcio y
otros relacionados con la disolución de minerales presentes en la zona de estudio. La presencia de Fe, Cu, Mg, Zn y fitosanitarios
fue insignificante. La información que proporcionó el estudio fue muy interesante para la Comunidad de Regantes, y los aspectos
metodológicos pueden ser aplicados en otras comunidades de regantes, ya que podría ayudar a mejorar las prácticas agrícolas y
utilizarse para controlar la calidad y cantidad del agua de drenaje.
Palabras clave | Impacto ambiental; Agua de drenaje; Calidad del agua; Comunidades de regantes.
ABSTRACT
The water quality of two agricultural drainage systems was monitored over two irrigation seasons in order to determine the
sustainability of a new area of irrigated land (the Algerri-Balager irrigation district) located in the northeast of Spain. The average
electrical conductivity of the drainage water was around 4 dS·m-1, and the waters were enriched with boron, phosphorous and nitrate.
Drainage represented 17% of total applied irrigation water (measured leached fraction) and is considered necessary to minimize
the risk of soil salinization in semiarid environments. The most common ions in the drainage waters were magnesium, sulphate,
and calcium and others related with dissolved soil minerals present in the area. The presence of Fe, Cu, Mn, Zn and pesticides was
negligible. The information provided by this research was very useful for the irrigation district, and it’s transferable to other irrigation
districts, as it could help to improve agricultural practices and be used to control the quality and quantity of irrigation drainage.
Key words | Environmental impact; Drainage water; Water quality; Irrigation districts.
doi:10.4995/ia.2015.4113
EISSN: 1886-4996
ISSN: 1134-2196
242 Villar et al. | El impacto del riego en la calidad del agua de drenaje en una nueva zona regable
INTRODUCCIÓN
El agua es esencial para la agricultura, pero requiere una gestión adecuada para evitar los procesos de salinización del
suelo y para minimizar la aportación de sales a los sistemas naturales de drenaje que son los ríos. El impacto de la agricultura
en la contaminación del agua, en los países de la Organización para la Cooperación y el Desarrollo Económicos (OECD),
ha sido revisado por Parris (2011). El regadío es particularmente necesario en el sur de Europa donde el agua de riego es un
factor clave en la disponibilidad de agua para los cultivos (Wriedt et al., 2009). Los efectos ambientales de los regadíos en las
regiones áridas y semiáridas están bien documentados (Abrahao et al., 2011; Dougherty et al., 1995; Fernández-Cirelli et al.,
2009; Stockle 2001; Verwey and Vermeulen, 2011). En estas zonas, los suelos están expuestos a la acumulación de sales siendo
los procesos de salinización una forma de degradación del suelo. En España, un 3% del regadío está afectado por salinidad
(European Commission, 2005) aunque por el momento estas tierras no están totalmente abandonadas. En el Valle del Ebro,
aproximadamente 0.25 Mha (30% del regadío) están afectadas en algún grado por procesos de salinización o sodificación (Isla
et al., 2003).
El efecto a largo plazo de aplicar agua de riego puede ser negativo en los suelos y en las aguas superficiales y subterráneas.
El manejo adecuado de los suelos, del agua de riego y del agua de drenaje es todo un reto para poder mantener la productividad y
la sostenibilidad de los sistemas agrícolas (Grattan, 2002). El regadío juega un papel clave en el éxito de la agricultura mundial y
muy especialmente en la española. Mantener la sostenibilidad de los regadíos implica estudiar los balances de sales, monitorizar
el contenido de sales disueltas en el agua de riego y de drenaje y estudiar la acumulación de sales en el suelo. Al mismo tiempo
es necesario controlar la presencia de otros componentes como los nutrientes (principalmente nitrógeno y fósforo), los metales
pesados y productos fitosanitarios en general. Esta información es muy útil cuando se toman decisiones en relación a la gestión
del agua de riego, la fertilización y el control de plagas y enfermedades. Además, ello es especialmente relevante en las nuevas
áreas de regadío, donde los regantes necesitan más asesoramiento y pueden ser más receptivos a los consejos agronómicos.
Por este motivo, se estableció una iniciativa con la participación de la Universidad de Lleida (UdL) y el Departamento de
Agricultura, Ganadería, Pesca y Alimentación de la Generalitat de Catalunya para establecer un estudio sobre las aguas de
drenaje en una zona de reciente transformación de secano a regadío.
La demanda de agua de riego está relacionada con la evapotranspiración de los cultivos, con la capacidad de almacenar
agua del suelo y con las necesidades de lavado de sales. La capacidad de suministrar el agua necesaria está relacionada con
el sistema de riego. Hoy en día, se dispone de una amplia gama de tecnología de riego y de estrategias de manejo del suelo
para satisfacer estos requisitos, sin embargo un elevado nivel tecnológico a nivel de explotación no garantiza un elevado nivel
de efectividad a nivel de comunidad de regantes. Por ello es necesario tener una atención especial en el uso del agua en las
comunidades de regantes. Es bien sabido que el manejo del agua de riego y de nutrientes va a tener un impacto en la calidad
del agua de los drenajes. A veces hay un importante desfase temporal entre la contaminación no puntual de origen agrario y sus
efectos en la calidad del agua. En el caso de las nuevas zonas de regadío es recomendable controlar la calidad del agua de los
drenajes desde el inicio de la puesta en riego, lo que permitiría mejorar la gestión del agua de riego y de los nutrientes. Por ello,
para garantizar la calidad de las aguas y cumplir con la directiva marco del agua, es necesario realizar un seguimiento riguroso
y sistemático, mediante el uso de análisis de las aguas, la medición de los caudales de drenaje, y la medición de los volúmenes
de agua aplicados, y, al mismo tiempo, garantizar el uso apropiado de fertilizantes y de fitosanitarios.
La Directiva Marco del Agua de la Unión Europea (WFD) (2000/60/EC) tiene por objeto la protección de las aguas
y establecer las bases para una mejor gestión del agua. La WFD ha sido transpuesta a la legislación Española a través de la
modificación de la Ley 46/1999, la Ley de aguas 1/2001 y la ley 62/2003. La evaluación de los sistemas hídricos y su gestión
también aparece en la legislación catalana (Ley 6/1999 y normativa 3/2003). Un objetivo importante era que todos los estados
miembros de la UE deberían tender a garantizar que sus cuerpos de aguas superficiales y subterráneas estuvieran en buenas
condiciones para el 2015. En España, el sector de la agricultura utilizó 15870 hm3 de agua en 2006 (INE, 2008): 78.8% del total
de agua utilizada. En Cataluña, el sector de la agricultura utilizó 2267 hm3 de agua (ACA, 2008), que representa un 72.6% del
volumen total de agua utilizado.
Este estudio preliminar se llevó a cabo en una nueva comunidad de regantes con este objetivo en mente. Si el agua de
drenaje se descarga directamente en los ríos, el contenido de sal se diluye en proporción directa a la cantidad de agua que se
243
mezcla. Por ello, en ocasiones los ríos se enfrentan a problemas de contaminación (Litskas et al., 2010). En la Cuenca del Ebro
se han realizado distintas evaluaciones de comunidades de regantes durante las última década (Isidoro et al., 2004; Lecina et al.,
2005; Barros et al., 2011) con el objetivo de mejorar la gestión del riego. Un estudio llevado a cabo en la Cuenca del Ebro por
Causapé (2009a) concluyó que debería mejorarse la gestión del riego para maximizar la productividad al mismo tiempo que se
minimiza el déficit hídrico. En el mismo estudio, Causapé (2009b) cuantificó las cantidades de sales y de nitratos exportados al
río Ebro desde la comunidad de regantes del canal de Bardenas.
