Edson de Oliveira (2021)
EDSON DE OLIVEIRA (2021).pdf
Documento PDF (2.9MB)
Documento PDF (2.9MB)
UNIVERSIDADE FEDERAL DE ALAGOAS – UFAL
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS – ICAT
PROGRAMA DE PÓS-GRADUAÇÃO EM METEOROLOGIA – PPGMET
EDSON DE OLIVEIRA SOUZA
Dissertação
ESTIMATIVA E ESPACIALIZAÇÃO DA EROSIVIDADE NO ESTADO DE
ALAGOAS
Maceió – AL
2021
EDSON DE OLIVEIRA SOUZA
ESTIMATIVA E ESPACIALIZAÇÃO DA EROSIVIDADE NO ESTADO DE
ALAGOAS
Dissertação de Mestrado apresentada ao Programa de
Pós-Graduação em Meteorologia do Instituto de
Ciências Atmosféricas da Universidade Federal de
Alagoas, como requisito parcial para obtenção do
Título de Mestre em Meteorologia, área de
concentração Processos de Superfície Terrestre.
Orientador: Prof. Dr. José Francisco de Oliveira Júnior
Coorientadora: Dra. Micejane da Silva Costa
Maceió – AL
2021
Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecário: Marcelino de Carvalho Freitas Neto – CRB-4 – 1767
S729e
Souza, Edson de Oliveira.
Estimativa e espacialização da erosividade no estado de Alagoas / Edson de
Oliveira Souza. – 2021.
110 f. : il.
Orientador: José Francisco de Oliveira Júnior.
Co-orientadora: Micejane da Silva Costa.
Dissertação (Mestrado em Meteorologia) – Universidade Federal de Alagoas.
Instituto de Ciências Atmosféricas. Maceió, 2021.
Bibliografia: f. 79-89.
Apêndice: f. 90-110.
1. Erosão - Chuvas - Alagoas. 2. Espaços de interpolação. 3. Chuvas - Frequência da
intensidade - Vulnerabilidade. I. Título.
CDU: 551.435.1(813.5)
UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
COORDENAÇÃO DE PÓS-GRADUAÇÃO
PÓS GRADUAÇÃO EM METEOROLOGIA
CERTIFICADO DE APRESENTAÇÃO
N.º de ordem: MET
MET-UFAL-MS-177.
“ESTIMATIVA
ESTIMATIVA E ESPACIALIZAÇÃO
ESPACIA
DA EROSIVIDADE
DE NO ESTADO DE
ALAGOAS.”
EDSON DE OLIVEIRA SOUZA
Dissertação submetida ao colegiado do Curso de
Pós-Graduação
Graduação em Meteorologia da Universidade
Federal de Alagoas – UFAL, como parte dos
requisitos necessários à obtenção ddo grau de
Mestre em Meteorologia.
Aprovado pela Banca Examinadora composta por:
_________________________________________
_____________________
Prof. Dr. José Francisco de Oliveira Júnior
(Orientador)
_________________________________________
Prof. Dr. Roberto Fernando da Fonseca Lyra
(Membro Interno)
_________________________________________
Profa. Dra. Micejane da Silva Costa
(Membro Externo-UFRN)
_________________________________________
Profa. Dra. Josicléa Pereira Rogério
(Membro Externo-UFRJ)
Abril/2021
Dedico a Deus e a minha família, por todo amor, apoio e compreensão.
AGRADECIMENTOS
Primeiramente agradeço a Deus todos os dias por me conceder este privilégio de poder
acordar e ter saúde para correr atrás dos meus sonhos, e nunca me desamparar. E por ter colocado
em minha vida pessoas que direta ou indiretamente, contribuíram para a conclusão deste trabalho.
À minha família que me deu o suporte necessário e sempre esteve ao meu lado, para que
eu pudesse focar nos estudos e não desanimar nos mais momentos difíceis. Em especial à minha
esposa (Priscilla), que em muitas noites ficou sem minha companhia para que eu virasse a
madrugada fazendo o trabalho. Aos meus filhos (Cauã e Ian), que mesmo sendo tão pequenos
entendiam que o papai precisava terminar os trabalhos e por isso não podia brincar naquela hora.
Aos meus pais (Edson e Claudinete) que sempre me deram amor e as condições necessárias para
que eu pudesse estudar ao longo de toda minha vida sem cobrar nada em troca. À minha irmã
(Emanuelle) hoje doutoranda em educação, a qual me serviu de referência para tocar o barco
adiante. Ao meu tio Clênio docente do ICAT, que me incentivou a não desistir do mestrado.
Ao meu orientador Professor Doutor José Francisco de Oliveira Júnior e coorientadora
Doutora Micejane da Silva Costa, pelo acolhimento, paciência, disponibilidade, orientação, apoio
e principalmente, por não terem permitido que eu desistisse do curso. Obrigado de coração, serei
eternamente grato por tudo que fizeram e por terem acreditado em mim, que Deus os ilumine, os
guarde e os dê muita sabedoria ao longo de vossas vidas.
Aos meus colegas de mestrado, que em muitas vezes me ajudaram com as disciplinas
tirando dúvidas, me passando os assuntos por não poder ir a algumas aulas devido ao emprego.
Em especial, Taywanne, Marcelo, Eridiane, Douglas, Jéssyca, Luma, Glauber e Kécia.
A todos que fazem parte do PPGMET por terem contribuído de alguma forma com meu
aprendizado. Ao coordenador do PPGMET Professor Doutor Fabricio Santos, ao Rafael
(secretário PPGMET) que sempre foram solícitos e me atenderam sempre com muita boa
vontade, educação e eficiência.
À Universidade Federal de Alagoas, em especial ao ICAT por ter me proporcionado a
possibilidade de realizar o mestrado.
RESUMO
A escassez de dados pluviográficos no estado de Alagoas, similar em muitas regiões do país, faz
com que se utilizem as equações de regressão obtidas em outras regiões do Brasil para calcular o
fator R da Equação Universal de Perda de Solo (USLE), esta que prediz a perda anual do solo de
determinada área. Até o presente momento, Alagoas não possui um estudo sobre a erosividade da
chuva. Portanto, o estudo tem por objetivos: i) definir uma equação para estimar a erosividade
das chuvas baseado no índice EI 30 e o coeficiente de chuva ( Rc ), em que E é a energia cinética
total da chuva e I30 é a intensidade máxima da chuva em 30 minutos, e ii) caracterizar e
espacializar a erosividade no estado de Alagoas com base em dados pluviométricos históricos.
Foram utilizados dados pluviométricos de 54 estações, no período de 56 anos (1960 – 2016), na
estimativa da erosividade, sendo preenchidas as falhas via método de imputação (pacote mtdsi)
no ambiente R. A equação utilizada, apresentou consistência e correlação significativa entre os
dados observados e os estimados, com base nos coeficientes de determinação R2 (86%) e
correlação de Pearson r (93%) e a menor Raiz Quadrada do Erro-Médio - RMSE (775,2
MJ.mm.ha-1.h-1), que por sua vez indicaram a Krigagem Ordinária (KO) como melhor
interpolador espacial. Com base na análise de agrupamento (AA) foram identificados três grupos
homogêneos pela similaridade intragrupo (G1, G2 e G3) de erosividade no Estado, sendo o
método Complete definido como o melhor a partir do Coeficiente de Correlação Cofenética
(CCC) > 0,7. O grupo G1 é o menor grupo formado, localizado no Leste Alagoano. Os grupos G2
e G3 são os maiores em extensão e se localizam nas mesorregiões climáticas do Agreste e Sertão.
A isoerosividade mensal mostrou que os maiores índices de EI 30 ocorreram entre abril e julho,
com variações entre 325,4 e 2.215,9 MJ.mm.ha-1.h-1. Na erosividade anual, as localidades com
maior erosividade foram no Leste Alagoano, próximas ao litoral. Destaque para as estações
Satuba (11.469,8 MJ.mm.ha-1.h-1.ano-1), Maceió (9.945,4 MJ.mm.ha-1.h-1.ano-1), São Luiz do
Quitunde (9.806,2 MJ.mm.ha-1.h-1.ano-1) e Flexeiras (9.723,6 MJ.mm.ha-1.h-1.ano-1), sendo
categorizadas entre moderada e forte. Portanto, a equação de erosividade pode ser utilizada para
estimativa do fator R da USLE no estado de Alagoas. Em relação à utilização dos produtos de
precipitação CHIRPS e CHELSA para a estimativa de erosividade, ambos mostraram ser uma
alternativa com base nos dados estatísticos encontrados. No que tange as tendências de chuva e
erosividade, a primeira mostrou uma tendência de crescimento na região central do Estado
principalmente na mesorregião Sertão Alagoano, enquanto que a tendência de erosividade
apresentou um crescimento maior próximo ao litoral na mesorregião Leste Alagoano. Os
resultados obtidos neste estudo dão suporte para um planejamento de práticas conservacionistas,
principalmente em áreas de vulnerabilidade em Alagoas.
Palavras-Chaves: erosividade das chuvas; interpolação espacial; vulnerabilidade regional;
identificação de zonas isoerosivas.
ABSTRACT
The lack of rainfall data in the state of Alagoas, similar in many regions of the country, makes
use of the regression equations obtained in other regions of Brazil to calculate the R factor of the
Universal Soil Loss Equation (USLE), which predicts the annual loss of soil in a given area. To
date, Alagoas does not have a study on rain erosivity. Therefore, the study aims to: i) define an
equation to estimate rainfall erosivity based on the index EI 30 and the rain coefficient ( Rc ),
where E is the total kinetic energy of the rain and I30 is the maximum intensity of the rain in 30
minutes, and ii) characterize and spatialize erosivity in the state of Alagoas based on historical
rainfall data. Rainfall data from 54 stations, over a 56-year period (1960 - 2016), were used to
estimate erosivity, filling in the gaps via the imputation method (mtdsi package) in the R
environment. The equation used showed consistency and significant correlation between the
observed and estimated data, based on the coefficients of determination R2 (86%) and Pearson's
correlation r (93%) and the lowest Square Root of the Mean Error - RMSE (775.2 MJ.mm.ha-1. h1
), which in turn indicated Ordinary Kriging (KO) as the best spatial interpolator. Based on the
cluster analysis (AA), three homogeneous groups were identified due to intra-group similarity
(G1, G2 and G3) of erosivity in the State, with the Complete method defined as the best from the
Cophenetic Correlation Coefficient (CCC)> 0, 7. The G1 group is the smallest group formed,
located in Eastern Alagoas. Groups G2 and G3 are the largest in extension and are located in the
climatic mesoregions of Agreste and Sertão. The monthly isoerosivity showed that the highest
rates occurred between April and July, with variations between 325.4 and 2.215.9 MJ.mm.ha-1.h1
. In annual erosivity, the most erosive locations were in Eastern Alagoas, close to the coast.
Highlight for the stations Satuba (11,469.8 MJ.mm.ha-1.h-1.year-1), Maceió (9,945.4 MJ.mm.ha1
.h-1.year-1), São Luiz Quitunde (9,806.2 MJ.mm.ha-1.h-1.year-1) and Flexeiras (9,723.6
MJ.mm.ha-1.h-1.year-1), being categorized between moderate and strong. Therefore, the erosivity
equation can be used to estimate the USLE R factor in the state of Alagoas. Regarding the use of
precipitation products CHIRPS and CHELSA to estimate erosivity, both proved to be an
alternative based on the statistical data found. Regarding the trends of rain and erosivity, the first
showed a growth trend in the central region of the State, mainly in the Sertão Alagoano
mesoregion, while the erosivity trend showed a greater growth close to the coast in the eastern
Alagoan mesoregion. The results obtained in this study support the planning of conservationist
practices, especially in vulnerable areas in Alagoas.
Key-words: rainfall erosivity; spatial interpolation; regional vulnerability; identification of
isoerosive zones.
LISTA DE FIGURAS
Figura 1 -
Localização das 54 estações pluviométricas no estado de Alagoas na
31
região Nordeste do Brasil juntamente com sua altitude (m) via modelo
digital de elevação (MDE – SRTM 30 m).
Figura
2 -
Mesorregiões climáticas do estado de Alagoas - o Leste, o Agreste e o
33
Sertão Alagoano.
Figura 3 -
Diagrama de dispersão (1:1) entre a Chuva Observada e a Chuva
48
Imputada (mm) em (a) Água Branca - (Sertão), (b) Quebrangulo –
(Agreste) e (c) Rio Largo (Leste Alagoano).
Figura 4 -
Diagrama de dispersão (1:1) do desempenho dos métodos de Krigagem
52
Ordinária, Simples e Universal entre Observado e Imputado, seguidos dos
parâmetros estatísticos: coeficientes R2 e r, dos índices d e IC, dos valores
de EPE e RMSE (MJ.mm.ha-1.h-1.ano-1).
Figura 5 -
Dendrograma dos três grupos homogêneos (G1, G2 e G3) da erosividade
53
das chuvas do estado de Alagoas.
Figura 6 -
Distribuição espacial dos grupos homogêneos (G1, G2 e G3) quanto à
54
erosividade nas mesorregiões climáticas do estado de Alagoas.
Figura 7 -
Distribuição pluviométrica anual (mm) do estado de Alagoas.
56
Figura 8 -
Boxplot das erosividades médias anuais (MJ.mm.ha-1.h-1.ano-1) dos
60
grupos G1, G2 e G3 no Estado de Alagoas no período de 1960 – 2016.
Figura 9 -
Erosividade média mensal (MJ.mm.ha-1 .h-1) no período seco, no estado
63
de Alagoas no período de 1960 – 2016.
Figura 10 -
Erosividade média mensal (MJ.mm.ha-1 .h-1) no período chuvoso, no
64
estado de Alagoas no período de 1960 – 2016.
Figura 11 -
Erosividade média mensal (MJ.mm.ha-1 .h-1) no período de transição, no
65
estado de Alagoas no período de 1960 – 2016.
Figura 12 -
Erosividade média anual (MJ.mm.ha-1.h-1.ano-1) no estado de Alagoas no
66
período de 1960 – 2016.
Figura 13 -
Diagrama de dispersão (1:1) do desempenho dos produtos CHIRPS e
67
CHELSA, entre Observado e Imputado, seguidos dos parâmetros
estatísticos: coeficientes R2 e r, dos valores de RMSE (MJ.mm.ha-1.h1
Figura 14 -
.ano-1).
Erosividade anual (MJ.mm.ha-1.h-1.ano-1) no estado de Alagoas (CHIRPS
68
(a) e CHELSA (b), respectivamente).
Figura 15 -
Tendência de chuva.
72
Figura 16 -
Tendência de erosividade.
75
LISTA DE TABELAS
Tabela 1 -
54 Estações pluviométricas do estado de Alagoas com as coordenadas
34
geográficas (latitude e longitude em graus), altitude (m) e os percentuais
de falhas (%), respectivamente.
Tabela 2 -
Classificação da erosividade das chuvas pelo fator R.
37
Tabela 3 -
Coeficiente de correlação de Pearson (r) e a sua respectiva classificação.
44
Tabela 4 -
Índice c proposto por Camargo e Sentelhas (1997).
45
Tabela 5 -
Análise estatística dos métodos de interpolação espacial.
50
Tabela 6 -
Índice de erosividade da chuva ( EI 30 ) mensal e anual das 54 estações
57
pluviométricas do estado de Alagoas.
Tabela 7 -
Resultados das Tendências via teste de MK aplicados à série temporal de
69
chuva em Alagoas.
Tabela 8 -
Resultados das Tendências via teste de MK aplicada à série temporal de
erosividade das chuvas em Alagoas.
73
LISTA DE EQUAÇÕES
Equação 1 -
Acionar a biblioteca.
36
Equação 2 -
Interação de dados.
36
Equação 3 -
Extração de dados de imputação.
36
Equação 4 -
Imputação.
36
Equação 5 -
Tabela de dados imputados.
36
Equação 6 -
Saída dos dados imputados.
36
Equação 7 -
Coeficiente de chuva Rc .
36
Equação 8 -
Índice de erosividade mensal EI 30 .
37
Equação 9 -
Índice de erosividade anual (fator R).
37
Equação 10-
Distância Euclidiana entre dois elementos.
38
Equação 11-
Coeficiente de Correlação Cofenética (CCC).
38
Equação 12-
Média da matriz Cofenética.
38
Equação 13-
Média da matriz Fenética.
38
Equação 14-
Função de ligação, à distância D ( g1, g 2) ) entre os grupos g1 e g2.
39
Equação 15-
Interpolação do valor de um ponto via o método do IDW.
40
Equação 16-
Determinação do peso i do valor de xi .
40
Equação 17-
Estimativas através da função Spline regularizada com tensão e
40
suavização.
Equação 18-
Função de base radial.
41
Equação 19-
Base radial.
41
Equação 20-
Constante da função de base radial.
41
Equação 21-
Coeficiente da função de base radial.
41
Equação 22-
Valor estimado para local x0 não amostrado (KO).
42
Equação 23-
Valor estimado para local x0 não amostrado (KS).
42
Equação 24-
Valor estimado para uma dada posição (KU).
43
Equação 25-
Coeficiente de determinação (R2).
43
Equação 26-
Coeficiente de correlação linear de Pearson (r).
43
Equação 27-
Índice de concordância de Willmott (d).
44
Equação 28-
Índice de confiança ou desempenho (c) de Camargo e Sentelhas (1997).
44
Equação 29-
Erro Padrão da Estimativa (EPE, MJ.mm.ha-1.h-1.ano-1).
45
Equação 30-
Raiz Quadrada do Erro Quadrático Médio (RMSE, MJ.mm.ha-1.h-1.ano-
45
1
).
LISTA DE SIGLAS E ABREVIATURAS
A
Taxa anual de perdas de solo
AB
Alta da Bolívia
ANA
Agência Nacional das Águas
AA
Análise de Agrupamento
ARS
Agricultural Research Service
ASAS
Alta Subtropical do Atlântico Sul
C
Cobertura e manejo do solo
CA
Cluster Analysis
CCC
Coeficiente de Correlação Cofenética
CGA
Circulação Geral da Atmosfera
CHELSA
Climatologies at high resolution for the earth's land surface areas
CHIRPS
Climate Hazards center InfraRed Precipitation with Station
CLA
Camada Limite Atmosférica
CMORPH
National Oceanic and Atmospheric and Atmospheric Administration’s Climate
Precipitation Center Morphing Technique
DP
Desvio Padrão
EI t
Índice de erosividade em t (tempo em minutos)
EPE
Erro Padrão da Estimativa
ENOS
El Niño Oscilação Sul
ES
Erosão do Solo
EUPS
Equação Universal de Perda do Solo
GIS
Geographic Information System
GPCC
Global Precipitation Climate Centre
IBGE
Instituto Brasileiro de Geografia e Estatística
IDW
Inverse Distance Weighted
INCRA
Instituto Nacional de Colonização e Reforma Agrária
K
Erodibilidade do solo
KO
Krigagem Ordinária
KS
Krigagem Simples
KU
Krigagem Universal
LS
Comprimento e grau do declive
MDE
Modelo Digital de Elevação
MK
Meann-Kendall
N
Norte
NE
Nordeste
NEB
Nordeste do Brasil
NW
Noroeste
P
Práticas conservacionistas adotadas
PTS
Partículas Totais em Suspensão
Qg
Radiação Solar Global
R
Erosividade da chuva
Rc
Coeficiente de chuva
RMM
Região Metropolitana de Maceió
RMSE
Raiz Quadrada do Erro Quadrático Médio
S
Sul
SCS
Soil Conservation Service
SF
Sistemas Frontais
TIN
Triangular Irregular Network
USLE
Universal Soil Loss Equation
VCAN
Vórtices Ciclônicos em Altos Níveis
WEPP
Water Erosion Prediction Project
SUMÁRIO
1.
