Mariana Dias Villas Boas
Título
FERRAMENTAS PARA AVALIAÇÃO DA REDE DE MONITORAMENTO DE QUALIDADE DE ÁGUA DA BACIA DO RIO PIABANHA – RJ COM BASE EM REDES NEURAIS E MODELAGEM HIDROLÓGICA
Orientador(es)
José Paulo Soares de Azevedo
Francisco Olivera
Resumo
O monitoramento da qualidade da água é uma questão complexa que requer ferramentas de suporte para fornecer informações sobre gerenciamento de recursos hídricos. As restrições orçamentais, bem como um projeto de rede inadequado, exigem o desenvolvimento de ferramentas de avaliação para fornecer um monitoramento eficiente. Assim, são proposstas e aplicadas duas ferramentas para a avaliação da Rede de Monitoramento de Qualidadade da Água da Bacia do rio Piabanha (RMQAP). A primeira envolve a Análise de Componentes Principais não linear (ACPNL) com base em uma rede neural autoassociativa para avaliar a redundância dos parâmetros e estações de monitoramento da RMQAP. A Análise de Componentes Principais (PCA) é amplamente utilizada para este propósito, entretanto, não captura as não-linearidades características dos dados de qualidade da água, enquanto as redes neurais podem representar essas relaçõeses. A partir dos resultados da NLPCA, o parâmetro mais relevante é Coliformes Fecais e o menos relevante é a Demanda Química de Oxigênio. Em relação às estações de monitoramento, a mais relevante é Rocio e a menos relevante é Esperança. A segunda ferramenta tem como objetivo a avaliação das estações da RMQAP tendo em vista o impacto dos dados observados na calibração do modelo hidrológico SWAT. Para mensurar esse impacto foi desenvolvido o índice I RMQAP com base no ajuste do modelo hidrológico e de redes neurais para a simulação do parâmetro nitrato em função da vazão em cada estação. Os resultados mostraram que a estação mais impactante é Pedro do Rio e a menos impactante é Poço Tarzan.
Abstract
Water quality monitoring is a complex issue that requires support tools in order to provide information for water resource management. Budget constraints as well as an inadequate water quality network design call for the development of evaluation tools to provide efficient water quality monitoring. For this purpose, a nonlinear principal component analysis (NLPCA) based on an autoassociative neural network was performed to assess the redundancy of the parameters and monitoring locations of the water quality network in the Piabanha River watershed. Principal Component Analysis (PCA) is widely used for this purpose. However, conventional PCA is not able to capture the nonlinearities of water quality data, while neural networks can represent those nonlinear relationships. From the results of NLPCA, the most relevant water quality parameter is Fecal Coliforms and the least relevant is Chemical Oxygen Demand. Regarding the monitoring locations, the most relevant is Rocio e the least relevant is Esperança. The second methodology aims to evaluate the RMQAP stations in view of observed data impact on the SWAT model calibration. To measure this impact, I RMQAP index was developed based on the adjustment of the hydrological model and neural networks for the simulation of the nitrate parameter as a function of the flow rate. The results showed that the most impressive station is Pedro do Rio and the less impressive is Poço Tarzan.