La identificación de buenas estrategias de gestión en las explotaciones es difícil debido a la falta de información fiable.
Esto hace que sea complicado conocer con exactitud los inputs utilizados (cantidad, momento de aplicación y el tipo de input
utilizado). Los agricultores sólo confiaran en el proceso general si están involucrados activamente en el mismo y si están
bien informados sobre los impactos que les afectan directamente. Los aspectos económicos son, evidentemente, las principales
cuestiones a tener en cuenta, pero hay una oportunidad para mejorar los aspectos ambientales. Mejorar la gestión del agua de
riego en las comunidades de regantes y lograr un mejor aprovechamiento de los recursos hídricos implica ser capaz de obtener
información sobre la cantidad y la calidad de las aguas de drenaje.
El objetivo de este trabajo fue caracterizar la calidad de las aguas de riego y de drenaje en la zona de estudio, estimar
el impacto de la sales, de los nutrientes y de otros contaminantes en el medio ambiente, con el fin de fomentar la sostenibilidad
ambiental y aportar información clave para optimizar la gestión en los sistemas agrícolas de regadío. Este objetivo está en
consonancia con la Directiva Marco del Agua de la Unión Europea.
MATERIAL Y MÉTODOS
El área de estudio se encuentra en el sector noreste de la cuenca terciaria del Ebro, NE España. El área se localiza
entre los ríos Noguera Ribagorzana y Segre que atraviesan el anticlinal Barbastro-Balaguer. Una descripción detallada de la
geología y la geomorfología del anticlinal Barbastro-Balaguer y los alrededores se describen en Lucha et al. (2012). El clima es
mediterráneo continental seco con una temperatura media anual de 15°C. El área recibe una precipitación media anual de unos
400 mm con dos máximos anuales en primavera y en otoño.
El área tiene una topografía plana. En general, los suelos son profundos y moderadamente profundos, calcáreos, bien
drenados, y con una textura media (Franca). Los suelos más cerca del anticlinal tienen horizontes subsuperficiales enriquecidos
con yeso (“horizonte gípsico”). Los suelos son no salinos y ligeramente salinos (CEe 2-4 dS·m-1). En la zona de estudio se
dispone de un mapa detallado de suelos (1:25000) (Ascaso et al., 1991).
Durante los años 2006 y 2008 se ha evaluado la cantidad y calidad de las aguas de drenaje de dos sectores localizados en
la zona regable de la Comunidad de Regantes del Canal Algerri-Balaguer. En el año 2006, el área regada era de 2710 ha y en
el año 2008, se regaron 4739 ha. En la actualidad el área total final regada es de aproximadamente 8000 ha. El agua de riego es
bombeada desde el río Noguera Ribagorzana, un afluente del río Segre (Cuenca del Ebro). Los sistemas de riego por aspersión
que se utilizan para regar los cultivos extensivos (maíz, cereales de invierno, alfalfa y cebolla) representaban, en el momento
del estudio, un 76% del área regada. Los cultivos de árboles frutales, que principalmente incluye manzano, peral y melocotón,
se riegan por sistemas de riego localizados (24% del área regada). En algunas parcelas, los frutales están protegidos con equipos
de riego por aspersión contra heladas.
En 2002, se instalaron varios colectores principales para drenar el exceso de agua de riego y de precipitación. En el
presente estudio, dos líneas de drenaje, denominadas DAB1 y DAB2, fueron muestreadas cada mes durante los dos años de
estudio (2006 y 2008). Las áreas que drenaban cada uno de estos drenajes eran de 692 ha y 110 ha, respectivamente (Figura 1).
Figura 1 | Área de estudio en la Comunidad de regantes del Canal Algerri-Balaguer (Mapa de Catalunya, España; Imagen de Satélite (1:2500000),
Institut Cartogràfic de Catalunya).
Los flujos de drenaje mensuales y estacionales se estimaron a partir de medidas puntuales diarias (16 muestras, y
aproximadamente una por mes). Esta metodología en principio parece poco robusta, pero se ha demostrado suficiente para cuantificar
el volumen de agua drenada y los balances de sales y de nitrógeno. El flujo de drenaje o caudal (Q) se estimó a partir de la velocidad
del agua (V) y de la sección húmeda (A= Sm). Se utilizó la ecuación de Manning para calcular la velocidad.
Q = V$A =
R h2
3
n
J1
2
$A
(1)
Donde Rh es el radio hidráulico (m), obtenido de la sección húmeda (Sm) y del perímetro mojado (Pm): R h = Sm Pm ; n es
el coeficiente de rugosidad de Manning. Para una tubería de cemento, este valor está entre 0.012 y 0.017 (California Department of
Transportation, 2011). Se ha utilizado el valor de 0.017. La altura de agua (Y) dentro de la tubería del drenaje de salida fue medida
a mano. La pendiente (J) de la tubería de drenaje era 2/1000. Las fórmulas utilizadas para calcular Sm y Pm fueron:
Sm =
R 2 î - sin ih
2
(2);
Pm=θ·R
(3);
t=R-Y (4);
c = 2 R2 - t2 (5);
i c 2
tg 2 = t (6)
Además,
R es el radio de la tubería de drenaje. R= 50 cm para DAB1 y R= 30 cm para DAB2.
Las muestras de agua del embalse principal y de la descarga de los drenajes se recogieron a mano y se analizaron para
determinar el pH, la salinidad, los nitratos, el fósforo, B, Fe, Cu, Mn, Zn, F y los fitosanitarios. Todos los análisis de agua se llevaron
a cabo en el laboratorio agroambiental Applus (Sidamon, Lleida, España). La concentración de aniones por cromatografía iónica,
los cationes y los elementos traza se determinaron con un espectrofotómetro de emisión óptico de plasma de acoplamiento inductivo
(ICP-EOS). Las concentraciones de fósforo total (TP) se han interpretado de acuerdo a los límites expresados en mgL-1 (OECD,
1982): Oligotrófico (TP<10), Mesotrófico (10-35), Eutrófico (35-100), HyperEutrófico (>100).
245
Las condiciones meteorológicas se registraron con una estación automática (Campbell Sci., Logan, UT) localizada en
Albesa (41º48'03.74"N; 0º38'52.28"E; Elev. 260 m) dentro de la zona regable (Red de estaciones meteorológicas automáticas del
Servei Meteorològic de Catalunya; Generalitat de Catalunya).
Durante el periodo de riegos del año 2006, se bombearon 20.5 hm3 de agua desde el río Noguera Ribagorzana, que equivale
a un promedio de 7591 m3·ha-1. Los meses con los mayores volúmenes de agua bombeada fuero julio y agosto. La pluviometría
entre marzo y octubre de 2006 fue 181 mm. Durante el periodo de riegos del año 2008, se bombearon 27.2 hm3 de agua desde el río
Noguera Ribagorzana, que equivale a un promedio de 5742 m3·ha-1. La pluviometría entre marzo y octubre de 2006 fue 403 mm.