1.1.
INTRODUÇÃO.............................................................................................................
OBJETIVOS..................................................................................................................
Gerais...............................................................................................................................
Específicos.......................................................................................................................
20
23
23
23
2.
2.1.
2.2.
2.3.
2.4.
FUNDAMENTAÇÃO TEÓRICA...............................................................................
Erosão..............................................................................................................................
Erosividade da chuva (fator - R).....................................................................................
24
24
26
27
28
2.5.
Índice de erosividade ( EI 30 )...........................................................................................
Determinação do índice de erosividade EI 30 a partir dos dados pluviométricos............
Mapas de isoerosividade.................................................................................................
2.6.
Mapas de isoerosividade via produtos de precipitação...................................................
30
3.
3.1.
3.2.
3.3.
3.4.
3.5.
3.6.
3.7.
MATERIAIS E MÉTODOS.......................................................................................
Caracterização da área de estudo...................................................................................
Série temporal pluviométrica (1960 - 2016)..................................................................
Controle de qualidade, preenchimento das falhas e uso da imputação de dados..........
Estimativa da erosividade..............................................................................................
Análise de agrupamento.................................................................................................
Métodos de interpolação espacial..................................................................................
Avaliação de desempenho da imputação da chuva e dos modelos de interpola-
31
31
33
35
36
37
39
ção.................................................................................................................................
29
43
3.8.
Utilização de produtos CHIRPS e CHELSA................................................................
45
4.
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
4.7.
4.8.
RESULTADOS E DISCUSSÃO...............................................................................
Controle de qualidade, preenchimento das falhas e uso da imputação de dados
Validação dos métodos de interpolação........................................................................
Análise de agrupamento aplicada à erosividade...........................................................
Estatística descritiva e exploratória da erosividade......................................................
Mapas de isoerosividade de Alagoas............................................................................
Validação dos produtos CHIRPS e CHELSA..............................................................
Mapas de isoerosividade anual de Alagoas (CHIRPS e CHELSA).............................
Análise espacial da tendência da chuva e erosividade anual........................................
47
47
49
53
56
61
66
67
69
5.
CONCLUSÕES..........................................................................................................
76
6.
RECOMENDAÇÕES...............................................................................................
78
7.
REFERÊNCIAS BIBLIOGRÁFICAS....................................................................
79
8.
APÊNDICE................................................................................................................
90
20
1. INTRODUÇÃO
A ação da chuva causa Erosão do Solo (ES). A erosão afeta diretamente a qualidade e a
produtividade do solo, com redução nas taxas de infiltração, capacidade de retenção de água,
nutrientes, matéria orgânica, biota e profundidade do solo (PIMENTEL et al, 1995). Logo,
realizar estimativas das perdas de solo por erosão hídrica é um dado importante para o
planejamento ambiental e adoção de práticas conservacionistas que favoreçam o uso adequado do
solo e da água (PANAGOS et al, 2015), seguido do manejo de plantas espontâneas (MELO et al.,
2019), proteção da superfície com resíduos vegetais (BERTOLLO; LEVIEN, 2019), que por sua
vez são métodos de conservação que se mostram eficazes na contenção de processos provocados
pela ação da erosão hídrica e, associados com outras práticas têm efeitos benéficos na
conservação do solo e da água (SILVA, et al., 2019).
Determinar a quantidade das perdas de solo por erosão em nível de campo necessita de
medidas históricas para obtenção de valores consistentes, sendo, portanto trabalhosa e onerosa
(PANAGOS et al., 2015; BARBOSA et al., 2017). Segundo, Silva et al. (2003) afirmam que as
limitações econômicas, juntamente com o tempo necessário para as pesquisas são as maiores
dificuldades para a determinação de perdas de solo.
Segundo Oliveira et al. (2015), a erosão hídrica (ação da chuva) do solo consiste em um
processo de soltura e arraste de sedimentos do solo pelos agentes erosivos, sendo um dos
principais fatores de sua degradação. A erosão hídrica é uma ameaça para as atividades agrícolas,
para as circunvizinhanças de encostas com propensão a deslizamentos, transporte fluvial e
mercado da pesca. Ela também interfere na captação de águas de açudes devido ao assoreamento,
como também perda de nutrientes e matéria orgânica, lixiviação do solo, diminuição da
fertilidade do solo e poluição dos corpos hídricos e, assim afeta o meio ambiente principalmente
as águas de rios e mananciais (BRADY; WEIL, 2013; MELO et al., 2019).
A ES é um problema ambiental grave que afeta o meio ambiente e o desenvolvimento
humano em todo o mundo. Ele pode tornar grandes áreas férteis em improdutivas, e porque não
dizer em processo de desertificação, caso o fenômeno de erosão evolua para níveis irreversíveis
21
no que diz respeito à viabilidade econômica para recuperação (MARTÍNEZ-CASASNOVAS et
al., 2016).
A ES também tem influência nas atividades ecossistêmicas, tanto qualitativamente
como quantitativamente, principalmente no que diz respeito aos recursos hídricos,
biodiversidade, produtividade agrícola e atividades recreativas (DOMINATI et al., 2010). Vale
destacar que a ES é um instrumento fundamental para a tomada de decisão de práticas
conservacionistas do solo e da água (LEE; HEO, 2011). Como a ES é difícil de mensurar em
grande escala, se usam modelos de estimativa da ES em nível regional (PANAGOS et al., 2015).
Por exemplo, em estudos realizados por Vijith et al. (2018) em região florestal Sarawak na
Malásia, para a determinação da erosão do solo e identificação de zonas de riscos, seguido de
Djoukbala et al. (2018) que estimaram a erosão em regiões semiáridas da Argélia, com o intuito
de identificar as áreas que requerem ação prioritária para uma análise em maior escala, a fim de
encontrar soluções adequadas para combater a erosão e proteger o ambiente natural.
No Brasil, os dados pluviométricos não apresentam homogeneidade e, por diversas vezes
possuem falhas e lacunas nas suas séries históricas (OLIVEIRA JÚNIOR et al., 2012), como
também não há uma padronização dos dados pluviométricos (LYRA et al., 2014), portanto, pode
interferir no cálculo do índice de erosividade (OLIVEIRA et al., 2013). Devido a essa carência
originou-se o desenvolvimento da Equação Universal de Perda de Solo (USLE - Universal Soil
Loss Equation, no inglês). Esta equação possibilita realizar a previsão de perdas e o
reconhecimento dos agentes mais relevantes causadores da erosão (WISCHMEIER; SMITH,
1978).
A USLE é uma boa ferramenta para prever perdas de solo com certa precisão, e não há
uma exigência de dados para sua execução, isso quando comparada com outros modelos
utilizados na literatura (AMORIM et al. 2009), como o Projeto de Predição da Erosão Hídrica
(WEPP – Water Erosion Prediction Project) que é baseado em processos hidrológicos, proposto
por Elliot et al. (1989). Outro ponto importante é que esta equação é bem difundida no Brasil
(SILVA; DIAS, 2003; BERTONI; LOMBARDI NETO, 2012; MELLO et al., 2012; MACHADO
et al, 2014; JARDIM et al., 2017; BACK; POLETO, 2018). Para a aplicação desta ferramenta é
necessário o levantamento de vários fatores que a compõem, dentre estes, o fator – R, esse que
22
remete a força erosiva da chuva, ou seja, a erosividade das chuvas (SILVA; WIECHETECK;
ZUERCHER, 2011).
Para a obtenção deste fator faz-se necessária à coleta de dados de pluviógrafos, o que no
Brasil são escassos. Sendo assim, diante da carência de pluviógrafos e com uma maior
disponibilidade de dados de pluviômetros, torna-se fundamental a utilização de uma metodologia
que permita estimar com relativa precisão a erosividade das chuvas a partir de dados obtidos de
pluviômetros (OLIVEIRA et al., 2011).
O estado de Alagoas assim como os demais estados da Federação, é carente quando se
trata de disponibilidade de informações de pluviógrafos (PEDROSA; NEVES; REIS, 1997). A
quantificação da erosividade das chuvas e, consequentemente perdas de solo, é fator primordial
para se estabelecer os limites críticos de perda aceitável nas áreas de cultivo (COGO et al., 2003),
principalmente em Alagoas, cujo um dos maiores vetores econômicos é a Agricultura, em
especial a cana-de-açúcar, sendo o Estado o maior produtor do Nordeste (IBGE, 2017). Vale
destacar que a erosividade é importante em relação às encostas passíveis de deslizamentos, e
dependendo do manejo do solo adotado pode haver perda de solo e afetar a fertilidade do mesmo
(PEDRON et al., 2009; SAMUEL-ROSA et al., 2011).
Em suma, o estado de Alagoas é escasso os estudos relativos à erosividade das chuvas
com dados observados e com uso de produtos de precipitação, por exemplo, CHELSA
(Climatologies at high resolution for the earth's land surface areas) e CHIRPS (Climate Hazards
center InfraRed Precipitation with Station). Assim, tal informação é fundamental para
Agricultura e para Defesa Civil, visto que ao mapear e identificar as zonas isoerosivas pode-se
adotar práticas conservacionistas no que se diz respeito ao uso do solo e dos recursos hídricos, e
auxiliar nas tomadas de decisão em planejamentos gerenciais relacionados às catástrofes
envolvendo deslizamentos de barreiras nas encostas do Estado.
23
1.1. OBJETIVOS
Gerais
DEFINIR uma equação para estimar a erosividade das chuvas no estado de Alagoas;
CARACTERIZAR a erosividade no estado de Alagoas baseado em dados
pluviométricos históricos.
Específicos
ENCONTRAR um método que permita realizar a estimativa da erosividade da chuva a
partir de dados pluviométricos;
IDENTIFICAR os grupos homogêneos de erosividade da chuva no estado de Alagoas;
TESTAR os principais métodos matemáticos de interpolação espacial da erosividade da
chuva no estado de Alagoas;
GERAR mapas de isoerosividade (mensal e anual) para o estado de Alagoas;
USAR produtos de precipitação (CHELSA e CHIRPS) na estimativa da erosividade da
chuva para o estado de Alagoas.
24
2. FUNDAMENTAÇÃO TEÓRICA
2.1. Erosão
O solo é um dos recursos naturais mais significativos para a humanidade. Porém, o uso
inadequado e, consequentemente a sua degradação, causada em séculos de exploração sem a
utilização de técnicas de conservação e manejo adequadas, tem levado muitas regiões a terem
perdas de solo anuais em se regenerar (COGO et al, 2003).
A erosão é originada pela ação de fenômenos naturais que agem na mudança espontânea
do solo, onde a chuva é uma das principais causas (PANAGOS et al., 2017). Porém, a
interferência humana interrompe esse ciclo, dando origem ao desequilíbrio e ao processo de
erosão acelerada (WISCHMEIER; SMITH, 1965). Mesmo em regiões onde as taxas de perdas de
solo são menores que a taxa de recuperação, é fundamental a utilização de práticas
conservacionistas e técnicas de manejo adequadas, pois geralmente o solo que foi desprendido se
deposita nos leitos dos rios e, assim causam assoreamentos e contaminam os corpos d’água com a
alta concentração de nutrientes oriundos dos processos de fertilização (PARRON et al., 2015).
Segundo Bertoni e Lombardi Neto (2012), a erosão hídrica tem como seu principal agente
a energia cinética da chuva, sendo dividida em três etapas: i) desagregação, ii) transporte e iii)
deposição. O processo de desagregação acontece quando a chuva atinge o solo e faz com que os
agregados sejam umedecidos, que por sua vez implica na redução de forças coesivas, e aumenta
sua desintegração com a continuidade da chuva.
O aumento da quantidade de agregados desintegrados ocorre com aumento da energia
cinética da chuva. Ela é função da velocidade, da intensidade e do tamanho das gotículas de
chuva. O transporte inicia-se no momento em que a intensidade da precipitação ultrapassa a taxa
de infiltração do solo, ou seja, onde há a saturação do solo. Desta forma a água escoa pela
superfície do solo, onde a capacidade de retenção da água pode ser diminuída pela obstrução dos
vazios do solo ocasionada pelas partículas desagregadas, bem como pela compactação natural do
solo e pelo impacto das gotículas de chuva que impede a infiltração da água na superfície
(BERTONI; LOMBARDI NETO, 2012).
25
Devido a alguns fatores como: rugosidade da superfície do solo, resíduos de culturas,
vegetação, diminuição da declividade da encosta e à minimização da intensidade do impacto das
gotas da chuva, os sedimentos carregados pelo escoamento os quais estão em suspensão, podem
sofrer deposição na superfície do solo. Isso acontece quando a velocidade do escoamento
superficial diminui (SANTOS et al., 2000). Este fenômeno de deposição é altamente seletivo,
sendo influenciado pela profundidade do escoamento superficial e a turbulência da vazão
originada pelo impacto das gotas da chuva ao tocar o solo (AGASSI, 1996; MELO et al., 2019).
A velocidade de sedimentação de um agregado ou partícula primária dá-se em função do seu
tamanho, forma e densidade. Segundo Hairsine e Rose (1991), para uma dada granulometria do
sedimento, a taxa de deposição varia inversamente à velocidade do escoamento, e diretamente à
concentração de sedimentos no escoamento superficial e sua densidade.
A estimativa da erosão é um parâmetro fundamental para a escolha de um adequado
programa de manejo e conservação do solo, pois através dela, pode-se agir de forma preventiva
aos impactos, antecedendo a implantação de uma determinada cultura ou prática agrícola. E,
assim de forma preventiva minimiza os impactos da erosão no que se refere à tomada de decisão
correta, uma vez que existem muitas alternativas de manejo do solo, como resíduos de culturas
(BERTOLLO; LEVIEN, 2019; TIECHER, 2016), cobertura vegetal (MELO et al., 2019) terraços
em nível e ninhos d’água (SILVA, et al., 2019) e que muitas vezes são de alto custo (CHAVES;
DINIZ, 1981; FILHO; SOUZA, 2006). Embora as medidas efetivas de controle da erosão possam
limitar os impactos da perda de solo (MUNRO et al., 2008), em muitos casos essa intensificação
não é acompanhada por medidas adequadas de conservação do solo e d’água.
Por meio do uso da Equação Universal de Perdas de Solo (USLE) é possível determinar a
estimativa da taxa de perda de solo. Esta metodologia segundo Albuquerque et al. (2005) é a mais
usada, e também conhecida no mundo como (USLE). A USLE se destaca por sua aplicabilidade
em qualquer região tanto em escala local como global, por exemplo, Figueiredo et al. (2018)
utilizaram a equação USLE no Nordeste (NE) de Portugal para simular cenários de sua aplicação
em controles de erosão. Nunes et al. (2017) aplicaram a equação USLE para determinar perdas de
solo na região sul do Amazonas. Enquanto, Phan et al. (2019) estimaram as perdas do solo no
norte do Vietnã.
Zhang et al. (2019) aplicaram a equação USLE para a agricultura na China. Já Souza e
Gasparetto (2012) aplicaram a equação USLE para determinar perdas de solo no Noroeste (NW)
26
do Paraná, enquanto que Jardim et al. (2017) determinaram as perdas de solo por erosividade das
chuvas em Serra Talhada – PE e, por fim Xavier et al. (2019) estimaram a erosividade da chuva
por diferentes métodos e seu impacto no semiárido pernambucano.
Wischmeier e Smith (1978) propuseram a EUPS, para servir como instrumento na tomada
de decisão sobre o uso e manejo do solo mais adequado e, consequentemente, para relacionar as
práticas de conservação mais eficazes, seu objetivo é prever a erosão, em t.ha.ano-1, que poderá
ocorrer em determinada área de cultivo.
Segundo Pinto e Garcia (2005) o modelo USLE foi desenvolvido e aplicado originalmente
no âmbito do Soil Conservation Service (SCS) e do Agricultural Research Service (ARS) nos
Estados Unidos, em parceria com algumas universidades norte americanas, desde a década de
1980. Ainda segundo os autores este modelo foi utilizado para a análise conjunta dos fatores
condicionantes da erosão na estimativa de perda de solo, dada pelo escoamento das águas
pluviais na superfície, com ênfase nos processos de erosão laminar.
Mello et al. (2006) diz que a USLE correlaciona seis fatores que influenciam de forma
direta e proporcional a erosão hídrica acelerada do solo, são eles: i) erosividade da chuva (R), ii)
erodibilidade do solo (K), iii) comprimento e grau do declive (LS), iv) cobertura e manejo do
solo (C) e v) práticas conservacionistas adotadas (P), a equação é dada por: A = R.K.L.S.C.P
(WISCHMEIER; SMITH, 1978). A equação engloba um conjunto de fatores naturais e
antrópicos. Onde os fatores naturais são descritos pelas componentes (R), (K), (L) e (S). Os
fatores que têm a influência do homem são descritos pelo uso e manejo do solo (C) e práticas
conservacionistas (P), sendo (A) a variável dependente que representa a taxa anual de perdas de
solo.
2.2. Erosividade da chuva (fator – R)
A erosividade da chuva é uma medida da força erosiva das chuvas. A energia cinética da
chuva determina a erosividade e, por sua vez, depende diretamente da sua intensidade
(VRIELING; STERK; JONG, 2010). A caracterização do fator R requer cálculos de índices
relacionados com a energia cinética das chuvas, a intensidade, e o total precipitado. Wischmeier e
Smith (1978) propôs uma metodologia na qual se necessitava realizar a soma da intensidade de
cada aclive da curva do pluviograma que representa a chuva. Esta metodologia era morosa,
27
devido aos cálculos. Em período recente, vários estudos foram desenvolvidos nas diversas
regiões do Brasil, para a estimativa do fator R da USLE (LOMBARDI NETO;
MOLDENHAUER, 1992; SILVA et al., 1997; MELLO et al., 2012; OLIVEIRA et al., 2012;
AQUINO et al., 2012; MACHADO et al., 2014; VIOLA et al., 2014; ALMEIDA et al., 2016).
Segundo Mello et al. (2012), a maior parte desses trabalhos foi realizada a partir do coeficiente de
chuva ( Rc ), que utiliza dados pluviométricos ao invés de pluviográficos, devido à escassez destes
no Brasil.
Com a intenção de melhorar a execução dos cálculos, pesquisas foram realizadas e
correlacionaram intensidades máximas em determinados intervalos de tempo com a erosividade
total da chuva (WILLIAMS; BERNDT (1977) apud CHUQUIPIONDO, 2007). Os números
subscritos representam estes intervalos de tempo em minutos. Onde o termo EI t indica que a
erosividade foi estimada considerando o intervalo de tempo subscrito, ou seja, no intervalo em
que a chuva foi mais intensa. No Brasil, através de pesquisas foram comparados os índices de
erosividade EI 5 , EI10 , EI15 , EI 20 , EI 25 , EI 30 , EI 35 , KE>10 e KE>25 (Lombardi Neto;
Modenhauer, 1992; Cantalice; Margolis, 1993; Albuquerque et al., 1994; Silva et al., 2009), em
sua pesquisa Andrade et al. (2020), aplicou os índices EI 30 KE>25 para a determinação de
erosividades em Aragarças – GO, assim como Machado et al. (2017) utilizou os índices KE>10,
KE>25 e EI 30 para análise de erosividade, obtendo uma alta relação entre os padrões de
precipitação com os índices de erosividades para o Rio de Janeiro.
Os termos KE>10 e KE>25 indicam que a erosividade foi estimada considerando apenas
as chuvas com precipitação superior a 10 e 25 mm, respectivamente. Embora exista alta
correlação dos índices KE>25 e EI 30 com a erosividade das chuvas, este último tem sido mais
utilizado para estimar o fator R da USLE (HUDSON, 1971; WALTRIK, 2010).