(Tabla 1).
Tabla 1 | Volumen de agua bombeada mensualmente para el riego y precipitación en la zona regable por el Canal Algerri-Balaguer (Fuente: CCRR
Canal Algerri-Balaguer).
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Total
2006 (Área regada 2710 ha)
m3 bombeados
m3·ha-1
0
0
0
0
679 943
251
1 855 376
685
2 130 342
786
3 866 133
1427
5 538 027
2044
3 841 059
1417
1 880 843
694
778 513
287
0
0
0
0
20 570 236
7591
Precipitación (mm)
14
9
13
27
9
3
72
34
181
2008 (Área Regada 4738 ha)
m3 bombeados
m3·ha-1
0
0
0
0
0
0
4 202 395
887
1 565 928
331
2 761 967
583
6 439 257
1359
7 200 298
1520
4 328 592
914
707 340
149
0
0
0
0
27 205 777
5742
Precipitación (mm)
4
67
106
38
45
17
23
103
403
RESULTADOS
Agua de riego (embalse principal)
La conductividad eléctrica del agua de riego (CEar) siempre fue inferior a 0.6 dS·m-1, con un valor promedio de 0.39 dS·m-1.
La Tabla 2 muestra las propiedades químicas del agua de riego aplicada en 2006 y en 2008. En el agua de riego hay un fuerte
predominio del calcio y del bicarbonato (46.5%). El magnesio y el sulfato representan un 22.5% (Tablas 5 y 6). El agua de riego
muestra la siguiente secuencia de iones: Ca > Mg ≈ Na > K ≈ NO3; HCO3 > SO4 > Cl. El pH del agua osciló entre 7.5 y 8.4. El agua
de riego presentaba una baja concentración de nitrógeno. En promedio, la cantidad de nitrógeno presente en el agua de riego fue
de 0.3 mg N-NO3L-1. Sin embargo, en dos ocasiones durante el año 2006, las concentraciones totales de fósforo (TP) en el agua de
riego excedían los 25 mg P·L-1, estado eutrófico (OECD, 1982). El P presente en el agua del río, proviene de la actividad agraria y
de las aguas residuales municipales e industriales, como los detergentes, que fueron vertidos aguas arriba de la zona de bombeo.
La concentración de boro en el agua de riego siempre fue muy baja, por debajo de 0.75 mg B L-1. La presencia de fitosanitarios fue
negligible en todas las muestras analizadas.
Tabla 2 | Parámetros químicos del agua1 de riego (Embalse principal) y fechas de muestreo.
Año 2006
6/04/06
22/05/06
27/06/06
26/07/06
31/08/06
25/09/06
18/10/06
Año 2008
10/03/08
22/04/08
30/05/08
27/06/08
04/08/08
10/09/08
06/10/08
1
pH
8.3
8.3
7.9
8.3
8.3
8.4
7.9
pH
7.7
8.2
8.0
7.9
7.7
7.5
7.6
CE
0.42
0.39
0.38
0.37
0.44
0.40
0.56
CE
0.37
0.39
0.35
0.32
0.39
0.38
0.34
Ca
2.69
2.52
2.71
2.69
3.33
2.76
3.68
Ca
2.69
2.65
2.38
2.79
2.76
2.80
2.76
Mg
0.54
0.53
0.49
0.50
0.50
0.67
0.60
Mg
0.65
0.62
0.57
0.55
0.69
0.63
0.57
Na
0.71
0.61
0.66
0.63
0.69
0.68
0.69
Na
0.77
0.74
0.71
0.66
0.58
0.59
0.57
K
0.03
0.03
0.03
0.03
0.03
0.04
0.06
K
0.04
0.03
0.03
0.03
0.02
0.03
0.02
Cl
0.59
0.53
0.43
0.45
0.44
0.45
0.46
Cl
0.55
0.59
0.53
0.47
0.38
0.38
0.34
SO4
1.50
1.43
1.27
1.36
1.90
1.83
2.36
SO4
1.55
1.52
1.44
1.29
1.30
1.23
1.03
HCO3
2.10
2.00
2.00
2.00
2.20
1.90
2.10
HCO3
1.88
1.94
1.62
2.03
2.61
2.20
2.10
P
7
42
14
6
10
4
53
P
24
17
19
9
16
11
11
NO3
0.03
0.03
0.03
0.02
0.03
0.02
0.04
NO3
0.02
0.02
0.02
0.03
0.03
0.02
0.01
B
0.021
0.024
0.018
0.032
0.021
0.020
0.020
B
0.019
0.016
0.021
0.017
0.027
0.024
0.020
Triazinas
< 0.10
< 0.10
< 0.10
< 0.10
< 0.10
< 0.10
< 0.10
Triazinas
NA
< 0.10
< 0.10
< 0.10
< 0.10
< 0.10
< 0.10
La conductividad eléctrica se expresa en dS·m-1 a 25ºC. Los cationes y aniones se expresan en mmolc·L-1, el B en mg·L-1 y el fósforo y las triazinas en µg·L-1.
Agua de drenaje
En promedio, los niveles de conductividad eléctrica del agua de drenaje (CEd) fueron 4.5 dS·m-1 (DAB1) y 3.95 dS·m-1 (DAB2).
La Tabla 3 y la Tabla 4 muestran las propiedades químicas de las aguas de drenaje evaluadas en 2006 y en 2008. En el agua de drenaje
hay un fuerte predominio del Mg y del SO4. Los iones presentes en el agua de riego y de drenaje se presentan en la Tabla 5 (año 2006) y
Tabla 6 (año 2008). Para cada uno de los dos años los porcentajes fueron similares. Los cambios en la composición mineral respecto al
agua de riego fueron debidos a la naturaleza de los suelos de la zona, los cuales son ricos en sulfatos. Los iones más comunes presentes
en el agua de drenaje fuero el magnesio y el sulfato (45.3%), y el calcio y el sulfato (25.8 %) (Tablas 5 y 6). El agua de drenaje muestra
la siguiente secuencia de iones: Mg > Ca > Na > NO3 > K; SO4 > Cl > HCO3. El pH osciló entre 7.6 y 8.1, ligeramente inferior al pH
del agua de riego debido a un mayor contenido de iones. Las aguas de drenaje contenían concentraciones altas de nitratos. En promedio
(para las dos áreas y para los dos años) la cantidad de nitrógeno presente en las aguas de drenaje fue de 22.6 mg N-NO3·L-1, que se
puede considerar como una cantidad muy elevada. En varias ocasiones, la concentración total de fósforo en el agua de drenaje excedió
el nivel de los 25 mg P·L-1 (Estado Eutrófico, OECD, 1982). La presencia de P en el agua de drenaje fue consecuencia de las prácticas
agrícolas (aplicación al suelo de deyecciones ganaderas y fertilizantes minerales con P.
Tabla 3 | Parámetros químicos del agua del drenaje DAB1.
Año 2006
15/02/06
6/04/06
22/05/06
27/06/06
26/07/06
31/08/06
25/09/06
18/10/06
Año 2008
pH
7.9
8.1
7.9
7.8
8.1
7.8
7.9
7.8
pH
CE
4.66
4.66
5.39
5.86
5.29
5.20
5.70
5.42
CE
Ca
23.19
25.28
24.53
30.51
28.84
27.58
24.31
25.15
Ca
Mg
34.07
26.83
32.20
27.24
28.67
24.84
34.13
34.85
Mg
Na
12.05
10.98
16.69
24.09
19.51
17.69
19.00
18.27
Na
K
0.42
0.53
0.43
0.28
0.55
0.51
0.47
0.75
K
Cl
6.20
6.08
11.12
13.51
8.94
8.50
13.62
8.84
Cl
10/03/08
22/04/08
30/05/08
27/06/08
04/08/08
10/09/08
06/10/08
03/11/08
7.9
8.1
7.7
7.6
7.8
7.8
7.9
8.0
4.95
5.26
4.85
2.22
4.36
5.14
4.74
4.70
22.38
22.34
27.12
13.51
23.55
26.13
21.10
26.31
30.53
31.11
31.76
9.4
23.45
27.49
25.34
25.4
13.67
13.58
13.96
4.39
11.6
13.27
12.9
12.69
0.42
0.38
0.31
0.43
0.26
0.31
0.47
0.29
6.10
5.98
6.91
2.09
5.46
5.96
4.79
5.02
SO4
50.27
51.66
63.23
58.22
56.44
57.41
60.24
57.26
SO4
55.57
56.18
67.09
23.73
50.92
60.82
48.52
47.47
HCO3
5.90
6.10
6.10
5.40
5.80
6.00
6.20
6.00
HCO3
6.76
6.62
6.12
2.81
6.14
6.64
6.52
6.52
P
ip
8
53
11
17
11
14
54
P
17
27
15
49
24
11
11
17
NO3
1.64
1.67
1.54
1.02
1.38
1.40
1.49
1.35
NO3
1.57
1.52
1.95
0.64
2.00
1.89
1.78
2.12
B
0.669
0.722
0.773
0.656
0.867
0.825
0.853
0.859
B
Triazinas
0.18
0.23
0.36
< 0.10
0.28
0.23
0.14
<0.10
Triazinas
0.774
0.700
0.727
0.300
0.814
0.893
0.823
0.863
0.11
0.01
0.1
0.51
0.11
0.24
0.19
NA
La conductividad eléctrica se expresa en dS·m-1 a 25°C. Los cationes y aniones se expresen en mmolc·L-1, el B en mg·L-1 y el fósforo y las triazinas en µg·L-1;
ip: inapreciable.
1
247
Tabla 4 | Parámetros químicos del agua del drenaje DAB2.
Año 2006
15/02/06
6/04/06
22/05/06
27/06/06
26/07/06
31/08/06
25/09/06
18/10/06
Año 2008
10/03/08
22/04/08
30/05/08
27/06/08
04/08/08
10/09/08
06/10/08
03/11/08
pH
7.9
7.9
7.9
7.9
8.0
7.7
8.1
7.8
pH
7.7
8.1
7.9
7.9
7.8
7.8
7.9
8.0
CE
2.18
4.31
4.10
4.21
4.11
3.99
3.96
4.05
CE
2.85
4.57
4.40
3.95
3.80
4.15
3.96
3.93
Ca
13.29
22.51
23.17
25.20
26.43
24.50
25.10
24.92
Ca
16.37
22.60
26.79
18.59
24.41
23.65
21.38
26.38
Mg
7.88
19.84
21.36
19.35
19.09
16.00
19.79
19.72
Mg
13.05
21.35
22.59
17.71
22.54
17.76
22.07
16.78
Na
3.20
11.55
9.81
13.53
12.93
10.72
10.87
10.54
Na
7.5
12.86
13.96
12.7
12.85
11.11
11.44
9.68
K
Ip.
0.01
0.02
0.06
Ip.
0.01
0.02
0.06
K
0.03
0.04
0.02
0.04
0.03
0.02
0.02
0.04
Cl
2.34
6.00
5.97
5.47
5.21
4.69
4.92
4.90
Cl
3.06
5.13
6.05
4.98
6.12
5.40
4.81
4.51
SO4
14.53
42.22
45.94
42.90
42.26
39.73
41.76
40.63
SO4
27.11
43.87
48.79
37.40
44.70
44.64
45.57
35.89
HCO3
5.00
5.40
5.70
5.40
5.50
5.70
5.30
5.90
HCO3
4.56
5.99
5.52
5.28
5.80
5.65
5.71
6.00
P
ip.
10
48
12
9
8
13
67
P
8
60
15
23
17
15
17
25
NO3
1.90
1.58
1.71
1.65
1.59
1.60
1.52
1.52
NO3
0.84
1.48
1.66
1.52
2.12
2.11
1.76
2.17
B
0.434
0.67
0.661
0.426
0.760
0.660
0.630
0.665
B
0.373
0.582
0.629
0.685
0.695
0.678
0.634
0.642
Triazinas
0.27
<0.10
0.14
< 0.10
0.20
0.16
0.26
< 0.10
Triazinas
NA
0.2
0.2
0.56
0.24
0.32
0.3
NA
La conductividad eléctrica se expresa en dS·m-1 a 25°C. Los cationes y aniones se expresen en mmolc·L-1, el B en mg·L-1 y el fósforo y las triazinas en µg·L-1;
ip: inapreciable
1
La concentración de boro en el agua de drenaje fue siempre baja, por debajo de 1.0 mg B·L-1, pero ligeramente superior al
contenido de boro del agua de riego. El boro procede de los minerales del suelo. La presencia de Fe, Cu, Mn y Zn fue despreciable en
todas las muestras analizadas. En las dos líneas de drenaje se detectaron algunas triazinas (que se habían usado anteriormente como
herbicidas. Actualmente prohibidas en la UE). La atrazina (C8H14ClN5 (2 chloro-4-ethylamino-6-isopropylamino-1,3,5-triazine))
es un herbicida sistémico que pertenece a la familia de las triazinas y que se registró en el año 1958. Se aplica para el control de
malas hierbas de hoja ancha en cultivo de maíz. La fecha final para su uso en agricultura fue el 31 de diciembre de 2007 (Directiva
91/414/CE). Desde esta fecha, está prohibido en la UE porque es moderadamente soluble en agua y se ha encontrado en las aguas
subterráneas. Los niveles detectados son siempre por debajo de 1 mg·L-1, pero aun así se considera un valor ligeramente alto. Su
presencia en las aguas de drenaje fue, probablemente, como resultado del contenido residual en el suelo procedente de aplicaciones
anteriores a la época de realización de este estudio. La presencia de insecticidas organoclorados y organofosforados fue siempre
despreciable (inferior a 0.1 mg·L-1) y por debajo de la concentración máxima admisible (Directiva de la CE 89/778/EEC).
Tabla 5 | Asociación de iones presentes en agua de riego y en el agua de los drenajes en base a la concentración iónica presente (Comunidad de
Regantes Algerri-Balaguer, 2006).
Cloruro Sódico (NaCl)
Sulfato sódico (Na2SO4)
Sulfato Magnésico (MgSO4)
Sulfato cálcico (CaSO4)
Bicarbonato Cálcico (Ca(HCO3)2
DAB1
%
mmolcL-1
9.6
10.4
7.7
8.3
49.1
53.1
18.8
20.3
7.3
7.9
DAB2
mmolcL-1
%
4.9
7.4
5.4
8.2
33.3
49.8
15.4
23.0
7.7
1.6
Embalse Principal
mmolcL-1
%
0.48
9.5
0.19
3.7
1.45
29.2
0.92
18.4
2
39.2
Tabla 6 | Asociación de iones presentes en agua de riego y en el agua de los drenajes en base a la concentración iónica presente (Comunidad de
Regantes Algerri-Balaguer, 2008).