2.3. O índice de erosividade ( EI 30 )
Os primeiros dados coletados e analisados em relação à erosividade, ocorreram na década
de 1940 no estado de Ohio nos Estados Unidos, onde a monocultura de milho era uma das
principais atividades agrícolas (FRANCISCO, 2020). Wischmeier e Smith (1958), em pesquisa
28
realizada nos Estados Unidos com intuito de estabelecer um índice de erosividade que melhor
estimasse a capacidade da chuva em provocar erosão, verificaram que a perda de solo ocasionada
pela ação das chuvas em áreas cultivadas apresentou uma correlação elevada com o produto entre
duas características das chuvas: intensidade máxima da chuva em 30 minutos e energia cinética
total. A esse produto foi dado o nome de índice de erosividade EI 30 , que representa os efeitos do
impacto e turbulência das gotas combinados com a capacidade de transporte do escoamento
superficial.
Estimar o EI 30 exige dados pluviográficos, que nem sempre apresentam séries históricas
longas para as diferentes localidades que se pretende estimar. Lombardi Neto (1977) conseguiu
estimar o índice de erosividade médio mensal, através do coeficiente de chuva chamado por ele
de Rc , utilizando, exclusivamente, registros pluviométricos. Silva e Dias (2003), diz que em
diversas regiões do Brasil, essa correlação tem se mostrado altamente significativa. Portanto, nas
localidades que não possuem longas séries históricas de dados pluviográficos pode-se estimar o
índice EI 30 por meio de dados pluviométricos (RUFINO et al., 1993; MORETI et al., 2003;
CARVALHO et al., 2005; GONÇALVES et al., 2006). Para tanto, faz-se necessária à
determinação do Rc , que é obtido a partir de dados de precipitação média mensal e precipitação
média anual.
2.4. Determinação do índice de erosividade EI 30 a partir dos dados pluviométricos
A determinação do fator R demanda tempo, mesmo com o auxílio da informática, a prévia
leitura dos registros dos pluviógrafos, a classificação e a catalogação manual das chuvas
individuais, de suas lâminas e durações, são dados cruciais para o cálculo do índice EI 30 para
uma longa série de dados de chuva. Outro ponto que se deve levar em consideração é com
relação à ausência de pluviógrafos na maior parte dos municípios brasileiros e a relativa
abundância de dados pluviométricos. Desta forma, muitos pesquisadores têm focado obter uma
relação entre os dados dos pluviógrafos e dos pluviômetros para se chegar a um denominador
comum, ou seja, uma metodologia que consiga estimar a erosividade da chuva em locais que os
únicos dados são de pluviômetros, sendo relativamente mais simples de serem obtidos. Um modo
de se utilizar os dados pluviométricos é fazendo a correlação das precipitações médias mensais
29
com os índices de erosividade médios mensais. A outra é através do coeficiente de chuva ( Rc ),
que pode ser determinado de acordo com a proposição de Fournier (1956), posteriormente
modificada por Lombardi Neto (1977), a qual relaciona o índice EI 30 obtido por meio de
pluviogramas, com o coeficiente da chuva, esse obtido de dados de pluviômetros.
Ao estudar a relação entre o índice EI 30 obtido por meio de pluviogramas e o coeficiente
da chuva ( Rc ), Lombardi Neto (1977) propôs uma metodologia que possibilita a estimativa da
erosividade da chuva através de dados de pluviômetros, a qual consistiu em estimar a média
mensal do índice de erosividade, em MJ.mm.ha-1.h-1, obtendo boa precisão, ao alcançar alto
coeficiente de determinação (R² = 0,991).
Em estudos posteriores, Lombardi Neto e Moldenhauer (1992), propôs outra equação
Eq.(8) que estima com relativa precisão os valores do fator - R para longos períodos. Essa se
baseia em técnica de regressão linear entre o índice médio mensal de erosão e o coeficiente de
chuva, tendo boa aceitação em estudos no Brasil, com aplicações na região NEB como nas
pesquisas de Santos e Aquino (2015) nas cidades de Castelo e Juazeiro em Piauí (PI), Aquino et
at. (2017) em Gilbués – PI, Xavier et al. (2018) no semiárido pernambucano e Matos et al. (2017)
no município de Barbalha – CE, todos estimaram a erosividade das chuvas com sucesso.
A soma dos EI 30 das chuvas ao longo do mês estima o EI 30 mensal, e a soma destes
possibilitam estimar o EI 30 anual Eq. (9). A média dos EI 30 anuais ao longo de pelo menos 22
anos, representa o fator R da USLE (BERTONI; LOMBARDI NETO, 2012).
2.5. Mapas de isoerosividade
Através das equações obtidas, é possível estimar o fator R da USLE para um local onde
haja boa correlação da distribuição pluviométrica, a partir de dados pluviométricos para assim
produzir mapas de isoerosividade, que são linhas de mesmo valor de índice de erosividade
(WISCHMEIER; SMITH, 1965). A espacialização da erosividade através do mapeamento é uma
forma de representar graficamente a partir da interpolação dos dados de erosividade (BACK;
POLETO, 2018).
Com o mapa, é possível obter os valores dos índices de erosividade de qualquer
localidade. A obtenção dos mapas de isoerosividade é uma solução para mitigar a falta de dados
30
que possibilite a determinação dos índices de erosividade em regiões que estas informações sejam
escassas, por esse motivo estão sendo traçados mapas de linhas isoerosivas para várias regiões do
Brasil (BERTONI; LOMBARDI NETO, 2012).
Alguns estudos realizados no Brasil apresentam mapas de isoerosividade para
determinados estados ou regiões do país. Onde vale destacar alguns destes, como o de Lombardi
Neto et al. (1981) para o estado de São Paulo, Waltrick et al. (2015) para o estado do Paraná,
Amaral et al. (2014) para o estado da Paraíba, Martins et al. (2020) para o estado do Maranhão e
Pará.
O conhecimento espacial do valor da erosividade associado a informações fisiográficas
permite identificar as regiões com propensão a riscos de erosão, deslizamentos ou
escorregamentos, subsidiando o planejamento de práticas conservacionistas do solo, ações da
defesa civil e assertividade no critério segurança em obras de engenharia (BACK; POLETO,
2018).
2.6. Mapas de isoerosividade via produtos de precipitação
A obtenção direta de valores da erosividade da chuva é onerosa, pois demanda de
elevados recursos capital e humano, e para o cálculo da estimativa da erosividade são necessárias
longas séries históricas de precipitação, o que é uma grande barreira para países em que a rede
pluviométrica existente em sua grande maioria é insuficiente e deficitária (CAMPOS, 2017). Para
a obtenção dos dados de chuvas e, posterior cálculo de estimativa de erosividade, os produtos de
precipitação derivados de satélites são uma alternativa. Estes produtos estão disponíveis para
quase todo globo terrestre com diferentes resoluções temporais (VRIELING; STERK; DE JONG,
2010). Alguns trabalhos recentes utilizaram-se de dados de satélite para obtenção da erosividade,
por exemplo, Kim et al. (2020) estudaram a aplicação de produtos de precipitação CMORPH
(National Oceanic and Atmospheric and Atmospheric Administration’s Climate Precipitation
Center Morphing Technique) para a estimar a erosividade das chuvas em escala continental nos
Estados Unidos, seguido de Chen et al. (2021) que utilizaram produtos do IMERG-F e TMPA
3B42-V7 para estimar a erosividade das chuvas em várias regiões da China, onde os autores
obtiveram ótima correlação entre os valores oriundos dos satélites e os dados obtidos em in situ.
31
3. MATERIAL E MÉTODOS
3.1. Caracterização da área de estudo
O estado de Alagoas está situado na região Nordeste do Brasil, com uma área aproximada
de 27.843 km2 (IBGE, 2019),
), o que representa aproximadamente 0,33% do território brasileiro.
Localiza-se
se entre os paralelos 8°48’12" e 10°29’12" Sul (S) e entre os meridianos 35°09’36" e
38°13’54" Oeste (W). Está limitado ao norte (N)
(N) e W com o estado de Pernambuco, ao S com os
estados de Sergipe e Bahia e a leste (E) com o oceano Atlântico (Figura 1). Possui 339 km de
extensão na direção do seu eixo maior (E-W)
(E W) e 186 km na direção de seu eixo menor (N
(N-S).
Figura 1. Localização das 54 estações pluviométricas no estado de Alagoas na região Nordeste do Brasil juntamente
com sua altitude (m) via modelo digital de elevação (MDE – SRTM 30 m).
Fonte: Autoria Própria (2021)
32
Alagoas possui apenas 1% de seu território localizado em áreas superiores a 600 m de
altitude (Figura 1), assim como quase toda a região Nordeste. Em aspectos morfológicos
apresenta cinco unidades: i) a baixada litorânea, com as praias e restingas, dominadas por
tabuleiros areníticos; ii) uma faixa de colinas e morros argilosos, imediatamente a oeste, com
solos espessos e relativamente ricos; iii) o pediplano, que ocupa todo o interior, com solos ricos,
porém rasos, e de topografia levemente acidentadas, da qual se podem destacar as serras dos
municípios de Mata Grande e Água Branca, no extremo oeste do estado; iv) a encosta meridional
do planalto da Borborema (chapada Pernambucana), no centro-oeste, ponto de maior altitude de
Alagoas, e v) as planícies aluviais, ao longo dos rios, que incluem o delta e a várzea do baixo São
Francisco, com solos anualmente renovados por cheias periódicas (INCRA, 2018).
A região Nordeste do Brasil (NEB) apresenta clima semiárido agregado a uma vegetação
xerófita em cerca de 50% do seu território. Esse clima caracteriza-se pelo regime de chuvas
irregular espacialmente e temporalmente, destaque para as mesorregiões do Agreste e do Sertão.
Estudos climatológicos realizados anteriormente mostram que o modo de variabilidade climática,
El Niño - Oscilação Sul (ENOS) juntamente com a circulação geral da atmosfera (CGA) seriam
os principais responsáveis pela ocorrência de baixos registros pluviométricos (NOBRE;
MOLION, 1986; MOLION; BERNARDO, 2002; MOURA et al., 2020).
Atualmente, o estado de Alagoas está dividido em três mesorregiões: o Leste, o Agreste e
o Sertão Alagoano (Figura 2). O Leste é a maior região em aspecto territorial e abrange o Litoral
e a Zona da Mata. O Agreste é uma região de transição entre as zonas úmida e seca, inicia-se ao
Norte do município de Quebrangulo, indo até ao Sul do município de São Brás, na porção mais
úmida, e se estendendo até o limite dos municípios de Cacimbinhas e Traipu, na porção mais
seca. O Sertão Alagoano corresponde às localidades com características climáticas áridas e
semiáridas (IBGE, 2019).
33
Figura 2.. Mesorregiões climáticas do estado de Alagoas - o Leste, o Agreste e o Sertão Alagoano.
Fonte: Autoria Própria (2021).
3.2. - Série temporal pluviométrica (1960-2016)
(1960
Nesse estudo foram utilizados dados pluviométricos referentes a 54 estaçõ
estações localizadas
no estado de Alagoas (Tabela 1) conforme distribuição espacial da Figura 1, pertencentes à rede
hidrometeorológica da ANA – Agência Nacional das Águas (ANA, 2020), obtidos via portal
eletrônico denominado HidroWeb no seguinte endereço eletrônico:
nico: http://www.ana.gov.br. O
período de estudo corresponde de 1960 a 2016. A escolha desse período seguiu a premissa
proposta por Wischmeier e Smith (1978), e também por Bertoni e Lombardi Neto (2012) de se
utilizar séries temporais superiores há 20 anos.
34
Tabela 1. 54 Estações pluviométricas do estado de Alagoas com as coordenadas geográficas
(latitude e longitude em graus), altitude (m) e os percentuais de falhas (%), respectivamente.
ID
Municípios
Latitude
Longitude
Altitude (m)
Falhas (%)
43
35
13
4
16
24
44
5
6
36
1
7
46
25
31
8
37
14
15
19
17
26
40
20
45
9
27
10
18
2
28
52
41
32
33
21
47
Água Branca
-9,28
-37,90
510
56,14
Anadia
-9,68
-36,30
140
50,88
Arapiraca
-9,75
-36,66
247
48,68
Atalaia
-9,50
-36,02
54
0,73
Batalha
-9,66
-37,12
120
63,60
Cacimbinhas
-9,40
-37,00
300
40,35
Canapi
-9,12
-37,60
280
43,86
Capela
-9,43
-36,08
34
49,42
Colônia Leopoldina
-8,91
-35,71
166
65,35
Coruripe
-10,12
-36,28
10
54,39
Delmiro Gouveia
-9,39
-37,99
256
0,00
Flexeiras
-9,28
-35,71
70
49,12
Ibateguara
-8,98
-35,93
505
63,01
Igaci
-9,55
-36,63
240
67,54
Igreja Nova
-10,11
-36,65
17
39,62
Jacuípe
-8,84
-35,44
0
50,88
Junqueiro
-9,93
-36,48
120
50,88
Lagoa da Canoa
-9,83
-36,73
235
34,06
Limoeiro de Anadia
-9,73
-36,50
150
33,77
Maceió
-9,66
-35,71
43
4,82
Major Isidoro
-9,53
-36,98
217
45,61
Mar Vermelho
-9,45
-36,38
620
40,79
Maragogi
-9,00
-35,23
5
44,74
Marechal Deodoro
-9,71
-35,89
0
53,95
Mata Grande
-9,12
-37,72
633
35,09
Matriz de Camaragibe
-9,16
-35,51
16
49,12
Minador do Negrão
-9,31
-36,86
395
52,92
Murici
-9,31
-35,94
82
5,26
Olho D'água das Flores
-9,53
-37,28
289
52,78
Olho D'água do Casado
-9,51
-37,85
209
49,92
Palmeira dos Índios
-9,40
-36,65
320
3,65
Pão de Açúcar
-9,74
-37,44
45
4,09
Passo de Camaragibe
-9,24
-35,49
90
34,36
Penedo
-10,28
-36,55
28
0,44
Piaçabuçu
-10,40
-36,42
10
45,61
Pilar
-9,63
-35,96
131
Pindoba
-9,45
-36,20
190
66,67
76,32
35
3
53
11
42
34
29
22
54
48
49
12
38
23
30
39
50
51
Piranhas
-9,62
-37,75
110
0,00
Poço das Trincheiras
-9,30
-37,29
255
47,37
Porto Calvo
-9,04
-35,40
54
35,82
Porto de Pedras
-9,15
-35,29
14
14,33
Porto Real do Colégio
-10,18
-36,83
30
39,18
Quebrangulo
-9,30
-36,47
411
14,91
Rio Largo
-9,48
-35,83
62
44,74
Santana do Ipanema
-9,37
-37,24
250
0,29
Santana do Mundaú
-9,16
-36,21
221
5,41
São José da Laje
-9,00
-36,05
250
12,87
São Luiz do Quitunde
-9,33
-35,55
4
52,19
São Miguel dos Campos
-9,78
-36,10
12
54,39
Satuba
-9,58
-35,81
20
41,67
Tanque D'Arca
-9,53
-36,43
280
49,12
Traipu
-9,96
-36,98
40
31,58
União dos Palmares
-9,15
-36,03
155
0,29
300
47,37
Viçosa
-9,37
-36,24
Fonte: Adaptado de ANA (2020)
3.3. – Controle de qualidade, preenchimento das falhas e uso da imputação de dados
A série temporal pluviométrica possuía diversas falhas e, portanto, foi utilizada a técnica
de imputação.
A imputação de dados adotada no estudo baseou-se na técnica sugerida por Harrel (2001),
em que os percentuais (%) de dados ausentes devem seguir os seguintes critérios:
i) Percentual ≤ 0,05: A imputação única ou análise somente dos dados completos;
ii) Percentual entre 0,05 e 0,15: Uso da imputação múltipla;
iii) Percentual ≥ 0,15: A imputação múltipla é indicada na maior parte dos casos.
Após a contabilização das falhas, aplicou-se a imputação dos dados de chuva via pacote
“mtsdi”, a partir do critério ii. O método de imputação de dados consiste em uma função
genérica, onde o conjunto de dados é transformado por meio da função spline, que suaviza a série
temporal. Tais procedimentos foram realizados nas seguintes etapas: acionar a biblioteca (1),
interação de dados (2), extração de dados de imputação (3) imputação (4), tabela de dados
imputados (5) e saída dos dados imputados (6), conforme descrito a seguir:
36
library(mtsdi)
(1)
A=a; B=a; C=a; D=n = 1 ..., n
(2)
(f <- ~CHUVA_1+CHUVA_2+CHUVA_3)
(3)
D=mnimput(f,dados4,eps=1e-3,ts=TRUE, method="spline",sp.control=list(df=c(A,B,C)))
predict(D)
(4)
P4=data.frame(predict(D))
(5)
write.xlsx(P4,"DADOS-1960-2016.xlsx",col.names=TRUE)
(6)
Em que, library = pacote usado; a = número de interações para a chuva mensal (mm); f =
função empírica da variável chuva mensal (mm); method = método de imputação usando a
spline.
3.4. – Estimativa da erosividade
Uma vez determinada à equação a ser utilizada para a estimativa do índice de erosividade
EI 30 Eq. (8), foram calculadas as erosividades mensais e anuais a partir dos dados pluviométricos
obtidos da série temporal (item 3.2). A estimativa do índice de erosividade se dá por meio da
correlação entre o índice de erosividade e o coeficiente de chuva Rc obtidos a partir dos dados
dos pluviômetros. Para tanto o Rc foi obtido a partir da Eq. (7) proposta por Lombardi Neto
(1977).
Rc
pm 2
Pa
(7)
Em que: Rc é o coeficiente de chuva (mm); pm é a precipitação média mensal (mm) e Pa é
a precipitação média anual (mm).
Calculado o Rc , foi possível encontrar as erosividades mensais a partir da Eq. (8) e
determinar o índice de erosividade anual (fator R), que é definido pela soma dos valores de EI 30
mensais, conforme Eq. (9).
37
EI 30 67,355 Rc 0,850
(8)
n
R EI m
(9)
i 1
De posse dos valores dos índices de erosividade anuais (fator R) para cada estação, foi
realizada a classificação de acordo com as classes propostas por Carvalho (2008) conforme a
Tabela 2.
Tabela 2. Classificação da erosividade das chuvas pelo fator R.
Erosividade (MJ.mm.ha-1.h-1.ano-1)
Classificação da erosividade
R ≤ 2452
Erosividade fraca
2452 < R ≤ 4905
Erosividade moderada
4905 < R ≤ 7397
Erosividade moderada a forte
7397 < R ≤ 9810
Erosividade forte
R > 9810
Erosividade muito forte
Fonte: Carvalho (2008).
3.5. - Análise de agrupamento
A análise de agrupamento (AA, no inglês Cluster Analysis - CA) é uma técnica
exploratória de análise multivariada de dados que permite classificar um conjunto de dados em
grupos homogêneos, com base apenas nas similaridades ou dissimilaridades entre elas (WILKS,
2011). No estudo a medida de similaridade usada foi à distância Euclidiana. Ela foi escolhida por
ser a mais utilizada na literatura (COSTA et al. 2015; OLIVEIRA JÚNIOR et al. 2017; BRITO et
al. 2018; TERASSI et al. 2018) e, anteriormente aplicada para o estado de Alagoas (SOUZA et
al. 1992; LYRA et al. 2014; COSTA et al. 2020) em dados de precipitação pluviométricos. Nesta
etapa da análise foram testados vários métodos de agrupamento. Entre eles o Complete, Ward,
Median, McQuitty, Average, Centroid e Single, os quais estão dispostos no Apêndice.