Cloruro Sódico (NaCl)
Sulfato sódico (Na2SO4)
Sulfato magnésico (MgSO4)
Sulfato cálcico (CaSO4)
Bicarbonato cálcico (Ca(HCO3)2
DAB1
%
mmolcL-1
5.29
8.8
6.72
11.1
25.56
42.3
19.0
31.5
3.79
6.3
DAB2
mmolcL-1
5.01
6.51
19.23
15.26
7.26
%
9.4
12.21
36.10
28.65
13.63
Embalse principal
mmolcL-1
%
0.46
11.8
0.13
3.4
0.61
15.7
0.59
15.2
2.09
53.8
El flujo o caudal de drenaje
El flujo de drenaje no fue constante y en general dependía del régimen de precipitaciones, de la cantidad de agua de riego
aplicada y de la conductividad hidráulica de los suelos. En el área de estudio no hay acuíferos por la baja conductividad hidráulica
y permeabilidad de las rocas geológicas (materiales subsurficiales). Como resultado, el agua se recoge fácilmente en la tubería
principal de drenaje. Los flujos diarios de drenaje medidos y los valores mensuales estimados se presentan en la Tabla 7.
En el año 2006, considerando la cantidad de agua aplicada (7591 m3·ha-1) y la cantidad de precipitación (1810 m3·ha-1), la
cantidad media total de agua disponible para los cultivos fue de 9401 m3·ha-1 (940 mm). El flujo total de drenaje en DAB1 se estimó
en 878702 m3 y representó un promedio de 1269 m3·ha-1 (878702 m3/692 ha). El flujo de drenaje representó un 13.49% del total
de agua disponible y un 16.7% del agua de riego aplicada (1269×100/7591). El flujo total de drenaje en DAB2 fue de 149756 m3,
el cual representó un promedio de 1360 m3·ha-1 (149756 m3/110 ha). El flujo de drenaje representa un 14.4 % del total de agua
disponible y un 17.9% del agua aplicada con el riego (1360×100/7591).
En el año 2008, considerando la cantidad de agua aplicada (5742 m3·ha-1) y la cantidad de precipitación (4032 m3·ha-1), la
cantidad media total de agua disponible para los cultivos fue de 9774 m3·ha-1 (977 mm). El flujo total de drenaje en DAB1 se estimó
en 578190 m3 y representó un promedio de 835 m3·ha-1 (578190 m3/692 ha). El flujo de drenaje representó un 8.54% del total de
agua disponible y un 14.54% del agua de riego aplicada (835/5742). El flujo total de drenaje en DAB2 fue de 44066 m3, el cual
representó un promedio de 400.6 m3·ha-1 (44066 m3/110 ha). El flujo de drenaje representa un 4.26% del total de agua disponible y
un 6.97% del agua aplicada con el riego (400.6/5742).
Tabla 7 | Caudal, sólidos disueltos totales (TDS) y nitrógeno de los drenajes DAB1 (692 ha) y DAB2 (110 ha).
Fechas de muestreo en 2006
15/02/2006
06/04/2006
Q DAB1
(L·s-1)
20.57
Q DAB1
(m3·día-1)
1,777
TDS
(g·L-1)
4.2
N-NO3
(mg·L-1)
22.96
Q DAB2
(L·s-1)
3.27
Q DAB2
(m3·día-1)
283
TDS
(g·L-1)
1.5
N-NO3
(mg·L-1)
26.60
15.10
1,305
4.2
23.38
2.40
207
3.5
22.12
22/05/2006
32.84
2,837
5.1
21.56
5.22
451
3.7
23.94
27/06/2006
60.60
5,236
5.1
14.28
9.64
833
3.6
23.10
26/07/2006
51.48
4,448
4.8
19.32
8.19
708
3.6
22.26
31/08/2006
31.69
2,738
4.7
19.60
5.04
436
3.4
22.40
25/09/2006
53.44
4,617
5.1
20.86
8.50
734
3.5
21.28
18/10/2006
51.91
4,485
4.8
18.90
8.26
714
3.5
21.27
Q DAB1
(L·s-1)
9.33
Q DAB1
(m3·día-1)
806
TDS
(g·L-1)
4.4
N-NO3
(mg·L-1)
21.98
Q DAB2
(L·s-1)
0.42
Q DAB2
(m3·día-1)
37
TDS
(g·L-1)
2.3
N-NO3
(mg·L-1)
11.76
22/04/2008
17.12
1479
4.5
21.28
1.01
87
3.7
20.72
30/05/2008
20.91
1806
5.1
27.30
0.68
59
4.0
23.24
Fechas de muestreo en 2008
10/03/2008
27/06/2008
25.08
2167
1.9
8.96
1.40
121
3.2
21.28
04/08/2008
13.71
1185
4.0
28.00
1.40
121
3.8
29.68
10/09/2008
39.86
3444
4.7
26.46
1.01
87
3.6
29.54
06/10/2008
34.56
2986
3.9
24.92
0.42
37
3.7
24.64
03/11/2008
57.96
5007
4.0
29.68
10.21
882
3.2
30.38
El balance de sales
La cantidad total de sales del drenaje DAB1 se estimó en 2335 toneladas entre marzo y octubre de 2008. El promedio
diario fue de 9.5 toneladas diarias (14 kg·ha-1·día-1). El área drenada por la red de drenaje fue de 692 ha y la cantidad promedia de
sales lavadas durante el periodo de riego fue de 3.37 t·ha-1. La cantidad total de sales del drenaje DAB2 se estimó en 147 toneladas
entre marzo y octubre de 2008. El promedio diario fue de 0.6 toneladas (5 kg·ha-1·día-1). El área drenada por la red de drenaje fue
249
de 110 ha y la cantidad promedia de sales lavadas durante el periodo de riego fue de 1.33 t·ha-1. Esto es consecuencia del menor
contenido de sales presentes en el suelo en este sector de la zona regable. Las sales que precipitarían en el suelo son principalmente
de sulfato de magnesio.
El contenido medio de sales en el agua de riego fue de 0.28 g·L-1 (282 mg·L-1). En 2008, la cantidad de agua de riego
aplicada fue de 5742 m3·ha-1, lo cual implica un aporte medio por hectárea de 1616 kg de sal (1.61 t·ha-1) entre el 10 de marzo y
el 3 de noviembre. En promedio, hubo un balance negativo en el área drenada por DAB1 y la cantidad neta de sales lavadas fue
negativa –1.76 t·ha-1 (1.61–3.37), es decir que hubo un lavado de sales del suelo, mientras que en el área drenada por DAB2, el
balance fue positivo y se estimó una acumulación de sales en el suelo de 0.28 t·ha-1 (1.61–1.33). Que se puede interpretar como una
cantidad muy baja.