A distância Euclidiana entre dois elementos
≠ é definida por Eq. (10):
38
k
(x x )
di , j
i,k
2
(10)
j ,k
k 1
Em que, os dois elementos amostrais são comparados em cada variável pertencente ao
vetor de observações.
são os elementos a serem comparados; índice k representa a
e
quantidade de grupos e os índices i e j representam os elementos do grupo.
A fim de identificar qual método hierárquico aglomerativo seria mais adequado para esse
estudo, utilizou-se do Coeficiente de Correlação Cofenética (CCC) que tem por finalidade medir
o grau de preservação das distâncias emparelhadas pelo dendrograma resultante do agrupamento
em relação às distâncias originais (BARROSO; ARTES, 2003; CRUZ; CARNEIRO, 2003). Na
prática, os dendrogramas com CCC < 0.7 indicam a inadequação do método de agrupamento
(ROHLF, 1970). O CCC é definido pela Eq. 11:
n 1
n
c c f f
jj
CCC rcof
jj
j 1 j j 1
n 1
n
n 1
n
c c f f
2
2
jj
j 1 j j 1
jj
j 1 j j 1
(11)
Em que, c e f são as médias aritméticas, definidas pelas Eqs. 12 e 13:
n
c
i
c i 1
n
(12)
n
f
i
f j 1
n
(13)
Em que, CCC é o coeficiente de correlação Cofenética, C é a matriz Cofenética e C é a média da
matriz Cofenética, f é a matriz fenética e f é a média da matriz fenética, n é o número de
elementos. Todos os cálculos usados no estudo foram realizados no software ambiente R versão
3.6.3 (R Development Core Team 2020).
Segundo Castro e Ferrari (2016) o método Complete opera de maneira similar ao Single,
entretanto, a distância do novo grupo aos demais, é calculada como a distância máxima entre os
39
elementos do novo grupo aos grupos restantes. Matematicamente, a função de ligação, à distância
D ( g1, g 2) ) entre os grupos g1 e g2, é descrita pela Eq. (14):
D ( g1, g 2) max( d ( x, y ))
(14)
Em que: d(x,y) é a distância entre os elementos x e y, e g1 e g2 são dois grupos.
A vantagem desse tipo de método é que ele cria um dendrograma que mostra a estrutura
do agrupamento, permitindo a análise exploratória dos resultados intermediários, determinando
assim o número de grupos desejados.
3.6. – Métodos de interpolação espacial
Os procedimentos de interpolações, bem como o geoprocessamento dos dados, foram
realizados no software Quantum GIS (QGIS) versão 3.4.6 (Madeira). Especificamente no
processo de interpolação foi utilizado o software SAGA GIS, que nesta versão do QGIS já o traz
como plugin, uma vez que o QGIS só dispõe de dois interpoladores (IDW e TIN - Triangular
Irregular Network), enquanto o software SAGA GIS traz consigo uma série de outros
interpoladores matemáticos espaciais.
No estudo foram testados alguns métodos de interpolação matemática para identificar
qual(is) os melhor(es) para interpolação da erosividade no estado de Alagoas? Os métodos
seguem listados a seguir:
IDW - Inverse Distance Weighted
Segundo Marcuzzo (2011), a interpolação baseada no IDW estima os valores dos pontos
com base em uma combinação linear ponderada dos pontos amostrados. O peso de cada ponto é o
inverso de uma função da distância. Para o cálculo da interpolação do valor de um ponto via o
método do IDW, utiliza-se a Eq. (15):
40
n
i Z ( xi )
Z ( x) i 1 n
(15)
i
i 1
Em que:
Z ( x) é o valor do ponto que se deseja interpolar;
n é o número de pontos próximos utilizados na interpolação do ponto x ;
Z ( xi ) é o valor do ponto xi ;
e i é o peso do valor de xi sobre o ponto x .
Para a determinação de i utiliza-se a Eq. (16):
i
1
h( x, xi ) p
(16)
Em que:
h ( x, xi ) p é a distância entre o ponto x e o ponto xi ;
e p é o parâmetro de potência.
Parâmetros de potência maiores evidenciam pontos mais próximos, o que torna o
resultado menos suave. Parâmetros de potência menores evidenciam pontos mais afastados, o que
torna o resultado mais suavizado, porém menos preciso (EL-SHEIMY et al., 2005).
Spline
O método Spline, também conhecido na literatura como Mínima Curvatura, é um tipo
de polinômio por partes uma interpolação polinomial simples. Os parâmetros podem ser
definidos, principalmente a quantidade de suavização. Uma das funções mais utilizadas é a Spline
regularizada com tensão e suavização (MITASOVA; MITAS, 1993). Suas estimativas são
obtidas a partir da Eq. (17) (MITASOVA et al., 2005):
n
z$( So ) a1 wi R (vi )
i 1
(17)
41
Em que a1 é uma constante e R(vi ) é a função de base radial descrita conforme Eq. (18) e Eq.
(19) (MITASOVA; MITAS, 1993):
R(vi ) E1 (vi ) ln(vi ) CE
(18)
h
vi o
2
(19)
Em que:
E1 (vi ) é a função integral exponencial;
C E = 0,577215 é a constante de Euler;
φ é o parâmetro generalizado de tensão;
e ho é a distância entre o novo ponto e o ponto de interpolado.
Os coeficientes a1 e wi são obtidos resolvendo o sistema formado pela Eq. (20) e Eq.
(21):
n
w 0
(20)
n
a1 wi R (vi ) ij o z ( Si ); j 1,..., n
i
i 1
(21)
i
i 1
Em que: o i são fatores de ponderação positivos que representam um parâmetro de
suavização em cada ponto dado Si . O parâmetro de tensão limita a distância sobre a qual os
pontos dados devem inflluenciar à superfície resultante, enquanto o parâmetro de suavização
limita o desvio vertical da superfície dos pontos (MITASOVA et al., 2005).
KO - Krigagem Ordinária
O estimador KO é baseado em um processo de estimativa de valores de variáveis
distribuídas espacialmente, e/ou temporalmente, a partir de valores adjacentes enquanto
considerados como interdependentes pelo semivariograma a partir da Eq. (22) (LANDIM, 2003).
42
n
z$( xo ) i Z ( xi )
(22)
i 1
Em que:
$
z ( xo ) é o valor estimado para local x0 não amostrado;
Z ( xi ) o valor amostrado, n igual ao número de amostras vizinhas utilizadas nas estimativas e o
valor dos pesos aplicados em cada Z ( xi ) ;
i são os pesos atribuídos a cada valor conhecido.
KS - Krigagem Simples
Usa-se o método KS quando a média é assumida como estatisticamente constante para
toda a área em estudo e de valor similar à média do espaço amostral que é conhecida, conforme
Eq. (23) (LANDIM, 2002).
n
*
Z KS
( xo ) i Z ( xo ) Z ( xi ) 1 i ( xo ) m
i 1
Em que:
*
Z KS
( xo ) é o valor estimado para local x0 não amostrado;
Z ( xi ) é o valor amostrado;
n é igual ao número de amostras vizinhas utilizadas nas estimativas;
i é o valor dos pesos aplicados em cada Z ( xi ) ;
i são os pesos atribuídos a cada valor conhecido;
m é a média local.
(23)
43
KU - Krigagem Universal
Na krigagem universal, a remoção de tendência é realizada através de um ajuste de
polinômios de baixo grau (SANTOS, 2010), sendo utilizada nos casos em que o processo
estocástico não é estacionário, apresentando assim, um processo com tendência (LANDIM,
2003), em que o modelo é descrito de acordo com a Eq. (24) (DRUCK et al., 2004):
z$( x) t ( x) i Z ( xi )
(24)
Em que:
z$( x ) é o valor estimado para uma dada posição;
i Z ( xi ) são ponderações que estabelecem a contribuição com que cada observação de Z
contribui para a estimativa de z$( x ) ;
t ( x) é uma componente de tendência.
3.7. - Avaliação de desempenho da imputação da chuva e dos modelos de interpolação
Na avaliação do desempenho dos modelos de interpolação foram usados os seguintes
parâmetros estatísticos: os coeficientes de determinação (R2) e correlação linear de Pearson (r),
índice de concordância de Willmott (d) (WILLMOTT, 1981), índice de confiança ou
desempenho (c) de Camargo e Sentelhas (1997), Erro Padrão da Estimativa (EPE, MJ.mm.ha-1.h1
.ano-1) e Raiz Quadrada do Erro Quadrático Médio (RMSE, MJ.mm.ha-1.h-1.ano-1).
n
X X
2
o
i
R 2 1 i n1
(25)
X X
o
o
i 1
n
X X X X
o
o
r
i
i
(26)
i 1
n
n
2
(X X ) (X X )
o
i 1
o
i
i 1
i
2
44
Os valores do coeficiente r foram classificados segundo a metodologia de Hopkins
(2009), conforme a Tabela 3.
Tabela 3. Coeficiente de correlação de Pearson (r) e a sua respectiva classificação
Coeficiente de Correlação (r)
0 – 0,1
0,1 – 0,3
0,3 – 0,5
0,5 – 0,7
0,7 – 0,9
0,9 – 1,0
Classificação
Muito baixa
Baixa
Moderada
Alta
Muito alta
Quase perfeita
Fonte: Hopkins (2009)
n
2
(X X )
i
o
i
1
d 1
n
2
X X X X
o
o
o
i 1 i
(27)
Da mesma forma, foi empregado o índice de confiança ou desempenho (c) de Camargo e
Sentelhas (1997), obtido pelo produto entre o grau de dispersão dos dados obtidos em relação à
média (r) e o índice de concordância (d) de Willmott (WILLMOTT, 1981), que está relacionada
ao afastamento dos valores preditos em relação aos observados, que reúne os índices de precisão
(r) e de exatidão (d), sendo expresso pela Eq. (28) e classificado segundo a Tabela 4:
crd
(28)
45
Tabela 4. Índice c proposto por Camargo e Sentelhas (1997).
Valor de c
> 0,80
0,76 – 0,85
0,66 – 0,75
0,61 – 0,65
0,51 – 0,60
0,41 – 0,50
≤ 0,40
Desempenho
Ótimo
Muito Bom
Bom
Mediano
Sofrível
Mau
Péssimo
Fonte: Camargo e Sentelhas (1997)
n
2
(X 0 X i )
EPE i 1
n2
(29)
n
(X 0 X i )
RMSE i 1
n
(30)
Em que: R2 = coeficiente de determinação; r = coeficiente de correlação linear de Pearson;
d = índice de concordância de Willmott; n = número de observação; Xi é o valor i-ésimo da chuva
imputada ou erosividade imputada; X0 é o valor i-ésimo da chuva observada ou erosividade
observada; c = chuva média observada ou erosividade média observada e X = chuva média
i
imputada ou erosividade média imputada.
Todos os procedimentos estatísticos foram efetuados no software R versão 3.6.1 (R Core
Team, 2020).
3.8. Utilização de produtos CHIRPS e CHELSA
Na avaliação do desempenho dos produtos CHIRPS e CHELSA foram usados os
seguintes parâmetros estatísticos: os coeficientes de determinação (R2) e correlação linear de
Pearson (r) e Raiz Quadrada do Erro Quadrático Médio (RMSE, MJ.mm.ha-1.h-1.ano-1). A escolha
do produto CHIRPS se deve em virtude de sua resolução espacial, que permite extrair o valor
mensal referente a cada um dos 54 municípios que possuem estação pluviométrica no estado de
46
Alagoas com dados de 1981 até os dias atuais e é disponibilizado em conjuntos de dados diários,
em pêntadas e dados mensais (COSTA et al., 2019). Além disso, o processo inerente a acurácia
deste dado, comprovado em diversos estudos ao qual pode ser uma ótima alternativa em regiões
com carência de estações pluviométricas como o Nordeste Brasileiro, constatado por ParedesTrejo et al. (2017). Além deste trabalho citado, outros trabalhos também abordam e apontam a
eficácia do CHIRPS em regiões com alta densidade de estações, como verificado por Funk et al.
(2015b) e Katsanos et al. (2016). Prakash (2019) avaliou a performance do CHIRPS em relações
a outros três produtos na Índia e detectou que o CHIRPS apresenta um alto grau de confiança, e
pode ser utilizado como referência para dados de períodos longos, neste caso, nos últimos 37
anos (1981-2018).
O produto Climatologies at high resolution for the earth’s land surface areas (CHELSA)
- (KARGER et al., 2017; SANTOS, 2020) possui uma resolução espacial de 1 km x 1 km, em
escala temporal mensal, tem sido recentemente aplicado para os biomas do NEB, no estudo
realizado por CORREIA FILHO et al. (2019a). O período de estudo foi de 1979 a 2013 (34
anos). O produto CHELSA consiste em dados de estações meteorológicas provenientes do Global
Precipitation Climate Centre (GPCC), com uma resolução temporal de 50 km x 50 km. Este
conjunto de dados está sujeito à técnica estatística de redução de 50 km para 25 km, utilizando o
método de interpolação B-Spline com a ajuda de dados de precipitação Era-Interim. No caso de
precipitação, avaliamos os efeitos da topografia, padrão de vento e altura da camada limite
atmosférica (CLA), que são refinados de 25 km para 1 km (KARGER et al., 2017). Além disso,
este procedimento inclui o efeito do vento e a altura CLA para um ajuste da grelha de 25 km a 1
km, cujos dados estão disponíveis em: <http://chelsa-climate.org/timeseries. Estes são
armazenados em ficheiros de extensão Geotiff.
A avaliação do desempenho dos produtos CHIRPS e CHELSA, se deu através da
comparação com os dados de erosividade obtidos por pluviômetros (Figura 13). Para a
espacialização e obtenção dos valores estimados de erosividade por meio dos produtos CHIRPS e
CHELSA, foi utilizado o método de interpolação Krigagem Ordinária (KO). A análise do
desempenho dos valores de erosividade das chuvas no estado de Alagoas foi baseada nos
seguintes indicadores estatísticos: RMSE e os coeficientes R2 e r, com intuito de verificar se os
produtos CHIRPS e CHELSA podem ser uma alternativa de base de dados, na ausência de dados
pluviógrafos e de pluviômetros para determinar a estimativa da erosividade das chuvas.
47
4. RESULTADOS E DISCUSSÃO
4.1. - Controle de qualidade, preenchimento das falhas e uso da imputação de dados
A contabilização das falhas das estações pluviométricas (Tabela 1) nas mesorregiões
climáticas do estado de Alagoas mostrou a soma total de 57,41% de falhas na série temporal de
56 anos. Em relação as mesorregiões, no Leste Alagoano foram computadas 31 estações com
percentual de falhas entre 0,29 e 76,32 %, seguido do Sertão com 12 estações e um percentual de
falhas entre 0 e 63,60 % e o Agreste Alagoano com 11 estações com percentual de falhas entre
3,65 e 67,54 %. Todas as estações foram devidamente preenchidas via método de imputação de
dados, com base nos critérios de percentuais de falhas (item 3.3).
O desempenho do método de imputação foi avaliado segundo os indicadores estatísticos
(item 3.7). A maior dispersão em relação à linha 1:1 ocorreu a partir de 0 mm em todas as
estações escolhidas. Os coeficientes R2 (78% a 84%) e r entre 0,88 a 0,92 (Fig. 3), sendo
categorizado com precisão muito alta (Tabela 3). Os índices d > 0,9 e IC > 0,8 em todas as
estações pluviométricas mostraram-se com um desempenho ótimo, apesar dos percentuais de
falhas de cada uma delas serem altas, por exemplo, 14,91% (Quebrangulo), 44,74% (Rio Largo) e
56,14% (Água Branca) - (Tabela 1). De modo geral, os dados imputados apresentaram alta
precisão em ambas as mesorregiões, visto que o índice d foi próximo de 1 e categorizados como
ótimos – (Tabela 4) - (WILLMOTT, 1981; CAMARGO E SENTELHAS, 1997). Os menores
valores de EPE (< 30 mm) e RMSE (< 42 mm) ocorreram em Água Branca (Sertão Alagoano),
enquanto que os maiores valores de EPE (> 45 mm) e RMSE (> 57 mm) em Rio Largo (Leste
Alagoano), respectivamente. O método de imputação se ajustou satisfatoriamente aos dados
observados, visto que os indicadores estatísticos foram satisfatórios (R2 > 0.78; r > 0.884, IC >
0.83 e d > 0.94).
Desde a década de 1970, a técnica de imputação de dados foi proposta para solucionar
problemas de séries temporais, porém seu uso em diversas áreas do conhecimento se deu a partir
da década de 1980 (Rubin, 1987) e, depois nas demais décadas (LITTLE, 1992; SCHAFER,
1999; ZHANG, 2003; NUNES et al., 2009). Porém, na Meteorologia é recente sua aplicação
como método de preenchimento de falhas, por exemplo, Gois et al. (2019) usaram a imputação de
dados para preenchimento de dados pluviométricos no município de Resende, região do Médio
Paraíba – Rio de Janeiro, com resultados satisfatórios. Santos Silva et al. (2019) utilizaram para o
48
preenchimento de falhas de radiação solar global (Qg) na estação de Arapiraca – Alagoas, cujo
resultados foram uma correlação r quase perfeita e os índices d e IC categorizados como ótimo e
muito bom (r = 0,99 e d = 0,97). Oliveira et al., (2019) aplicaram a imputação de dados no
preenchimento de séries temporais das concentrações diárias de material particulado em 10 µm
(PM10), das partículas totais em suspensão (PTS) e do Ozônio (O3) em Volta Redonda- Rio de
Janeiro, no período de 2013 a 2015, sendo R2 = 85% e r > 0,9.
Figura 3. Diagrama de dispersão (1:1) entre a Chuva Observada e a Chuva Imputada (mm) em (a) Água Branca (Sertão), (b) Quebrangulo – (Agreste) e (c) Rio Largo (Leste Alagoano).
Fonte: Autoria própria (2021)
49
4.2. - Validação dos métodos de interpolação
A análise do desempenho dos métodos de interpolação via Krigagem (Krigagem
Ordinária (KO), Krigagem Simples (KS) e Krigagem Universal (KU)) entre os observados e
imputados é exibida na Fig. 4. A avaliação do desempenho dos modelos de interpolação espacial
da erosividade das chuvas no estado de Alagoas foi baseada nos seguintes indicadores
estatísticos: a RMSE (Root Mean Square Error - Raiz do Erro Quadrático Médio) e os
coeficientes de concordância (R2), e de correlação de Pearson (r), com intuito de definir qual(is)
os melhores métodos a se utilizar para determinar a estimativa da erosividade das chuvas. Além
disso, foi aplicada a estatística descritiva baseado nos seguintes parâmetros (mínimo, máximo,
média, desvio padrão - DP, variância e coeficiente de variação - CV%).
Na Tabela 5 observam-se os resultados da análise estatística dos métodos de interpolação
(KO, KS e KU). Os métodos Spline e IDW (item 3.6) foram excluídos das análises, em virtude
dos coeficientes R2 e r que obtiveram valores igual a 1 no diagrama de espalhamento.