Las cantidades de sodio exportadas en 2006 y 2008 desde las zonas drenadas por el drenaje DAB1 fueron 462 y 223
kg Na·ha-1 respectivamente, y las exportadas desde las zonas drenadas por el drenaje DAB2 fueron 228 y 100 kg Na·ha-1, en 2006
y 2008, respectivamente. Estas cantidades fueron mayores que las cantidades de sodio aportadas por el agua de riego (117 y 49 kg
Na·ha-1, respectivamente, en 2006 y 2008). Esta diferencia estaba relacionada con las cantidades de agua aplicadas en cada periodo
de estudio.
Balance de nitrógeno
La cantidad total de N que entró directamente al río Noguera Ribagorzana entre el 10 de marzo y el 3 de noviembre de 2008
desde la tubería de drenaje DAB1 fue de 14149 kg. Esto representa una promedio de 20.4 kg·ha-1. Esta cantidad puede considerarse
moderada y fue ligeramente inferior a la cantidad registrada en el año 2006 que fue de 24 kg·ha-1. La cantidad total de N que salió
por la tubería de drenaje DAB2 se estimó en 1209 kg, lo cual representa 11 kg·ha-1. En el conjunto del área la cantidad de N en forma
de fertilizante que los agricultores están aplicando está, en general, entre los 250 y los 300 kg N por ha para el cultivo de maíz y
entre 50 y 100 kg N por ha para los cultivos frutales. Por ello se estimaron unas pérdidas de N por lavado de entre el 5 y el 10% de
la cantidad total de N aplicada. La cantidad de nitrógeno presente en el agua de riego era muy baja (entre 0.28 y 0.42 mg N·L-1), lo
cual implica que de promedio cada año se aplicaron menos de 2 kg de N·ha-1 con el riego. Esto es mucho menos que la cantidad de N
que se suministra de forma natural desde la atmósfera con la precipitación (Emmerich, 1990; Durand et al., 1992; Polo et al., 1997).
DISCUSIÓN
El pH del agua se considera normal cuando se encuentra dentro del intervalo 6.5-8.4 (Ayers y Westcot, 1985). Todas las
muestras de agua analizadas tenían valores dentro de este intervalo. La conductividad eléctrica (CE) del agua del canal, siempre por
debajo de 0.7 dS·m-1, fue satisfactoria para el riego. La CE del agua de drenaje osciló entre 2.18 y 5.86 dS·m-1 a 25°C. Los sólidos
disueltos totales (TSD) en al agua de drenaje mostraron una escasa variabilidad durante el periodo de muestreo (El promedio en el
año 2006 fue de 4.75 g·L-1, con un coeficiente de variación del 7.8%; El promedio en el año 2008, 4.06 g·L-1, con un coeficiente de
variación del 23.7%). Estos resultados refuerzan que la metodología asumida respecto a la frecuencia de muestreo fue adecuada.
El agua de riego era rica en bicarbonato cálcico que va a precipitar en el suelo como calcita (CaCO3). El agua de drenaje
se clasificó como salina, a pesar de que el sulfato y el cálcico presentes, que precipitarán en el suelo como yeso, representan un
porcentaje importante de los iones presentes. Los iones predominantes en el agua de drenaje fueron el magnesio y el sulfato, que
representaban una concentración iónica de aproximadamente el 50%. Parece evidente que, en parte, la calidad del agua de drenaje
dependa del ambiente hidrogeoquímico por donde ha circulado (Grismer, 1993). En todos los casos la concentración de boro
(B) fue inferior a 1 mg·L-1. El agua se considera excelente si el contenido en boro es inferior a 0.33 mg·L-1 (Leeden et al, 1990;
Rowe y Abdel-Magid, 1995). Los contenidos de hierro, cobre, manganeso y zinc fueron extremadamente bajos. Por ejemplo, los
contenidos de cobre fueron siempre inferiores a los 2 mg·L-1.
Como ya se ha comentado la medida se realizó a la salida de las tuberías de drenaje hacia un desagüe abierto. La medida
de caudales en canales de desagüe abiertos constituye un caso especial. El caudal de drenaje es difícil cuantificar en drenajes
abiertos en los cuales crecen plantas como el Phragmites australis (Cav.) Trin. ex Steud. En general, estas redes de drenaje no
reciben demasiado mantenimiento y algunos de sus problemas se asocian con eventos de lluvia intensos. Existe una necesidad de
mejorar el mantenimiento de estos sistemas de drenaje abiertos. Desde el punto de vista medioambiental, el impacto del regadío
es un problema que hay que considerar, evaluar y monitorizar en el tiempo para minimizar los posibles impactos negativos (IEEE,
2000) y para facilitar las respuestas de tipo normativo (Parris, 2011). Las pérdidas ambientales de N y de P están asociadas con las
prácticas agrícolas y afectan a la calidad tanto de las aguas superficiales como de las subterráneas.
La fracción de lavado se ha estimado entre un 6.97% y un 17.9% del agua disponible total (riego más lluvia). Esta
aproximación proporciona una estimación realista de la cantidad de agua que va a eliminar sales del suelo y otros elementos (como
el boro) de la zona radicular. El riesgo asociado con la calidad del agua del río es posiblemente menos grave que los beneficios
que produce el lavado de sales de los suelos. Sin embargo, esta controvertida cuestión necesita un análisis adicional y en mayor
profundidad. El agua de drenaje queda fuertemente diluida por las aguas del río, aunque también es necesario monitorizar su calidad
y definir estrategias de gestión del agua de drenaje. Siempre existe la capacidad de optimizar el riego y reducir un poco la fracción
de lavado, para disminuir el transporte de productos químicos a las aguas de drenaje que potencialmente pueden afectar a la calidad
del río (Letey et al., 2011).
Se desarrollaron ecuaciones de regresión entre la CE y algunos parámetros del agua de drenaje (Calcio más Magnesio,
Cloruro más Sulfato, Sodio, la suma de todos los iones, y el caudal de drenaje). La Tabla 8 muestra algunas de estas regresiones
lineales. Estas relaciones entre la CE y las concentraciones de iones, permite que simples medidas de la CE puedan substituir al
muestro y al análisis de aguas que siempre resultan con un coste y consumo de tiempo elevados (Gali et al., 2012). Actualmente se
dispone de sensores de medida continua de la conductividad eléctrica del agua en condiciones de campo. Medidas in situ llevadas
a cabo a la salida de las tuberías de drenaje utilizando este tipo de sensores va a permitir tener un registro continuo de la CE del
agua de drenaje. Trabajos previos llevados a cabo en otras comunidades de regantes (datos no mostrados) sugieren que su uso,
que todavía no está extendido, va a permitir, de un lado, tener registros continuos de la CE y por otro lado, va a permitir estimar
la cantidad y tipo de sales, si se utilizan modelos como los propuestos en este trabajo. Existen otros sistemas que permiten las
determinaciones simultáneas e in situ de los aniones y cationes en las aguas de drenaje (Kubáň et al., 2004).
Se propone que a la salida de cada una de estas dos tuberías de drenaje se instale un único datalogger y un sensor, de elevada
fiabilidad y bajo mantenimiento y que actualmente suministran distintas compañías.
Tabla 8 | Relaciones entre la conductividad eléctrica (CE) con algunos parámetros del agua de drenaje.