Com base nos indicadores estatísticos aplicados aos três métodos de interpolação
mostraram baixa dispersão no diagrama 1:1, confirmado pelo coeficiente R2, com variações entre
0,8505 e 0,8707 para os métodos KS e KO, respectivamente. Vale ressaltar que os valores
obtidos neste estudo foram superiores aos obtidos por Trindade et al. (2016), com R2 igual a 0,83
no mapeamento da erosividade das chuvas para todo o Brasil. Portanto, neste estudo a condição
análoga entre os métodos KU e KO que apresentaram R2 = 0,8707. De modo geral, houve menor
dispersão dos dados, pois observa-se o não paralelismo na reta de regressão (1:1) entre os
observados e imputados em todos os três métodos de interpolação de erosividade. Vale ressaltar
quanto menor o desvio da reta 1:1, maior a concordância entre os dados observados e os
estimados (MARCUZZO et al., 2011; COSTA et al., 2019). O desempenho dos métodos de
Krigagem, Fig. 4(a), 4(b) e 4(c), mostraram alta similaridade entre os métodos adotados no
estudo, apesar de ter 57,41% de falhas nos dados pluviométricos, os mesmos foram preenchidos
pela imputação de dados e, portanto não comprometeram o cálculo da erosividade.
Os coeficientes r obtidos mostraram alta correlação entre observado e estimado em todos
os métodos avaliados, com r ≥ 0,9, principalmente o método KO. A RMSE apresentou
similaridade entre os métodos KO e KU em relação ao erro obtido, e exceção foi o KS (810,46
MJ.mm.ha-1.h-1) - (Tabela 5). O menor RMSE identificado no estudo foi o método KO (775,224
50
MJ.mm.ha-1.h-1), juntamente com os coeficientes R2 e r corroboram na definição de KO como o
método de interpolação a ser utilizado na espacialização da erosividade das chuvas no estado de
Alagoas. O método KO apresentou resultados similares entre a média, a variância e o desvio
padrão. E, por fim o CV% apresentou variação média, conforme classificação de Warrick e
Nielsen (1980), que classificam a série temporal da seguinte forma: variabilidade baixa (CV <
12%); média (12% < CV < 60%) e alta (CV > 60%).
Tabela 5. Análise estatística dos métodos de interpolação espacial.
Parâmetros
Métodos de interpolação
Estatísticos
KO
KS
KU
Mínimo
3824,79
3934,37
3824,15
Mediano
6325,78
6445,55
6325,77
Máximo
9949,58
9994,16
9949,45
Média
6354,43
6487,39
6354,65
Variância
2830780
2831909
2831909
DP
1682,49
1698,58
1682,83
CV%
26,4774
26,1828
26,4818
RMSE
775,224
810,46
775,23
R2
0,8707
0,8505
0,8707
r
0,9331
0,9222
0,9331
Fonte: Autoria Própria (2021)
Salienta-se que o método de Krigagem tem sido recentemente usado no mapeamento da
erosividade no Brasil e no Mundo, com resultados satisfatórios (PANAGOS et al., 2015;
TERASSI et al., 2019; TERASSI et al., 2020).
Destaque para os coeficientes de R2 = (KO e KU = 0,8707 e KS = 0,8505) e r = (KO e KU
= 0,9331 e KS = 0,9222), com correlação quase perfeita (Tabela 5) para a Krigagem e suas
derivações. Em relação aos índices d = (KO e KU = 0,9552 e KS = 0,9512) e IC = (KO e KU =
0,8913 e KS = 0,8772) também foram categorizados como ótimos (Tabela 4). Vale ressaltar que
todos os métodos de interpolação espacial podem ser usados no mapeamento da isoerosividade
do estado de Alagoas, pois apresentaram alta precisão, visto que o índice d > 0.9, sendo próximo
de 1 (WILLMOTT, 1981). Os maiores valores de EPE e RMSE ocorreram na KS (EPE = 825,90
51
MJ.mm.ha-1.h-1.ano-1 e RMSE = 810,46 MJ.mm.ha-1.h-1.ano-1) e KU (EPE = e 790,00 MJ.mm.ha1
.h-1.ano-1 e RMSE = 775,24 MJ.mm.ha-1.h-1.ano-1), a exceção foi a KO menores valores dos EPE
= (789,99 MJ.mm.ha-1.h-1.ano-1) e RMSE = (775,22 MJ.mm.ha-1.h-1.ano-1), com menores
superestimativas em relação as demais derivações da Krigagem, o método KO é definido no
estudo para o mapeamento da isoerosividade mensal e anual no estado de Alagoas. Vale ressaltar
que o resultado obtido foi superior em relação ao estudo realizado por Trindade et al. (2016) na
avaliação da variabilidade espacial da erosividade das chuvas no Brasil, onde obtiveram R2 =
0,83, seguido de Back e Poleto (2018) que usaram o método KO para o mapeamento da
erosividade no período de 1980 a 2015 para o estado de Santa Catarina com resultados
satisfatórios, porém com a base de dados inferior ao usado neste estudo.
52
Figura 4. Diagrama de dispersão (1:1) do desempenho dos métodos de Krigagem Ordinária, Simples e Universal
entre Observado e Imputado, seguidos dos parâmetros estatísticos: coeficientes R2 e r, dos índices d e IC, dos valores
de EPE e RMSE (MJ.mm.ha-1.h-1.ano-1).
Fonte: Autoria Própria (2021)
53
4.3. – Análise de agrupamento aplicada à erosividade
A análise de clusters (AA) via dendrograma identificou três grupos homogêneos de
erosividade das chuvas (G1, G2 e G3) em Alagoas (Figura 5).
Figura 5. Dendrograma dos três grupos homogêneos (G1, G2 e G3) da erosividade das chuvas do estado de Alagoas.
45
48
43
46
14
15
6
35
37
34
29
28
31
33
26
30
4
51
8
10
36
38
32
5
50
25
49
44
47
53
54
16
24
27
17
39
3
52
1
2
9
13
20
21
7
19
41
42
11
12
18
0
10000
23
22
40
30000
Height
50000
70000
Cluster Dendrogram
d
hclust (*, "complete")
Fonte: Autoria Própria (2021)
O CCC foi aplicado nos setes métodos de ligação (Apêndice), sendo identificados os mais
adequados no estudo, o Average (0,739) e Complete (0,718), com CCC > 0,7. Os demais
métodos foram descartados, devido CCC < 0,7 e, assim inadequados (ROHLF, 1970; BARROSO
e ARTES, 2003; CRUZ e CARNEIRO, 2003). Diante disso, optou-se por utilizar o método de
ligação Complete por representar a distribuição espacial da erosividade de forma mais
homogênea (Figura 6).
54
Os resultados obtidos na literatura para o estado de Alagoas apontam diferenças
significativas entre o número ideal de grupos homogêneos. Por exemplo, Souza et al. (1992)
utilizaram uma série de dados pluviométricos superior a 30 anos, e identificaram quatro grupos
homogêneos, ao contrário de Lyra et al. (2014), com séries temporais pluviométricas entre 20
20-30
anos (1961-1990)
1990) detectaram que o número ideal seria cinco grupos homogêneos. No entanto,
ambos os estudos não validaram a técnica AA a partir de CCC e, ainda usaram número de
estações e séries temporais inferiores a este estudo, assim como o preenchimento de falhas
(regressão linear) foi diferente em relação ao do estudo (imputação de dados). Porém, vale
destacar que Costa et al. (2020) validaram a técnica
técnic AA com o uso de CCC nos dados de
precipitação do estado de Alagoas, no mesmo período desse estudo, identificando dois grupos
homogêneos de precipitação, fato este, que incentivou o estudo da erosividade nessa pesquisa.
Figura 6. Distribuição espacial dos grupos homogêneos (G1, G2 e G3) quanto à erosividade nas mesorregiões
climáticas do estado de Alagoas.
Fonte: Autoria Própria (2021)
55
Espacialmente, os grupos formados seguiram características específicas quanto às
mesorregiões climáticas (Figura 6) e o regime de chuva no Estado (Figura 7). O grupo G1
(9.732,4 ± 2.286,6 MJ.mm.ha-1.h-1.ano-1) é menor grupo formado com 9 estações (Figura 8),
estando inserido totalmente na mesorregião climática do Leste Alagoano (Figura 6), com média
anual das chuvas entre 1000 e 2500 mm (Figura 7) (BARROS et al., 2012). A erosividade média
anual e o desvio padrão no grupo G1 foram maiores em relação aos demais grupos, isso se deve
aos maiores registros de chuva no Estado em virtude da proximidade da costa e da interação da
chuva com topografia costeira (Figura 1) - (LYRA et al., 2014; NASCIMENTO et al., 2018;
COSTA et al. 2020).
O grupo G2 é o segundo maior grupo com 16 estações (3.805,13 ± 1.539,6 MJ.mm.ha-1.h1
.ano-1) está inserido nas mesorregiões do Agreste e Sertão Alagoano, sua maior parte, encontra-
se inserida nas regiões de condições semiáridas com clima seco e quente, além de possuir duas
estações que são pertencentes ao Leste Alagoano (Figura 6) (Pindoba – ID47 e Matriz do
Camaragibe – ID9), e chuva média anual entre 500 e 1000 mm (Figura 7) (BARROS et al.,
2012). O grupo G3 é o maior grupo formado por 29 estações e com maior abrangência no Estado
(6.777,7 ± 2.052,9 MJ.mm.ha-1.h-1.ano-1), e estão inseridas em sua maior parte na mesorregião
climática do Leste Alagoano (Figura 6), similar o grupo G1, e outra parte inserida na mesorregião
climática do Agreste Alagoano, apresentando uma pluviosidade média anual entre 750 e 1.750
mm (Figura 7) (BARROS et al., 2012) e com duas estações no Sertão Alagoano (Água Branca –
ID43 e Mata Grande – ID45).
56
Figura 7. Distribuição pluviométrica anual (mm) do estado de Alagoas.
Fonte: Autoria Própria (2021)
4.4. – Estatística descritiva e exploratória da erosividade
Na Tabela 6 encontram-se
encontram os índices de erosividadee das chuvas no estado de Alagoas. A
erosividade média mensal das chuvas variou entre 87,05 MJ.mm.ha-1.h-1 (novembro) a 1.233,54
MJ.mm.ha-1.h-1 (junho) - (Tabela 6). O mês com menor erosividade foi outubro (34,26
MJ.mm.ha-1.h-1) na estação de Batalha, enquanto
enquanto que o maior valor de erosividade mensal foi
2.215,92 MJ.mm.ha-1.h-1 na estação de Satuba (junho). A erosividade média anual das chuvas
(Fator R) no período estudado foi de 6.354,43 MJ.mm.ha-1.h-1.ano-1, sendo classificada como uma
erosividade de intensidade
sidade moderada a forte segundo CARVALHO (2008). As erosividades
médias anuais variaram entre 2.910,22 MJ.mm.ha-1.h-1.ano-1 e 11.469,80 MJ.mm.ha-1.h-1.ano-1
classificadas como moderada e muito forte, respectivamente.
57
Tabela 6. Índice de erosividade da chuva ( EI 30 ) mensal e anual das 54 estações pluviométricas do estado de Alagoas.
Índice de erosividade da chuva
Estação
Mensal
Jan
Fev
Mar
Abr
Jul
Ago
Set
Out
Nov
Dez
Anual
Mai
Jun
279,7
126,5
85,4
82,1
252,5
5730,9
810,1
373,3
263,5
94,1
71,3
95,9
6282,3
Água Branca
213,8
287,5
632,1
748,4
1059,1
MJ.mm.ha-1.h-1
962,9
1000,8
Anadia
85,1
328,7
565,2
994,3
1349,4
1251,5
Arapiraca
91,2
130,9
370,4
535,1
950,5
898,1
635,4
203,9
156,3
59,2
38,5
93,1
4162,4
Atalaia
131,6
228,3
490,8
817,7
1245,3
1595,7
1410,5
597,5
326,9
183,5
63,2
87,3
7178,2
Batalha
110,3
242,7
595,5
561,9
746,5
651,7
504,5
96,7
76,4
34,3
82,3
145,5
3848,2
Cacimbinhas
194,8
241,1
397,0
525,2
820,0
772,4
646,9
199,1
126,8
173,4
62,8
184,4
4343,8
Canapi
258,6
214,9
271,2
498,7
541,3
384,2
325,4
103,6
41,7
47,9
111,9
115,0
2914,6
Capela
189,3
270,5
478,1
664,1
1170,8
1608,6
1329,4
542,2
240,4
195,9
109,1
185,7
6984,0
Colônia Leopoldina
187,5
304,4
635,1
754,2
766,6
1095,0
1127,5
578,6
337,3
152,7
80,3
210,1
6229,3
Coruripe
115,3
406,7
877,9
1565,6
1583,8
1348,3
913,0
364,9
282,4
119,7
77,1
93,1
7747,9
Delmiro Gouveia
392,5
470,0
703,0
428,1
414,6
406,0
353,1
85,8
61,8
39,8
117,2
293,9
3765,7
Flexeiras
196,0
273,6
591,5
1205,2
1701,3
2014,6
2073,6
807,7
394,4
226,7
68,0
171,1
9723,6
Ibateguara
252,2
297,2
572,0
679,4
953,8
954,4
976,2
293,9
135,9
109,4
116,2
257,3
5598,0
Igaci
200,0
221,8
357,6
1061,5
2071,3
1479,4
1019,4
490,3
221,2
237,4
48,8
115,8
7524,6
Igreja Nova
122,4
245,5
508,4
918,6
1548,1
1294,7
1029,2
479,7
216,0
206,9
77,9
133,8
6781,4
Jacuípe
337,2
316,1
610,8
856,7
1409,5
1668,0
1606,6
696,0
301,5
132,0
93,6
125,1
8153,1
Junqueiro
62,9
186,9
411,6
913,3
1226,2
1135,4
854,9
381,3
202,5
85,8
109,2
98,5
5668,6
Lagoa da Canoa
84,3
180,4
565,8
756,9
1214,7
1108,7
883,9
335,7
212,2
86,0
86,9
158,5
5674,0
Limoeiro de Anadia
70,4
162,1
480,5
722,8
1182,0
1263,4
937,8
394,9
233,6
92,1
53,9
70,5
5664,2
Maceió
241,2
288,2
680,3
1439,7
2023,2
1911,2
1683,9
735,4
473,0
243,1
117,4
108,8
9945,4
Major Isidoro
130,7
352,8
573,2
677,8
783,6
659,9
530,5
148,3
92,0
60,9
52,7
215,4
4277,8
Mar Vermelho
174,7
167,0
435,4
743,9
1261,9
1483,0
1494,4
632,2
294,4
180,9
45,6
91,0
7004,6
MJ.mm.ha-1.ano-1.h-1
Maragogi
287,1
343,2
666,5
1068,4
1269,9
1206,5
1402,1
535,7
190,4
115,4
91,7
113,5
7290,6
Marechal Deodoro
179,6
252,7
661,7
1372,9
1994,9
2178,9
1718,7
584,0
311,0
183,4
69,5
131,7
9639,1
Mata Grande
230,7
368,8
684,4
630,5
996,1
1005,3
1144,3
350,3
146,2
79,7
66,1
185,8
5888,3
58
Matriz do Camaragibe
302,2
283,4
374,5
411,2
587,4
790,8
687,1
398,3
350,3
244,0
227,9
257,7
4914,9
Minador do Negrão
130,8
223,2
379,5
546,6
821,8
715,3
662,7
218,2
80,5
94,4
37,5
130,9
4041,4
Murici
168,2
242,6
556,9
939,6
1514,9
1677,1
1682,0
761,2
311,5
159,9
89,3
115,2
8218,5
Olho D'água das Flores
176,1
305,4
457,6
639,5
1031,8
926,9
749,5
217,8
104,8
78,5
68,7
70,4
4826,9
Olho D'água do Casado
278,8
313,7
526,9
387,7
554,2
548,2
587,8
106,1
71,4
40,2
78,3
200,4
3693,5
Palmeira dos Índios
179,5
234,5
386,1
669,7
1144,3
1194,7
1123,4
423,3
170,4
135,2
48,2
140,9
5850,2
Pão de Açúcar
287,8
276,6
413,2
430,4
630,7
591,4
535,3
201,3
122,0
75,2
74,9
165,2
3804,0
Passo de Camaragibe
286,8
302,8
909,0
1505,0
1626,7
1854,4
1518,2
832,5
347,9
172,6
117,1
123,5
9596,6
Penedo
159,3
204,8
455,0
1154,9
1637,6
1427,0
1105,1
510,4
258,2
266,7
85,4
82,2
7346,7
Piaçabuçu
138,2
197,0
514,1
1085,1
1379,8
1080,9
827,0
416,6
226,1
211,5
94,6
144,9
6315,7
Pilar
441,2
183,9
492,1
1182,6
1804,2
1870,8
1538,9
683,7
410,8
200,9
96,0
155,5
9060,4
Pindoba
273,7
218,3
245,2
463,8
523,0
388,7
326,0
117,1
46,6
58,7
126,2
122,9
2910,2
Piranhas
383,2
267,1
604,3
397,3
527,0
462,5
416,9
144,0
62,3
57,4
64,9
356,5
3743,5
Poço das Trincheiras
307,4
387,6
525,3
544,5
703,4
850,9
785,3
284,1
111,9
74,6
83,8
200,4
4859,1
Porto Calvo
311,0
366,5
828,1
1175,3
1563,1
1968,4
1409,8
770,1
315,2
179,6
120,5
255,1
9262,6
Porto de Pedras
256,4
372,6
1117,8
1403,4
1469,4
1729,3
1539,5
616,1
253,9
133,3
88,3
108,0
9088,0
Porto Real do Colégio
125,1
115,1
374,6
695,9
1109,7
1047,4
1036,4
429,4
209,4
188,7
71,9
126,0
5529,7
Quebrangulo
181,6
237,1
444,3
856,6
1094,9
1335,8
1363,0
654,2
266,5
182,9
62,5
181,3
6860,7
Rio Largo
128,0
180,2
450,6
1016,1
1573,7
1690,6
1276,5
741,7
402,8
146,4
73,3
62,5
7742,3
Santana do Ipanema
222,3
252,5
518,4
536,9
762,7
874,3
784,2
325,3
111,3
74,7
102,4
116,9
4681,9
Santana do Mundaú
268,6
376,5
634,0
572,7
939,7
1009,9
1135,4
386,9
160,9
110,8
101,5
191,0
5887,9
São José da Laje
201,4
204,7
484,4
754,4
1020,6
1724,7
1669,8
1003,8
364,2
156,6
86,4
135,2
7806,2
São Luiz do Quitunde
311,5
399,3
745,9
1223,9
1499,9
1793,8
1665,8
862,4
570,5
329,4
148,3
255,2
9806,2
São Miguel dos Campos
114,1
326,3
708,5
1463,2
1709,4
1637,2
1071,3
503,4
364,2
134,3
66,9
122,7
8221,4
Satuba
275,1
238,0
690,4
1564,0
2180,2
2215,9
2144,6
923,7
549,5
320,4
116,3
251,7
11469,8
Tanque D'Arca
134,4
211,6
380,5
899,2
1308,5
1323,1
1189,2
482,5
291,1
131,8
65,7
103,1
6520,7
Traipu
137,0
149,8
407,7
736,3
792,1
744,1
515,5
219,0
162,6
111,2
83,6
134,8
4193,6
União dos Palmares
150,9
182,1
459,9
762,2
1337,2
1378,5
1530,9
697,3
248,9
182,6
117,6
90,6
7138,7
Viçosa
199,7
310,5
669,4
821,8
1366,1
1420,5
1380,0
709,4
360,8
177,8
109,5
189,3
7714,9
Fonte: Autoria Própria (2021)
59
Na Figura 8 estão representados os boxplots por grupos homogêneos de erosividade. No
grupo G1 o conjunto de dados apresentou simetria satisfatória, representada pela linha mediana,
isto se deve à distribuição de chuvas anual e ao maior registro de chuva no Leste Alagoano e sua
proximidade do ambiente costeiro (BARROS et al., 2012; LYRA et al., 2014; NASCIMENTO et
al., 2018; COSTA et al., 2020). Os valores de erosividade média anual correspondem a 10.000
MJ.mm.ha-1.h-1.ano-1, com valores próximos a 15.000 MJ.mm.ha-1.h-1.ano-1 (máximo) e 5.000
MJ.mm.ha-1.h-1.ano-1 (mínimo), seguido de valores extremos (outliers) principalmente nas
estações de Maceió (ID19) e Satuba (ID23) – (Tabela 1). Vale ressaltar que estas estações estão
próximas da Lagoa Mundaú e do ambiente costeiro e, portanto, há uma conjugação das
circulações da brisa marítima/terrestre e da lagoa (LYRA et al., 2014) e, ainda pela variabilidade
interanual e decenal da chuva identificada anteriormente na literatura (DA SILVA et al., 2010;
LYRA et al., 2017).