Parámetro
Modelo
R2
Prob > F
n
Y= [Ca]+[Mg]
Y= 0.708+10.493CE
0.884
<0.0001
32
Y= [Cl]+[SO4 ]
Y= –12.088+14.820CE
0.898
<0.0001
32
Y= [Na]
Y= –5.934+4.254CE
0.811
<0.0001
32
Y= [todos los iones ]
Y= –14.634+30.317CE
0.937
<0.0001
32
Y= Flujo de drenaje
Y= –105.378+26.883CE
0.766
<0.0001
28
En promedio, la presencia de iones que proporcionan sales altamente solubles, como el sulfato sódico, es mayor en el
lixiviado que en el agua de riego. La mayoría de sales de baja solubilidad precipitarán como carbonato de calcio y de magnesio.
Desde este punto de vista, la sostenibilidad de los suelos regados está asegurada mientras que la concentración de sales en el río
Noguera Ribagorzana solo aumenta muy ligeramente. Para permitir la comparación con el trabajo realizado por Causapé (2009),
también se han expresado los resultados en kg·ha-1·día-1. Las cantidades de sales exportadas fueron de 14 kg·ha-1·día-1 en el drenaje
DAB1 y de 5 kg·ha-1·día-1 en el drenaje DAB2; estos valores fueron similares al valor de 15 kg·ha-1·día-1 (Causapé, 2009b), donde
un 34% de las sales provenían del agua de riego. En el presente estudio, la contribución del agua de riego a la salinidad del agua de
drenaje fue del 48% (1.61/3.37). El resto provenía de los minerales y rocas del suelo. La presencia de elevadas concentraciones de
magnesio en el agua de drenaje es típico de ambientes evaporíticos ricos en yeso (Rodríguez et al., 2012).
La cantidad de nitratos exportados fue de 84 g NO3-N·ha-1·día-1 para el drenaje DAB1 y de 46 g NO3-N·ha-1·día-1 para el
drenaje DAB2. Estas cantidades fueron muy similares a las descritas por otros autores como Causapé (2009b).
251
Para mejorar las estrategias de gestión de las explotaciones agrícolas, especialmente en el caso de los fertilizantes, se hace
necesario implementar un programa racional de uso de nutrientes, tal como han propuesto Rice et al. (1995). La realización de
análisis de suelos para conocer las cantidades disponibles de nutrientes, y planificar la fertilización con un objetivo de producción
razonable, permitirían mejorar la recomendaciones de fertilizantes a nivel de explotación.
CONCLUSIONES
En conclusión se puede afirmar que la calidad del agua disponible para el riego es de excelente calidad, siendo la concentración
de sólidos disueltos totales muy baja. El agua de drenaje no era adecuada para ser reutilizada debido a su moderada concentración de
TDS, pero no debería considerarse desfavorable para el medio ambiente ya que los caudales de drenaje son pequeños comparados
con el caudal del río. Los principales iones presentes en las aguas de drenaje son el calcio, los sulfatos y el magnesio. El balance
de sales mostró un lavado neto de sales del suelo en un sistema de drenaje y una ligera acumulación de sales en el suelo en el otro.
Respecto al sodio, se observó una exportación neta desde el área regada en los dos años de estudio. Esta investigación muestra que
la cantidad de N lavado y exportado desde los suelos regados provoca una contaminación moderada; representando menos del 10%
de la cantidad de N aplicada. La fracción de lavado fue inferior al 18%. El P estaba presente tanto en al agua de riego como en las
aguas de drenaje. El agua del río puede enriquecerse con nutrientes debido al nivel de P y a la cantidad de nitratos presentes en
las aguas de drenaje. A pesar de que se requiere un cierto nivel de drenaje (lo que se define como necesidades de lavado), hay un
cierto margen para mejorar las prácticas de fertilización de los cultivos. La información obtenida en este estudio fue muy útil para
la Comunidad de Regantes y debería considerarse como una fuente de información que retroalimenta la toma de decisiones para
una mejor gestión de los cultivos. En un futuro deberían implementarse estudios dirigidos a evaluar el efecto de la mejora de las
prácticas agrícolas en el río que recibe las aguas de los drenajes.
AGRADECIMIENTOS
Los autores quieren agradecer al Sr. Antonio Enjuanes y al Sr. Joan Anglès (Departament d’Agricultura, Ramaderia, Pesca i
Alimentació), al Sr. Francesc Mirada, presidente de la comunidad de regantes (en el momento de realizarse el trabajo de campo), al
Sr. Antoni Costa presidente del sindicato de regantes de la Comunidad de Regantes, al Sr. Ramón Codina, técnico de la Comunidad
de Regantes, y también a los estudiantes de la Universidad de Lleida que contribuyeron al primer año del proyecto (Sr. Xavier
Farré y Sr. Albert Casals). Este trabajo ha sido financiado por el convenio de colaboración entre el Departament d’Agricultura,
Ramaderia, Pesca i Alimentació de la Generalitat de Catalunya y la Universidad de Lleida (contratos C06027 y C08025).
REFERENCIAS
Abrahao, R., Causapé, J., García-Garizábal, I., Merchán, D. (2011). Implementing irrigation: Salt and nitrate exported from the
Lerma basin (Spain). Agricultural Water Management, 102(1), 105-112. doi:10.1016/j.agwat.2011.10.011
Agència Catalana de l’Aigua. (2008). Water in Catalonia: diagnosis and proposed actions. Catalan Water Agency, Generalitat de
Catalunya.
Ascaso, E., Boixadera, J., Olarieta, J.R. (1991). Detailed Soil Survey Map of Catalonia of the irrigated area by Algerri-Balaguer
Canal (La Noguera) (1:25000). Departament d’Agricultura, Alimentació i Acció Rural. Generalitat de Catalunya.
Ayers, R.S., Westcot, D.W. (1985). Water quality for agriculture. FAO Irrig. Drain. Pap. 29 rev. 1; Food and Agricultura Organization
of the United Nations, Rome.
Barros, R., Isidoro, D., Aragüés, R. (2011). Long-term water balances in La Violada Irrigation District (Spain): II. Analysis of
irrigation performance. Agricultural Water Management, 98(10), 1569-1576.
California Department of Transportation (2011). Highway design manual. Chapter 850 Physical Standards. Disponible en
http://www.dot.ca.gov/hq/oppd/hdm/pdf/english/chp0850.pdf (12 febrero 2014)
Causapé, J. (2009a). Agro-environmental evaluation of irrigation land. I. Water use in Bardenas Irrigation District (Spain).
Agricultural Water Management, 96(2), 179-187. doi:10.1016/j.agwat.2008.08.004
Causapé, J. (2009b). Agro-environmental evaluation of irrigation land. II. Pollution induced by Bardenas Irrigation District (Spain).
Agricultural Water Management, 96(2), 188-194.
Directive 2000/60/EC of the European parliament and of the council of 23 October 2000 establishing a framework for Community
action in the field of water policy. Official Journal of the European Communities L 327/1.
Dougherty, T.C., Hall, A.W., Wallingford, H.R. (1995). Environmental impact assessment of irrigation and drainage projects.
Irrigation and drainage paper 53, Food and Agriculture Organization of the United Nations, Rome.