O grupo G2, ao contrário do grupo G1, não apresentou simetria satisfatória em relação ao
conjunto de dados, isso se deve à distribuição de chuvas irregular durante o ano (Figura 5),
principalmente na mesorregião do Sertão Alagoano (OLIVEIRA JÚNIOR et al., 2012; LYRA et
al., 2014). Os valores de erosividade média anual foram baixos em comparação aos grupos G1 e
G3, se concentraram na faixa próxima a 4.000 MJ.mm.ha-1.h-1.ano-1, com valores próximos a
7.000 MJ.mm.ha-1.h-1.ano-1 (máximo) e mínimo abaixo de 1.000 MJ.mm.ha-1.h-1.ano-1.
Novamente ocorreu outliers, destaque para as estações de Matriz do Camaragibe, Olho D’água
das Flores (ID18) e Pão de Açúcar (ID52), com extremos próximos de 10.000 MJ.mm.ha-1.h1
.ano-1. Tais extremos identificados se devem a interação dos fatores fisiográficos, por exemplo, a
proximidade do Rio São Francisco e com a topografia contribuem para ocorrência de chuvas
orográficas e convecção local (MOLION; BERNARDO, 2002; LYRA et al., 2014).
O grupo G3 similar ao grupo G2, não apresentou simetria satisfatória em relação ao
conjunto de dados, os valores de erosividade média anual se concentravam na faixa próxima a
7.000 MJ.mm.ha-1.h-1.ano-1, com valores próximos a 10.000 MJ.mm.ha-1.h-1.ano-1 (máximo) e
2.500 MJ.mm.ha-1.h-1.ano-1 (mínimo). Novamente, ocorreram diversos outliers, principalmente
nas estações de Rio Largo (ID22), Quebrangulo (ID29) e Maragogi (ID40) – (Tabela 1), com
valores próximos de zero. As estações citadas sofrem com períodos de estiagem prolongada e até
mesmo com secas frequentes (OLIVEIRA JÚNIOR et al., 2012; CARVALHO et al., 2013;
COSTA et al., 2020).
60
Figura 8. Boxplot das erosividades médias anuais (MJ.mm.ha-1.h-1.ano-1) dos grupos G1, G2 e G3 no Estado de
Alagoas no período de 1960 – 2016.
Fonte: Autoria Própria (2021)
61
4.5. – Mapas de isoerosividade de Alagoas
A partir da definição do método do KO foram confeccionados mapas mensais e anuais da
erosividade da chuva no estado de Alagoas. Nas Figuras 9, 10 e 11 estão representados os valores
de erosividade mensal. Os mapas mensais foram separados quanto à distribuição de chuva no
Estado, em período seco (Figura 9) (outubro, novembro, dezembro, janeiro e fevereiro), chuvoso
(Figura 10) (abril, maio, junho e julho) e transição (Figura 11) (março, agosto e setembro), com
base no estudo realizado anteriormente por Lyra et al. (2014).
Nos meses correspondentes ao período seco (Figura 9), os maiores valores de erosividade
ocorrem de forma distribuída entre os meses de janeiro e fevereiro nas mesorregiões climáticas
Leste Alagoano e Sertão Alagoano, deve-se destacar também os meses de outubro e novembro,
que apresentaram os menores valores de erosividade para o período, principalmente no Sertão
Alagoano inferior a 34 MJ.mm.ha-1.h-1. Já nos meses de transição (Figura 11) os maiores valores
da erosividade se concentraram no Leste Alagoano e tiveram variação entre 400 e 900
MJ.mm.ha-1.h-1. Exceções foram apresentadas no Sertão Alagoano onde a erosividade mensal
variou entre 70 e 95 MJ.mm.ha-1.h-1 no mês de setembro. Vale salientar que o período de
transição possui erosividades mensais com valores maiores em relação ao período seco. Alguns
sistemas meteorológicos que influenciam para a variabilidade da chuva e, consequentemente da
erosividade nos períodos seco e de transição no estado de Alagoas, são aos Vórtices Ciclônicos
em Altos Níveis (VCAN), sem região preferencial ocorrendo no período de dezembro a março
(PONTES DA SILVA et al., 2011; LYRA et al., 2014); VCAN concomitantemente com a
penetração de Sistemas Frontais (SF), presentes na costa Leste e Interior do Estado (MOSCATI E
GAN, 2007; LYRA et al., 2014; MOURA et al., 2020); e Alta da Bolívia (AB) juntamente com
posição migratória da Alta Subtropical do Atlântico Sul (ASAS), no período de outubro a janeiro
(KOUSKY E GAN, 1981; RAO et al., 1997; LYRA et al., 2014). Nos meses do período chuvoso
(Figura 10), os maiores valores de erosividade estão concentrados na mesorregião Leste
Alagoano, onde se concentram os maiores registros de chuva e a proximidade com o ambiente
costeiro (BARROS et al., 2012; LYRA et al., 2014; COSTA et al., 2020), fato que justifica esses
resultados. Os valores de erosividade para o período variou entre 1425 e 2200 MJ.mm.ha-1.h-1.
Dentro do estudo, pode-se destacar algumas estações por apresentarem alta variabilidade
da erosividade mensal no período em questão. No período seco (Figura 9), as estações
62
pluviométricas de Batalha (ID16), com valor de erosividade de 34,3 MJ.mm.ha-1.h-1 menor
registro do mês de outubro e Delmiro Gouveia (ID1) com 470,0 MJ.mm.ha-1.h-1 maior valor e
erosividade para o mês de fevereiro, destacam-se das demais, e ambas inseridas na mesorregião
Sertão Alagoano.
No período mais chuvoso (Figura 10), se destacaram as estações de Canapi (ID44) com
325,4 MJ.mm.ha-1.h-1, menor valor para o período, esta pertencente à mesorregião Sertão
Alagoano e Satuba (ID23) 2.215 MJ.mm.ha-1.h-1, sendo o maior valor de erosividade mensal,
estação do Leste Alagoano.
Novamente, a estação de Canapi aparece com o menor valor de erosividade, agora dentro
do período de transição (Figura 11) 41,7 MJ.mm.ha-1.h-1, seguida da estação de Porto de Pedras
(ID42) que está localizada no Leste Alagoano e apresentou o maior valor 1.117,8 MJ.mm.ha-1.h-1.
Em todas as estações citadas houve alta variabilidade da erosividade mensal devido a fatores
fisográficos (relevo, continentalidade e maritimidade) e também função da atuação dos sistemas
meteorológicos em multiescala que interferem na dinâmica do regime de chuvas do estado de
Alagoas (MOLION E BERNARDO, 2002; OLIVEIRA JÚNIOR et al., 2012; LYRA et al., 2014)
63
Mensal
Período seco
Figura 9. Erosividade média mensal (MJ.mm.ha-1 .h-1) no período seco, no estado de Alagoas no período de 1960 –
2016.
Fonte: Autoria Própria (2021)
64
Período chuvoso
Figura 10. Erosividade
ade média mensal (MJ.mm.ha-1 .h-1) no período chuvoso, no estado de Alagoas no período de
1960 – 2016.
Fonte: Autoria Própria (2021)
65
Período transição
Figura 11. Erosividade média mensal (MJ.mm.ha-1 .h-1) no período de transição, no estado de Alagoas no período de
1960 – 2016.
Fonte: Autoria Própria (2021)
Anual
A série histórica (1960-2016)
(1960
da erosividade média anual no estado de Alagoas (Figura
12)) variou entre 2.910,2 MJ.mm.ha-1.h-1.ano-1 (Moderada) a 11.469,8 MJ.mm.ha-1.h-1.ano-1
(Muito Forte), conforme a Tabela 2. Os maiores valores encontrados para o período de 556 anos
foram 11.469,8 MJ.mm.ha-11.h-1.ano-1 (Satuba ID23), 9.945,4 MJ.mm.ha-1.h-1.ano-1 (Maceió
ID19), 9.806,2 MJ.mm.ha-1.h-11.ano-1 (São Luiz do Quitunde ID12) e 9.723,6 MJ.mm.ha-1.h-1.ano-1
(Flexeiras ID7), sendo todas as estações pertencentes à mesorregião Leste Alagoano e
categorizadas como Muito Forte (CARVALHO, 2008). Vale destacar a formação de um
gradiente de erosividade da chuva, similar ao gradiente de chuva identificado anterior
anteriormente por
Lyra et al. (2014). Outro aspecto relevante que contribuem para tais valores da erosividade anual
66
nestas estações é a proximidade com ambiente costeiro, a influência das circulações das brisas
marítima/terrestre e do Complexo Lagunar (Lagoas Mundaú
Mundaú e Manguaba) que contribuem para
os maiores registros das chuvas nessa área (DA SILVA et al., 2010). Com relação às estações de
Maceió e Satuba, que fazem parte da Região Metropolitana de Maceió (RMM), estão próximas
da Lagoa Mundaú, também são influenciadas
influenciadas pela circulação da brisa lagunar ((DA SILVA et al.,
2010; NASCIMENTO et al., 2018).
-1 -1
Figura 12. Erosividade média anual (MJ.mm.ha
(
.h .ano-1) no estado de Alagoas no período de 1960 – 2016.
Fonte: Autoria Própria (2021)
4.6. Validação dos produtos CHIRPS e CHELSA
Analogamente aos dados,
dados, houve menor dispersão dos dados, pois se observa o não
paralelismo na reta de regressão (1:1) entre os observados (pluviômetros) e os resultados dos dois
produtos (CHIRPS e CHELSA).
CHELSA) Vale ressaltar mais uma vez que quanto
uanto menor o desvio da reta
1:1, maior a concordância entre os dados observados e os estimados (MARCUZZO et al., 2011;
COSTA et al., 2019). O desempenho dos produtos CHIRPS e CHELSA, Fig. 13 (a) e (b),
mostraram similaridade aceitável entre os produtos utilizados
utilizados e o método adotado no estudo.
67
Figura 13. Diagrama de dispersão (1:1) do desempenho dos produtos CHIRPS e CHELSA, entre Observado e
Imputado, seguidos dos parâmetros estatísticos: coeficientes R2 e r, dos valores de RMSE (MJ.mm.ha
MJ.mm.ha-1.h-1.ano-1).
Fonte: Autoria Própria (2021)
Os coeficientes de R2 = (CHIRPS = 0,6383 e CHELSA = 0,6607) e r = (CHIRPS =
0,7989 e CHELSA = 0,8128) mostram uma correlação muito alta (Tabela 3). O maior valor de
RMSE ocorreu nos produtos CHELSA (RMSE = 1614,147 MJ.mm.ha-1.h-1.ano-1), assim também
como o maior valor do coeficiente de correlação r (0,8128) sobressaindo
sobressaindo-se em relação ao
CHIRPS.
4.7.. Mapas de isoerosividade anual de Alagoas (CHIRPS e CHELSA)
Com base no método de KO foram confeccionados mapas de isoerosivid
isoerosividade via produtos
de precipitação CHIRPS e CHELSA, os mapas anuais da erosividade da chuva no estado de
Alagoas, encontra-se na Figura
ura 14a e 14b.. A erosividade média anual obtida através dos produtos
CHIRPS variou entre 2.901,88 MJ.mm.ha-1.h-1.ano-1 (Moderada)
da) a 9.628,78 MJ.mm.ha-1.h-1.ano-1
(Forte), conforme Tabela 2. Os maiores valores encontrados para o período de 38 anos foram
9.628,7 MJ.mm.ha-1.h-1.ano-1 (Satuba ID23), 9.195,4 MJ.mm.ha-1.h-1.ano-1 (Maceió ID19), 8.805
MJ.mm.ha-1.h-1.ano-1 (Pilar ID21) e 8.529 MJ.mm.ha-1.h-1.ano-1 (Porto de Pedras ID42
ID42). A
erosividade média anual obtida através dos produtos CHELSA variou entre 3.433,18 MJ.mm.ha1
.h-1.ano-1 (Moderada) a 11.274,04 MJ.mm.ha-1.h-1.ano-1 (Muito Forte), conforme Tabela 2. Os
68
maiores valores encontrados
ontrados para o período de 34
3 anos foram 11.274,04 MJ.mm.ha-1.h-1.ano-1
(Satuba ID23), 10.856,86 MJ.mm.ha-1.h-1.ano-1 (Porto de Pedras ID42), 10.814,96 MJ.mm.ha-1.h1
.ano-1 (Murici ID10) e 10.734,95 MJ.mm.ha-1.h-1.ano-1 (Rio
Rio Largo ID2
ID22), sendo todas as
estações
ações pertencentes à mesorregião Leste Alagoano e categorizadas como Muito Forte
(Carvalho, 2008).
-1 -1
Figura 14 - Erosividade anual (MJ.mm.ha
(
.h .ano-1) no estado de Alagoas (CHIRPS (a) e CHELSA (b),
respectivamente).
Fonte: Autoria Própria (2021)
69
4.8. Análise espacial da tendência da chuva e erosividade anual
Chuva
Com relação à análise espacial da tendência de chuva, apenas 16 municípios entre os 54
que possuem estação pluviométrica apresentaram tendência de aumento da chuva na série
temporal de 56 anos, são eles: Água Branca (ID43), Arapiraca, Batalha (ID13), Capela (ID5),
Igreja Nova (ID31), Junqueiro (ID37), Lagoa da Canoa (ID14), Limoeiro de Anadia (ID35),
Major Isidoro (ID17), Maragogi (ID40), Pão de Açúcar (ID52), Piaçabuçu (ID33), Poço das
Trincheiras (ID53), Porto Calvo (ID11), São Luiz do Quitunde (ID12) e São Miguel dos Campos
(ID38). Os outros 38 municípios apresentaram tendência de diminuição de chuva, conforme
Tabela 7.
As maiores tendências de diminuição da chuva no Estado ocorreram em São José da Laje
(-3,47 mm/ano, ID49) e Atalaia (-2,27 mm/ano, ID4) - Leste Alagoano, Olho D´água das Flores
(-2,38 mm/ano, ID18) - Sertão Alagoano e Quebrangulo (-2,37 mm/ano, ID29) - Agreste
Alagoano. Destaque para os municípios com aumento na tendência de chuva, por exemplo,
Batalha (2,61 mm/ano, ID16), Major Isidoro (2,55 mm/ano, ID17) ambas as estações estão
localizadas no Sertão Alagoano, seguido de São Miguel dos Campos (2,52 mm/ano, ID38) e
Satuba (1,51 mm/ano, ID23) estas pertencentes à mesorregião do Leste Alagoano.
Tabela 7. Resultados das Tendências via teste de MK aplicada à série temporal de chuva em
Alagoas.
Municípios
Tendência Anual (mm/ano)
Categorização
Água Branca
+0,11
TENDÊNCIA DE AUMENTO
35
Anadia
-0,90
TENDÊNCIA DE QUEDA
13
Arapiraca
+0,73
TENDÊNCIA DE AUMENTO
4
Atalaia
-2,27
TENDÊNCIA DE QUEDA
Batalha
+2,61
TENDÊNCIA DE AUMENTO
24
Cacimbinhas
-0,70
TENDÊNCIA DE QUEDA
44
Canapi
-1,85
TENDÊNCIA DE QUEDA
5
Capela
+0,13
TENDÊNCIA DE AUMENTO
Colônia Leopoldina
-0,43
TENDÊNCIA DE QUEDA
36
Coruripe
-1,85
TENDÊNCIA DE QUEDA
1
Delmiro Gouveia
-1,05
TENDÊNCIA DE QUEDA
7
Flexeiras
-0,80
TENDÊNCIA DE QUEDA
Ibateguara
-2,06
TENDÊNCIA DE QUEDA
ID
43
16
6
46
70
Igaci
-2,12
TENDÊNCIA DE QUEDA
31
Igreja Nova
+0,25
TENDÊNCIA DE AUMENTO
8
Jacuípe
-1,68
TENDÊNCIA DE QUEDA
37
Junqueiro
+1,69
TENDÊNCIA DE AUMENTO
Lagoa da Canoa
+0,87
TENDÊNCIA DE AUMENTO
15
Limoeiro de Anadia
+1,10
TENDÊNCIA DE AUMENTO
19
Maceió
-0,56
TENDÊNCIA DE QUEDA
17
Major Isidoro
+2,55
TENDÊNCIA DE AUMENTO
Mar Vermelho
-0,76
TENDÊNCIA DE QUEDA
40
Maragogi
+1,07
TENDÊNCIA DE AUMENTO
20
Marechal Deodoro
-0,05
TENDÊNCIA DE QUEDA
45
Mata Grande
-0,15
TENDÊNCIA DE QUEDA
Matriz de Camaragibe
-0,25
TENDÊNCIA DE QUEDA
27
Minador do Negrão
-1,01
TENDÊNCIA DE QUEDA
10
Murici
-0,94
TENDÊNCIA DE QUEDA
18
Olho D'água das Flores
-2,38
TENDÊNCIA DE QUEDA
Olho D'água do Casado
-0,56
TENDÊNCIA DE QUEDA
28
Palmeira dos Índios
-1,18
TENDÊNCIA DE QUEDA
52
Pão de Açúcar
+0,62
TENDÊNCIA DE AUMENTO
41
Passo de Camaragibe
-0,94
TENDÊNCIA DE QUEDA
Penedo
-0,28
TENDÊNCIA DE QUEDA
33
Piaçabuçu
+0,49
TENDÊNCIA DE AUMENTO
21
Pilar
-0,13
TENDÊNCIA DE QUEDA
47
Pindoba
-1,27
TENDÊNCIA DE QUEDA
Piranhas
-0,62
TENDÊNCIA DE QUEDA
53
Poço das Trincheiras
+0,03
TENDÊNCIA DE AUMENTO
11
Porto Calvo
+0,02
TENDÊNCIA DE AUMENTO
42
Porto de Pedras
-0,22
TENDÊNCIA DE QUEDA
Porto Real do Colégio
-0,57
TENDÊNCIA DE QUEDA
29
Quebrangulo
-2,37
TENDÊNCIA DE QUEDA
22
Rio Largo
-1,72
TENDÊNCIA DE QUEDA
54
Santana do Ipanema
-0,55
TENDÊNCIA DE QUEDA
Santana do Mundaú
-1,79
TENDÊNCIA DE QUEDA
49
São José da Laje
-3,47
TENDÊNCIA DE QUEDA
12
São Luiz do Quitunde
-0,09
TENDÊNCIA DE QUEDA
38
São Miguel dos Campos
+2,52
TENDÊNCIA DE AUMENTO
Satuba
+1,51
TENDÊNCIA DE AUMENTO
30
Tanque D'Arca
-1,34
TENDÊNCIA DE QUEDA
39
Traipu
-1,25
TENDÊNCIA DE QUEDA
50
União dos Palmares
-0,50
TENDÊNCIA DE QUEDA
51
Viçosa
-1,75
TENDÊNCIA DE QUEDA
25
14
26
9
2
32
3
34
48
23
Fonte: Autoria Própria (2021)
71
As tendências de aumento de chuva (Figura 15) se encontram preferencialmente na
mesorregião do Sertão Alagoano, deve-se considerar o quantitativo de estações pluviométricas
instaladas na mesorregião, um total de 12 (doze), onde em 5 (cinco) foi constatada a tendência de
aumento de chuva. Não se descarta também a influência do preenchimento de falhas, visto que as
estações pluviométricas da região apresentaram maiores registros de falhas e lacunas (Tabela 1).
Além disso, o período usado no estudo alternou fases positivas e negativas da Oscilação Decadal
do Pacífico (ODP) – (SALINGER et al., 2001), que por sua vez influencia a intensidade e a
frequência das fases do ENOS (El Niño e La Niña) – (MOLION E BERNARDO, 2002),
principalmente no estado de Alagoas, sendo identificado anteriormente (DA SILVA et al., 2010;
LYRA et al., 2017) e recentemente (DA SILVA et al., 2020; COSTA et al., 2020).
Outro ponto que deve ser destacado, é em relação ao quantitativo de estações da
mesorregião do Leste Alagoano que apresentaram aumento na tendência de chuva, 8 (oito) em
um total de 31 (trinta e um) estações, pois a região é a que apresenta maior registro de chuvas
anuais conforme a Figura (7), o que não é traduzido em tendência de aumento da chuva, segundo
a Figura (15). A mesorregião Leste Alagoano registrou tendência de diminuição de chuva
juntamente com mesorregião do Agreste Alagoano. Vale ressaltar que as mesorregiões climáticas
citadas anteriormente passaram por diversas mudanças profundas no uso e ocupação da terra em
décadas e, portanto resultou em mudanças significativas na dinâmica da chuva, sendo confirmado
em um estudo recente realizado por Santos et al. (2021) via Índice de Vegetação por Diferença
Normalizada (IVDN) aplicada ao Estado de Alagoas. No NEB, outros estudos apontam para
tendências de diminuição de chuva, por exemplo, Da Silva e Silva (2011) no Cariri Cearense e na
Região Metropolitana de Fortaleza – CE e Andrade e Ribeiro (2018) que encontraram tendência
de diminuição da chuva na bacia do rio Paraíba do Sul. Anteriormente, Santos e Brito (2007)
encontraram tendências de aumento da chuva nos estados da Paraíba e do Rio Grande do Norte,
NEB.
72
Figura 15 – Tendência de chuva
Fonte: Autoria Própria (2021)
Erosividade anual
A erosividade anual apresentou tendências diferentes da chuva anual para o mesm
mesmo
período avaliado (1960-2016)
2016), seis
eis municípios apresentaram tendência de aumento para a
erosividade (Tabela 8), sendo que todos os municípios pertencentes à mesorregião do Leste
Alagoano, Anadia (ID43),
43), Maragogi (ID40),
(
Marechal Deodoro (ID20),
20), Porto de P
Pedras (ID42),
São Miguel dos Campos (ID38)
38) e Satuba (ID23).
(
Destaque para Satuba que apresentou com a
maior tendência de erosividade (+0,87 MJ.mm.ha-1.h-1.ano-1), seguida de Maragogi (+0,81
MJ.mm.ha-1.h-1.ano-1) e São Miguel dos Campos (+0,73 MJ.mm.ha-1.h-1.ano-1), conforme a
Figura (16). Vale destacar que ambos os municípios citados encontram-se
encontram se próximo a costa do
Estado, região com maiores totais pluviométricos (BARROS
(
et al., 2012; L
LYRA et al., 2014;
COSTA et al., 2020) e, no caso de Satuba é próxima ao Complexo Lagunar Mundaú e encontra
encontra-
73
se inserida em um vale e, portanto, tais características influenciam a dinâmica da chuva local (DA
SILVA et al., 2010; NASCIMENTO et al., 2018; SANTOS et al., 2021).
Tabela 8. Resultados das Tendências via teste de MK aplicada a série temporal de erosividade
das chuvas em Alagoas
ID
Municípios
Tendência Anual
(MJ.mm/ha.h.ano)
Categorização
43
Água Branca
-1,92
TENDÊNCIA DE QUEDA
35
Anadia
+0,21
TENDÊNCIA DE AUMENTO
Arapiraca
-1,58
TENDÊNCIA DE QUEDA
TENDÊNCIA DE QUEDA
13
4
Atalaia
-1,45
16
Batalha
-3,02
TENDÊNCIA DE QUEDA
24
Cacimbinhas
-2,26
TENDÊNCIA DE QUEDA
Canapi
-2,51
TENDÊNCIA DE QUEDA
5
Capela
-1,41
TENDÊNCIA DE QUEDA
6
Colônia Leopoldina
-1,85
TENDÊNCIA DE QUEDA
36
Coruripe
-2,03
TENDÊNCIA DE QUEDA
Delmiro Gouveia
-1,30
TENDÊNCIA DE QUEDA
TENDÊNCIA DE QUEDA
44
1
7
Flexeiras
-1,49
46
Ibateguara
-3,57
TENDÊNCIA DE QUEDA
25
Igaci
-2,36
TENDÊNCIA DE QUEDA
Igreja Nova
-0,35
TENDÊNCIA DE QUEDA
TENDÊNCIA DE QUEDA
31
8
Jacuípe
-0,45
37
Junqueiro
-0,35
TENDÊNCIA DE QUEDA
14
Lagoa da Canoa
-2,99
TENDÊNCIA DE QUEDA
Limoeiro de Anadia
-1,93
TENDÊNCIA DE QUEDA
19
Maceió
-0,21
TENDÊNCIA DE QUEDA
17
Major Isidoro
-0,77
TENDÊNCIA DE QUEDA
26
Mar Vermelho
-0,73
TENDÊNCIA DE QUEDA
Maragogi
+0,81
TENDÊNCIA DE AUMENTO
20
Marechal Deodoro
+0,45
TENDÊNCIA DE AUMENTO
45
Mata Grande
-2,63
TENDÊNCIA DE QUEDA
9
Matriz de Camaragibe
-1,89
TENDÊNCIA DE QUEDA
Minador do Negrão
-2,39
TENDÊNCIA DE QUEDA
10
Murici
-1,52
TENDÊNCIA DE QUEDA
18
Olho D'água das Flores
-2,72
TENDÊNCIA DE QUEDA
2
Olho D'água do Casado
-1,52
TENDÊNCIA DE QUEDA
Palmeira dos Índios
-1,47
TENDÊNCIA DE QUEDA
52
Pão de Açúcar
-0,01
TENDÊNCIA DE QUEDA
41
Passo de Camaragibe
-1,37
TENDÊNCIA DE QUEDA
32
Penedo
-0,60
TENDÊNCIA DE QUEDA
15
40
27
28
74
Piaçabuçu
-0,70
TENDÊNCIA DE QUEDA
21
Pilar
-1,24
TENDÊNCIA DE QUEDA
47
Pindoba
-3,66
TENDÊNCIA DE QUEDA
3
Piranhas
-1,28
TENDÊNCIA DE QUEDA
Poço das Trincheiras
-1,64
TENDÊNCIA DE QUEDA
11
Porto Calvo
-0,91
TENDÊNCIA DE QUEDA
42
Porto de Pedras
+0,13
TENDÊNCIA DE AUMENTO
34
Porto Real do Colégio
-1,14
TENDÊNCIA DE QUEDA
Quebrangulo
-2,40
TENDÊNCIA DE QUEDA
22
Rio Largo
-1,39
TENDÊNCIA DE QUEDA
54
Santana do Ipanema
-1,34
TENDÊNCIA DE QUEDA
48
Santana do Mundaú
-2,99
TENDÊNCIA DE QUEDA
São José da Laje
-3,32
TENDÊNCIA DE QUEDA
12
São Luiz do Quitunde
-0,96
TENDÊNCIA DE QUEDA
38
São Miguel dos Campos
+0,73
TENDÊNCIA DE AUMENTO
23
Satuba
+0,87
TENDÊNCIA DE AUMENTO
Tanque D'Arca
-1,68
TENDÊNCIA DE QUEDA
Traipu
-2,61
TENDÊNCIA DE QUEDA
50
União dos Palmares
-0,86
TENDÊNCIA DE QUEDA
51
Viçosa
-3,23
TENDÊNCIA DE QUEDA
33
53
29
49
30
39
Fonte: Autoria Própria (2021)
Na mesorregião do Leste Alagoano foram identificados os municípios com maiores
tendências de queda da erosividade anual. Estas tendências foram registradas nos municípios de
Pindoba (-3,66 MJ.mm.ha-1.h-1.ano-1), Ibateguara (-3,57 MJ.mm.ha-1.h-1.ano-1), São José da Laje
(-3,32 MJ.mm.ha-1.h-1.ano-1) e Viçosa (-3,23 MJ.mm.ha-1.h-1.ano-1).
75
Figura 16 – Tendência de erosividade
Fonte: Autoria Própria (2021)
76
5. CONCLUSÕES
Baseado nos dados históricos de chuva é possível caracterizar o potencial erosivo das
chuvas no estado de Alagoas, sendo classificado entre moderado e forte. A metodologia proposta
consegue caracterizar a erosividade da chuva anual (R) no Estado. Em relação ao potencial
erosivo, o período de abril a julho é o mais crítico, fato este, justificado pela maior ocorrência da
chuva, principalmente na mesorregião do Leste Alagoano, com maior adensamento populacional.
A análise multivariada (cluster analysis) aplicada no estudo consegue identificar três
grupos homogêneos de erosividade da chuva em Alagoas, sendo o método de ligação Complete
adequado ao Estado. Os grupos identificados são coerentes com estudos anteriores na literatura,
em relação à definição do gradiente pluviométrico existente no Estado, uma vez que, neste estudo
também foi identificado a formação de um gradiente de erosividade. Os grupos homogêneos de
erosividade de chuva no estado de Alagoas estão distribuídos nas mesorregiões climáticas, com
exceções algumas estações devido aos fatores fisiográficos e características de microclimas locais
que interferem na dinâmica da chuva.
Com base nos indicadores estatísticos adotados no estudo, os métodos de interpolação
avaliados são satisfatórios na adoção da interpolação espacial das isoerosividades, porém o
método Krigagem Ordinária se sobressai em relação aos demais (r ≥ 0.9 e menor RMSE). E,
portanto a Krigagem Ordinária é o método de interpolação utilizado na espacialização da
erosividade das chuvas no estado de Alagoas.
Com base nos mapas de isoerosividade mensal e anual é possível identificar o potencial
erosivo em algumas faixas de erosividade, principalmente próximas ao litoral na mesorregião
Leste Alagoano, perdendo forças rumo ao interior do Estado nas mesorregiões Agreste Alagoano
e Sertão Alagoano, respectivamente. A equação de erosividade proposta pode ser utilizada para
estimativa do fator R da USLE para o Estado, a partir dos dados de chuva devidamente
preenchidos e homogeneizados. Os produtos de precipitação CHELSA e CHIRPS são
recomendados como alternativa na avaliação da erosividade da chuva com base nos indicadores
estatísticos.
Com relação à tendência de chuva no Estado, cerca de 30% das estações apresentam
tendência de aumento de chuva, enquanto 70% das estações com tendência de diminuição de
chuva. Vale destacar que maiores tendências de diminuição encontram-se no Leste e Agreste
77
Alagoano, que não se descarta a influência de mudanças decadais de uso e ocupação do solo. Ao
contrário da chuva, a erosividade tem tendências de aumento em apenas 6 municípios do Estado.
Claramente, as isoerosividades são determinadas pela dinâmica da chuva e pelos fatores
fisiográficos existentes no Estado e, assim os resultados no estudo dão suporte para um
planejamento de práticas conservacionistas, principalmente em áreas de vulnerabilidade em
Alagoas. O pioneirismo obtido no estudo abre precedente para diversos estudos, como Análise de
Sinais de Dados (Data Signal Analysis), Degradação Ambiental e Práticas de Conservação
Ambiental.
78
6. RECOMENDAÇÕES
Com base nos resultados e conclusões do estudo, recomenda-se:
Aprofundar a discussão sobre métodos de preenchimento de falhas e homogeneidade de
dados via uso de bibliotecas e pacotes existentes no ambiente-R para o estado de Alagoas;
Utilizar outras equações de estimativa da erosividade, além da clássica usada neste estudo
a título de intercomparação;
Aplicar o teste de Mann-Kendall modificado no sentido de aprofundamento das
discussões sobre tendência da chuva e erosividade no Estado;
Avaliar a erosividade com as fases do ENOS e os ciclos de ODP via Análise Harmônica
Espectral (AHE) ou Técnica de Wavelet (TW);
Avaliar a relação uso e ocupação do solo e a dinâmica da chuva no Estado com produtos
de Sensoriamento Remoto, a fim de remarcar que tais mudanças tem influência no regime
de chuva, principalmente nas mesorregiões do Agreste e Leste Alagoano.
79
7. REFERÊNCIAS BIBLIOGRÁFICAS
AGASSI, M. Soil erosion, conservation and rehabilitation. New York: Marcel Dekker, 1996.
ALBUQUERQUE, A.W.; CHAVES, I.B.; VASQUES FILHO, J. Características físicas da chuva
correlacionadas com as perdas de solo num Regossolo eutrófico de Caruaru (PE). Revista
Brasileira de Ciências do Solo, v.18, n. 2, p. 279-283, 1994.
ALBUQUERQUE, A. W.; SANTOS J. R.; COSTA J. P. V.; SOUZA FILHO J. L. Determinação
de fatores da equação universal de perda de solo em Sumé, PB. Revista Brasileira de
Engenharia Agrícola e Ambiental, v. 9, n. 2, p.53-169, 2005.
ALMEIDA, R. T. S.; CASAROLI, D. Erosividade média e o calendário agrícola da Microrregião
Sudoeste do estado de Goiás. GeoFocus. Revista Internacional de Ciencia y Tecnología de la
Información Geográfica, n. 17, p. 26-43, 2016.
ANDRADE, A. F. et al. Erosividade e padrões de precipitação pluvial para Aragarças – GO.
Brazilian Journal of Development, v. 6, n. 4, p. 21931-21950, 2020.
ANDRADE, M. P.; MELO RIBEIRO, C. B. Análise de tendências no comportamento da chuva
na bacia do rio Paraíba do Sul. In: III Simpósio de Recursos Hídricos da Bacia do Rio Paraíba
do Sul, Juiz de Fora – MG, 2018.
AQUINO, C. M. S.; OLIVEIRA, J. G. B.; AQUINO, R. P. Erosividade das chuvas do município
de Gilbués, Piauí, Brasil. In: XVII Congresso Brasileiro de Geografia Física Aplicada,
Campinas – SP, 2017.
BACK, A. J.; POLETO, C. Distribuição espacial e temporal da erosividade das chuvas no estado
de Santa Catarina, Brasil. Revista Brasileira de Climatologia, v. 22, p. 38-403, 2018.
BARROS, A. H. C. et al. Climatologia do Estado de Alagoas - Dados eletrônicos. Recife:
Embrapa Solos, 32 p., 2012.
BERTONI, J.; LOMBARDI NETO, F. Conservação do Solo. São Paulo. Ícone, 2012.
CAMARGO, A. P.; SENTELHAS, P. C. Avaliação do desempenho de diferentes métodos de
estimativas de evapotranspiração potencial no estado de São Paulo, Brasil. Revista Brasileira de
Agrometeorologia, v. 5, n. 1, p. 89-97, 1997.
CAMPOS, R. F. Comparação entre dados de precipitação interpolados e do TRMM (3B43V7).
Dissertação (Pós-graduação em Produção Vegetal) – Universidade Federal do Espírito Santo,
Espírito Santo.
CANTALICE, J.R.B.; MARGOLIS, E. Características das chuvas e correlação de índices de
erosividade com as perdas de solo do agreste de Pernambuco. Revista Brasileira de Ciência do
Solo, v.17, p.275-281, 1993.
80
CARVALHO, A. C. B. et al. Modelos para estimar perdas de solo. In: Tópicos em
Sustentabilidade & Conservação. Juiz de Fora, MG: Edição dos autores, 2017.
CARVALHO, D. F.; MONTEBELLER, C.A.; FRANCO, E. M.; VALCARCEL, R.; BERTOL, I.
Padrões de precipitação e índices de erosividade para as chuvas de Seropédica e Nova Friburgo,
RJ. Revista Brasileira de Engenharia Agrícola e Ambiental, v.9, n. 1, p.7-14, 2005.
CARVALHO, N. O. Hidrossedimentologia Prática. 2a Ed. Rio de Janeiro: Interciência, 2008.
CARVALHO, A.L.;SOUZA, J.L.;LYRA, G. B.;PORFIRIO, A. C. S. Ocorrência de períodos
secos na região de Rio Largo, Alagoas. Revista Brasileira de Meteorologia, v. 28, n. 2, p. 173180, 2013.
CHAVES, I. B.; DINIZ, E. J. Erosividade das chuvas no Estado da Paraíba. In: Encontro
Nacional de Pesquisa Sobre Conservação do Solo, 3., 1981,Recife. Resumos...Recife: SBCS,
1981. p.136-47.
CHEN, Y.; XU, M.; WANG, Z.; GAO, P.; LAI, C. Applicability of two satellite-based
precipitation products for assessing rainfall erosivity in China. Science of The Total
Environment, v. 757, 2021.
CHUQUIPIONDO, I. G. V. Avaliação da estimativa do potencial de erodibilidade de solos nas
margens de cursos de água: estudo de caso trecho de vazão reduzida Capim Branco I Araguari
Minas Gerais. 2007. 216p. Dissertação (Pós-graduação em Saneamento, Meio Ambiente e
Recursos Hídricos) – Universidade Federal de Minas Gerais, Minas Gerais.
COGO, N. P.; LEVIEN, R.; SCHWARZ, R. A. Perdas de solo e água por erosão hídrica
influenciadas por métodos de preparo, classes de declive e níveis de fertilidade do solo. Revista
Brasileira de Ciências do Solo, v. 27, n. 4, p. 743-753, 2003.
CORREIA FILHO, W.L.F.; OLIVEIRA-JÚNIOR, J.F.; SAN-TIAGO, D.B.; TERASSI, P.M. B.;
TEODORO, P.E.;GOIS, G.; BLANCO, C.J.C.; SOUZA, P.H.A.; COSTA,M.S.; GOMES, B. H.;
SANTOS, P.J. Rainfall variability inthe Brazilian northeast biomes and their interactions
withmeteorological systems and ENSO via CHELSA product, Big Earth Data, v. 3, n. 4, p. 315337, 2019a.
COSTA, J.; PEREIRA, G.; SIQUEIRA, M. E.; CARDOZO, F.; SILVA, V. V. Validação dos
dados de precipitação estimados pelo CHIRPS para o Brasil. Revista Brasileira de
Climatologia, v. 24, n. 2, p. 228-243, 2019.
COSTA, M.S.; LIMA, K.C.; ANDRADE, M.M.; GONÇALVES,W.A. A. Tendências observadas
em extremos de pre-cipitação sobre a região Semiárida do Nordeste do Brasil. Revista Brasileira
de Geografia Física, v. 08, n. 5, p. 1321-1334, 2015.
COSTA, M. S.; OLIVEIRA-JÚNIOR, J. F.; SANTOS, P. J.; CORREIA FILHO, W. L. F.; GOIS,
G.; BLANCO, C. J. C.; TEODORO, P. E.; SILVA JÚNIOR, C. A.; SANTIAGO, D. B.; SOUZA,
E. O.; & JARDIM, A. M. R. F. Rainfall extremes and drought in Northeast-Brazil and its
81
relationship with El Niño-Southern Oscillation. International Journal of Climatology, v. 41, p.
E2111-E2135, 2020.