Durand, P., Neal, C., Lelong, F. (1992). Anthropogenic and natural contributions to the rainfall chemistry of a mountainous area in
the Cevennes National Park (Mont-Lozere, southern France) Journal of Hydrology, 130, 71-85. doi:10.1016/0022-1694(92)90104-4
EC Directive Relating to the Quality of Water Intended for Human Consumption 1982, 80/778/EEC, Office for Official Publications
of the European Communities, 2 rue Mercier, L-2985 Luxembourg.
Emmerich, W.E. (1990). Precipitation nutrient inputs in semiarid environments. Journal of Environmental Quality, 19(3), 621-624.
doi:10.2134/jeq1990.00472425001900030044x
European Commission. (2005). Soil Atlas of Europe. European Soil Bureau Network. 128 pp.
Fernández-Cirelli, A., Arumí, J.L., Rivera, D., Boochs, P.W. (2009). Environmental effects of irrigation in arid and semi-arid
regions. Review. Chilean Journal of Agricultural Research, 69(supl. 1), 27-40.
Gali, R.K., Soupi, M.L., Helmers, M.J. (2012). Electrical conductivity as a tool to estimate chemical properties of drainage water
quality in the Des Moines Lobe, Iowa. Paper number 12-1338083. ASABAE conference Presentation. ASABAE Annual Int. Meeting,
Dallas, Texas.
Grattan, S.R. (2002). Irrigation water salinity and crop production. Water quality fact sheet. Division of Agriculture and Natural
Resources. Pub. 8066. University of California.
Grismer, M.E. (1993). Subsurface drainage system design and drain water quality. Journal of Irrigation and Drainage Engineering
119(3), 537-545. doi:10.1061/(ASCE)0733-9437(1993)119:3(537)
Institute for European Environmental Policy (IEEE). (2000). The environmental impacts of irrigation in the European Union. A
report to the Environment Directorate of the European Commission. Disponible en http://ec.europa.eu/environment/agriculture/
pdf/irrigation.pdf (15 febrero2012)
Instituto Nacional de Estadística. (2008). Water Statistics and Indicators. Boletín informativo del INE, Madrid.
Isidoro, D., Quílez, D., Aragüés, R. (2004). Water balance and irrigation performance analysis: La Violada irrigation district (Spain)
as a case study. Agricultural Water Management, 64(2), 123-142. doi:10.1016/S0378-3774(03)00196-3
Isla, R., Aragüés, R., Royo, A. (2003). Spatial variability of salt-affected soils in the middle Ebro Valley (Spain) and implications in
plant breeding for increase productivity. Euphytica, 134(3), 325-334. doi:10.1023/B:EUPH.0000004988.25257.91
Kubáň, P., Reinhardt, M., Müller, B., Hauser. P. (2004). On-site simultaneous determination of anions and cations in drainage
water using a flow injection-capillary electrophoresis system with contactless conductivity detection. Journal of Environmental
Monitoring, 6, 169-174. doi:10.1039/b316422e
Lecina, S., Playán, E., Isidoro, D., Dechmim, F., Cuasapé, J., Faci, J.M. (2005). Irrigation evaluation and simulation at the irrigation
district V of Bardenas (Spain). Agricultural Water Management, 73(3), 223-245. doi:10.1016/j.agwat.2004.10.007
Leeden, van der F., Troise, F.L., Todd, D.K. (1990). The water encyclopaedia. Second Ed. Lewis Publishers, Inc., Chelsea, MI.
253
Letey, J., Hoffman, G.F., Hopmans, J.W., Grattan, S.R., Suarez, D., Corwin, D.L., Oster, J.D., Wu, L., Amrhein, C. (2011). Evaluation
of soil leaching requirement guidelines. Review. Agricultural Water Management, 98(4), 502-506. doi:10.1016/j.agwat.2010.08.009
Litskas, V., Aschonitis, V.G., Antonopoulos, V.Z. (2010). Water quality in irrigation and drainage networks of Thessalonoki plain in
Greece related to land use, water management, and agroecosystem production. Environmental Monitoring and Assessment, 163(1),
347-359. doi:10.1007/s10661-009-0839-3
Lucha, P., Gutiérrez, F., Galve, J.P., Guerrero, J. (2012). Geomorphic and stratigraphic evidence of incision-induced halokinetic
uplift and dissolution subsidence in transverse drainages crossing the evaporite-cored Barbastro–Balaguer Anticline (Ebro Basin,
NE Spain). Geomorphology, 171-172, 154-172. doi:10.1016/j.geomorph.2012.05.015
Organization for Economic and Co-operative Development (OECD). (1982). Eutrophication of Waters: Monitoring, assessment
and control. Paris, France.
Parris, K. (2011). Impact of agriculture on water pollution in OECD countries: recent trends and futures prospects. International
Journal of Water Resources Development 27(1), 33-52. doi:10.1080/07900627.2010.531898
Polo, M.J., Ordoñez, R., Giráldez, J.V., González, P. (1997). Aporte de nitrógeno efectuado por el agua de lluvia en el área de
Córdoba. XV Congreso Nacional de Riegos. Lleida, Spain, Ed. Generalitat de Catalunya, 94-101.
Rice, Ch.W., Havlin, J.L., Schepers, J.S. (1995). Rational nitrogen fertilization in intensive cropping systems. Fertilizer
Research, 42(1-3): 89-97. doi:10.1007/BF00750502
Rodríguez-Ochoa, R., Olarieta, J.R., Castañeda, C. (2012). Micromorphology of salt accumulations in soils of north Monegros,
Spain: Optical microscopy and SEM. R.M. Poch, M. Casamitjana, M.L. Francis (Eds). Proceedings of the 14th Int. Working
Meeting on Soil Micromorphology, University of Lleida, Lleida, Spain, 31-35.
Rowe, D., Abdel-Magid, I. (1995). Handbook of wastewater reclamation and reuse. Lewis Publishers, Boca Raton, FL.
Stockle, C.O. (2001). Environmental impact of irrigation: a review. Disponible en http://www.swwrc.wsu.edu/newsletter/fall2001/
irrimpact2.pdf (12 de enero de 2012).
Verwey, P.M.J., Vermeulen, P.D. (2011). Influence of irrigation on the level, salinity and flow of groundwater at Vaalharts Irrigation
scheme. Water SA, 37(2), 155-164. doi:10.4314/wsa.v37i2.65861
Wriedt, G., Van der Velde, M., Aloe, A., Bouraoui, F. (2009). Estimating irrigation water requirements in Europe. Journal of
Hydrology, 373(3-4), 527-544. doi:10.1016/j.jhydrol.2009.05.018
Vol.19
No.4
2015
Vol. 19 | No. 4 | 2015
CONTENIDOS
193
211
Previsão de secas na primavera em Portugal Continental com base em indicadores climáticos
de larga escala
229
Un sistema de detección de peces para escala de hendidura vertical utilizando tecnología
láser y técnicas de
visión artificial
241
Revista

Revista INGENIERÍA del AGUA | VOL. 19 | No. 4 | 2015

Transcrição

Documentos relacionados

Tarjetón proyecto

Esquentador 12L Troia_sem precos.FH11

Grelha Automática

Eugénio de Andrade

Carlos Alberto Rechelo Neto – Director de Gestión de Riesgos

SUMARIO

Tamiz autolimpiante Quilton

História dos índios na América_Manha_elisa

introducción a ficción sexual o guion para fox–trot

Seminário "Sustentabilidade,Banco Central e Sistema