DA SILVA, D. F. Análise de aspectos climatológicos, agroeconômicos, ambientais e de seus
efeitos sobre a bacia hidrográfica do Rio Mundaú (AL e PE). Campina Grande, 209f, 2009. (Tese
de Doutorado).
DA SILVA, D.F.; LIMA, M.J.S; SOUZA NETO, P.F; GOMES, H.B; SILVA, F.D.S;
ALMEIDA, H.R.R.C; PEREIRA, M.P.S; COSTA, R.L. Caracterização de eventos extremos e de
suas causas climáticas com base no Índice Padronizado de Precipitação Para o Leste do Nordeste.
Revista Brasileira de Geografia Física, v. 13, n. 2, p. 449-464, 2020.
DA SILVA, D. F.; SILVA, R. A. Uso do teste de Mann-Kendall para detecção de tendências
climáticas comparativas entre regiões Cearenses. In: IV SIC, 2011, João Pessoa – PB. Anais do
IV SIC, 2011.
DA SILVA, D. F.; SOUSA, F. A. S.;KAYANO, M. T. Escalas Temporais da Variabilidade
Pluviométrica na Bacia Hidrográfica do Rio Mundaú. Revista Brasileira de Meteorologia, v.
25, n. 3, p. 147-155, 2010.
DOMINATI, E.; PATTERSON, M.; MACKAY, A. A framework for classifying and quantifying
the natural capital and ecosystem services of soils. Ecol. Econ. v. 69, n.9, p. 1858–1868, 2010.
DJOUKBALA, O.; MAZOUR, M.; HASBAIA, M.;BENSELAMA, O. Estimating of water
erosion in semiarid regions using RUSLE equation under GIS environment. Environment Earth
Science, v. 77, 345 p., 2018.
DRUCK, S.; CARVALHO, M. S.; CÂMARA, G.; MONTEIRO, A. V. M. (eds.) Análise
Espacial de Dados Geográficos. Brasília, EMBRAPA, 2004.
ELLIOT, W.J.; LIEBENOW, A.M.; LAFLEN, J.M.; KOHL, K.D. A compendium of soil
erodibility data from WEPP cropland soil field erodibility experiments: 1987 and 1988. W.
Lafayette, USDA-ARS, p.422-450, 1989.
EL-SHEIMY, N.; VALEO, C.; HABIB, A. Digital Terrain Modeling: Acquisition,
Manipulation, and Applications. Boston/ EUA. Artech House, 270 p., 2005.
EMBRAPA MONITORAMENTO POR SATÉLITE. Satélites de Monitoramento. Campinas:
Embrapa Monitoramento por Satélite, 2013. Disponível em: <http://www.sat.cnpm.embrapa.br>.
Acesso em: 1 mai. 2020.
FIGUEIREDO, T.; FONSECA, F.; LIMA, E.; FLEISCHFRESSER, L.; HERNÁNDEZ, Z.
Comparação da eficácia de medidas de controlo da erosão pós-fogo: simulações com a USLE
para cenários de aplicação no NE de Portugal. In: VIII Congresso Ibérico de las Ciencias del
Suelo e VIII Congresso Ibérico de Ciências do Solo. p. 275-278, 2018.
82
FILHO, D. B. F.; JÚNIOR, J. A. S. Desvendando os mistérios do coeficiente de correlação de
Pearson (r). Revista Política Hoje, v. 18, n. 1, 2009.
FILHO, J. F. M.; SOUZA, A. L. V. O manejo e a conservação do solo no Semiárido baiano:
desafios para a sustentabilidade. Bahia Agrícola, v. 7, n. 3, 2006.
FOURNIER, F. The effect of climatic factor on soil erosion estimates of solids transported in
suspension in runoff. [S.I.]: Association Hydrologic Int. Public, 1956. v. 38. 6 p.
FRANCISCO, A. B. Mapeamento de erosividades da chuva na bacia do rio Capivara – SP.
Revista Tocantinense de Geografia. v. 9, n. 18, 2020.
GOIS, G.; FREITAS, W. K.; TERASSI, P. M. B.; OLIVEIRA-JÚNIOR, J. F.; PORTZ, A.
Variabilidade anual e mensal da chuva e da temperatura do ar no município de Resende, Rio de
Janeiro. Revista Brasileira de Climatologia. v. 24, n. 2, p. 67-88, 2019.
GONÇALVES, F. A.; SILVA, D. D.; PRUSKI, F. F.; CARVALHO, D. F.; CRUZ, E. S. Índices
e espacialização da erosividade das chuvas para o Estado do Rio de Janeiro. Revista Brasileira
de Engenharia Agrícola e Ambiental, v.10, n. 2, p.269 -276, 2006.
HAIRSINE, P. B.; ROSE, C. W. Rainfall detachment and deposition: sediment transport in the
absence of flow-driven processes. Soil Science Society of America Journal, n. 55, v. 2, p. 320–
324, 1991.
HIDROWEB: sistema de informações hidrológicas. Disponível em: http://hidroweb.ana.gov.br
HOPKINS, W. G. A new view of statistics: Correlation coefficient.
http://www.sportsci.org/resource/stats/correl.html. Acessado em 18 de janeiro de 2021.
2009.
HUDSON, N. H. Soil conservation. Cornell University, Ithaca, New York, 320 p. , 1971.
IBGE - Instituto Brasileiro de Geografia e Estatística. Censo Agropecuário de 2017. Disponível
em: www.sidra.ibge.gov.br
IBGE - Instituto Brasileiro de Geografia e Estatística. Cidades e Estados, 2019. Disponível em:
https://www.ibge.gov.br/cidades-e-estados/al.html .Acessado em 28/02/2021.
INCRA - Instituto Nacional de Colonização e Reforma Agrária. Relatório de Análises de
Mercados de Terras do Estado de Alagoas, 2018.
JAIN, A.K.; MURTY, M.N.; FLYNN, P.J. Data clustering: a review. ACM Computing
Surveys, v.31, n.3, p.264-322, 1999.
JARDIM, A. M. R. F. et al. Estimativas de perda de solo por erosão hídrica para o município de
Serra Talhada, PE. Journal of Environmental Analysis and Progress, v. 2, n.3, p. 186-193,
2017.
83
JEON, Y.;YOO, J.; LEE, J.; YOON, S.NC-Link: A New Linkage Method for Efficient
Hierarchical Clustering of Large-Scale Data. IEEE, v. 5, n. 1, p. 5594-5608, 2017.
KIM, J.; HAN, H.; KIM, B.; CHEN, H.; LEE, J. Use of a high-resolution-satellite-based
precipitation product in mapping continental-scale rainfall erosivity: A case study of the United
States. Catena, v. 193, 2020.
KOUSKY, V. E.; GAN, M. A. Upper tropospheric cyclone vortices in the tropical South Atlantic.
Tellus. v. 33, n. 6, p. 538-551, 1981.
KUMAR, V. Optimal contour mapping of groundwater levels using universal kriging – a case
study. Hydrological Sciences Journal, v.52, n5, p. 1038-1050, 2007.
LANDIM, P. M. B. Análise estatística de dados geológicos. 2. ed. rev e ampl. São Paulo:
Editora UNESP, 2003.
LANDIM, P. M. B.; STURARO, J.R. Krigagem Indicativa aplicada à elaboração de mapas
probabilísticos de riscos. Geomatemática, Texto Didático 6, DGA,IGCE,UNESP/Rio Claro,
2002.
LEE, J.-H.; HEO, J.-H. Evaluation of estimation methods for rainfall erosivity based on annual
precipitation in Korea. Journal of Hydrology, v. 409, n. 1-2, p.30-48, 2011.
LITTLE, R. J. A. Regression with missing Xs – A review. Journal of the American Statistical
Association, v. 87, n. 420, p. 227-237, 1992.
LOMBARDI NETO, F. Rainfall erosivity - its distribution and relationship with soil loss at
Campinas, Brazil. West Lafayette, Purdue University, 1977. 53p. (Dissertação de Mestrado).
LOMBARDI NETO, F.; MOLDENHAUER, W. C. Erosividade da chuva: sua distribuição e
relação com as perdas de solo em Campinas (SP). Bragantia, v. 51, n. 2, p. 189-196, 1992.
LYRA, G. B.; OLIVEIRA-JÚNIOR, J. F.; GOIS, G.; CUNHA-ZERI, G.; ZERI, M. Rainfall
variability over Alagoas under the influences of SST anomalies. Meteorology and Atmospheric
Physics (Print), v. 129, n. 1, p. 157-171, 2017.
LYRA, G. B.;OLIVEIRA JÚNIOR, J. F.;ZERI, M. Cluster analysis applied to the spatial and
temporal variability of monthly rainfall in Alagoas state, Northeast of Brazil. International
Journal of Climatology, v. 34, n. 13, p. 3546-3558, 2014.
MACHADO, D. O. et al. Erosividade da chuva para o bioma Pantanal. Revista Engenharia
Ambiental e Sanitária, v. 19, n.2, p. 195-202, 2014.
MACHADO, R. L.; CARVALHO, D. F.; ROUWS, J. R. C.; ALMEIDA, W. S.; OLIVEIRA, P.
T. S. Multivariate analysis of erosivity indices and rainfall physical characteristics associated
84
with rainfall patterns in Rio de Janeiro. Revista Brasileira de Ciências do Solo, v. 41, n. 1,
2017.
MARCUZZO, F. F. N.; ANDRADE, L. R.; MELO, D. C. R. Métodos de Interpolação
Matemática no Mapeamento de Chuvas do Estado do Mato Grosso. Revista Brasileira de
Geografia Física, v.4, n.4, p. 793-804, 2011.
MARTÍNEZ-CASASNOVAS, J. A.; RAMOS, M. C.; BENITES, G. Soil and water assessment
tool soil loss simulation at thesub-basin scale in the alt penedÈs–anoia vineyard region(NE spain)
in the 2000s. Land Degradation & Development, v. 27, n. 2, p. 160–170, 2016.
MARTINS, W. L. D., BLANCO, C. J. C., MELO, A. M. Q. Potencial erosivo das chuvas nos
estados do Maranhão e Pará via análise da distribuição espacial da erosividade. Geoambiente
On-line, n. 36, Jataí – GO, 2020.
MATOS, R. M.; SILVA, P. F.; MEDEIROS, R. M.; SABOYA, L. M. F.; BORGES, V. E.;
SOBRINHO, T. G. Erosividade da chuva no período de 1973 a 2013 no município de Barbalha –
CE. Revista Brasileira de Geografia Física, v. 10, n. 3, p. 641-649, 2017.
MELO, R. F. et al. Uso e manejo do solo. In: Agricultura familiar dependente de chuva no
Semiárido. Embrapa, Brasília – DF, 2019.
MELLO, C. R., VIOLA, M. R., CURI, N, SILVA, A. M. Distribuição espacial da precipitação e
da erosividade da chuva mensal e anual no estado do Espírito Santo. Revista Brasileira de
Ciências do Solo, v. 36, n. 6, p. 1878-1891, 2012.
MELLO, G.; BUENO, C. R. P.; PEREIRA, G. T. Variabilidade espacial de perdas de solo, do
potencial natural e risco de erosão em áreas intensamente cultivadas. Revista Brasileira de
Engenharia Agrícola e Ambiental, v. 10, n. 2, p.315 - 322, 2006.
MITASOVA, H.; MITAS, L. Interpolation by regularized spline with tension, I Theory and
implementation. Mathematical Geology, v. 25, n. 6, p. 641–655, 1993.
MITASOVA, H.; MITAS, L.; HARMON, R. Simultaneous Spline Approximation and
Topographic Analysis for Lidar Elevation Data in Open-Source GIS. IEEE Geoscience and
Remote Sensing Letters, v.2, n. 4, p. 375–379, 2005.
MOLION, L. C. B.; BERNARDO, S. O. Uma revisão da dinâmica das chuvas no Nordeste
Brasileiro. Revista Brasileira Meteorologia, v.17, n. 1, p.1-10, 2002.
MORETI, D., CARVALHO, M. P., MANNIGEL, A. R., MEDEIROS, L. R. Importantes
características de chuva para a conservação do solo e da água no município de São Manuel (SP).
Revista Brasileira de Ciências do Solo, v. 27, n. 4, p. 713-725, 2003.
MOSCATI, M. C. D. L.; GAN, N. A. Rainfall variability in the rainy season of semiarid zone of
Northeast Brazil (NEB) and its relation to wind regime. International Journal of Climatology.
v. 27, n. 4, p. 493-512, 2007.
85
MOURA, G. B. A.; BRITO, J. I. B.; SOUSA, F. A. S.; CAVALCANTI, E. P.; SILVA, J. L. B.;
NASCIMENTO, C. R.; LOPES, P. M. O. Identificação de preditores para as chuvas do setor leste
do Nordeste do Brasil utilizando análise de correlação canônica. Revista Brasileira de
Geografia Física. v. 13, n. 4, p. 1463-1482, 2020.
MUNRO, R. N., DECKERS, J., HAILE, M., GROVE, A. T., POESEN, J., NYSSEN, J. Soil
landscapes, land cover change and erosion features of the Central Plateau region of Tigrai,
Ethiopia: photo-monitoring with an interval of 30 years. Catena, v. 75, n. 1, p. 55-64, 2008.
NASCIMENTO, M. C.; LOMBARDO, M. A.; GUIMARÃES JUNIOR, S. A. M.; ANDRADE,
E. L. Análise da Vulnerabilidade Físico-Ambiental Causada Pelas Chuvas Intensas na Região
Metropolitana De Maceió. Caminhos da Geografia (UFU. Online), v. 19, n. 67, p. 268-288,
2018.
NEARING, M.A. A single, continuous function for slope steepness influence on soil loss. Soil
Science Society of America Journal, v.61, n. 3, p. 917-919, 1997.
NOBRE, C. A.; MOLION, L.C.B. Boletim de Monitoramento e Análise Climática –
Climanálise – Número Especial, Edição Comemorativa de 10 anos, INPE. São José dos Campos,
SP, 1986. 125 p.
NUNES, J. G., CAMPOS, M. C. C., NUNES, J. C., MANTOVANELLI, B. C., CUNHA, J. M.,
SOARES, M. D. R. Aplicação da Equação Universal de Perdas de Solo na região sul do
Amazonas. Revista da Universidade Vale do Rio Verde, v. 15, n. 2, p. 549-557, 2017.
OLIVEIRA-JÚNIOR, J. F.; LYRA, G. B.;GOIS, G.;BRITO, T. T.;MOURA, N. S. H. Análise de
homogeneidade de séries pluviométricas para determinação do índice de seca IPP no estado de
Alagoas. Floresta e Ambiente, v. 19, n. 1, p. 101-112, 2012.
OLIVEIRA, P.T.S.; ALVES SOBRINHO, T. RODRIGUES, D.B.B.; PANACHUKI, E. Erosion
Risk Mapping Applied to Environmental Zoning. Water Resources Management, v. 25, n. 1, p.
1021-36, 2011.
OLIVEIRA, P.T.S.; NEARING, M. A.; WENDLAND, E. Rainfall erosivity in Brazil: a review.
Catena, v.100, n. 1, p.139-147, 2013.
OLIVEIRA, P.T.S.; NEARING, M.A.; WENDLAND, E. Orders of magnitude increase in soil
erosion associated with land use change from native to cultivated vegetation in a Brazilian
savannah environment. Earth Surface Processes and Landforms, v. 40, n. 11, p.1524-1532,
2015.
PANAGOS, P.;BALLABIO, C.; PASQUALLE, B.; MEUSBURGUER, K.; KLIK, A.;
ROUSSEVA, S.; TADIC, M. T.; MICHAELIDES, S.; HRABALIKOVA, M.; OLSEN, P.;
AALTO, J.; LAKATOS, M.; RYMSZEWICK, DUMITRESCU, A.; BEGUERÍA, S.;
ALEWELL, C.. Rainfall Erosivity in Europe. Science of The Total Environment, v.511, n. 1, p.
801-814, 2015.
86
PANAGOS, P.; BORRELLI, P.; BALLABIO, C. Global rainfall erosivity assessment based on
high-temporal resolution rainfall records. Scientific Reports, v. 7, p. 1-12, 2017.
PAREDES TREJO, F.; BRITO-CASTILLO, L.; BARBOSA ALVES, H.; GUEVARA, E. Main
features of large-scale oceanic-atmospheric circulation relates to strongest droughts during rainy
season in Brazilian São Francisco River Basin. Intenational Journal of Climatology. v. 36, n.
12, p. 4102-4117, 2016.
PARRON, L. M. et al. Serviços ambientais em sistemas agrícolas e florestais do Bioma Mata
Atlântica. Embrapa, Brasília, DF, 2015.
PEDRON, F. D. A.; AZEVEDO, A. C. D.; DALMOLIN, R. S. D.; STÜRMER, S. L. K.;
MENEZES, F. P. Morfologia e classificação taxonômica de Neossolos e saprolitos derivados de
rochas vulcânicas da formação serra geral no Rio Grande no Sul. Revista Brasileira de Ciência
do Solo, v.33, n. 1, p. 119-128, 2009.
PEDROSA, V. A.; NEVES, M. G. F. P.; REIS, L. G. M. Regionalização de chuvas intensas em
Alagoas. In: XII Simpósio Brasileiro de Recursos Hídricos. Anais...Vitória – ES, 1997.
PHAM, H. A. et al. Integrated Geographical Information System (GIS) and Remote Sensing for
Soil Erosion Assessment by Using Universal Soil Loss Equation (USLE): Case Study in Son La
Province. VNU Journal of Science: Earth and Environmental Sciences, [S.l.], v. 35, n. 1, mar.
2019.
PIMENTEL, D.; HARVEY, C; RESOSUDARMO, P.; SINCLAIR, K; Kurz, D.; McNAIR, M.
S.; CRIST, L.; SHPRITZ FITTON, L.; SAFFOURI, R.; Blair, R. Environmental and economic
costs of soil erosion and conservation benefits. Science, v. 267, n.5201, p. 1117–1123, 1995.
PINTO, S. A. F.; GARCIA, G.J. Experiências de aplicação de geotecnologias e modelos na
análise de bacias hidrográficas. Revista do Departamento de Geografia (USP), v. 17, n. 1, p.
30-37, 2005.
PONTES DA SILVA, B. F.; FEDOROVA, N.; LEVIT, V.; PERESETSKY, A.; BRITO, B. M.
Sistemas sinóticos associados às precipitações intensas no estado de Alagoas. Revista Brasileira
de Meteorologia. v. 26, n. 3, p. 323-338, 2011.
RENARD, K.G.; FOSTER, G.R.; WEESIES, G.A. McCOOL, D.K. Predicting soil erosion by
water – A guide to conservation planning with the revised universal soil loss equation
(RUSLE). Washington, USDA-ARS, 1991.
RUFINO, R. L.; BISCAIA, R. C. M.; MERTEN, G. H. Determinação do potencial erosivo da
chuva do estado do Paraná através da pluviometria: terceira aproximação. Revista Brasileira de
Ciência do Solo, v.17, n.1 , p.439 - 444, 1993.
SALINGER, M.; RENWICK, J. and MULLAN, A. Interdecadal Pacific Oscillation and South
Pacific climate. International Journal of Climatology, v. 21, n. 14, p. 1705-1721, 2001.
87
SAMUEL-ROSA, A.; MIGUEL, P.; DALMOLIN, R. S. D.; PEDRON, F. A. Uso da terra no
Rebordo do Planalto do Rio Grande do Sul. Ciência e Natura, v.33, n.1, p.161-173, 2011.
SANTOS, C. A. G.; SUZUKI, K.; WATANABE, M.; SRINIVASAN, V. S. Influência do tipo da
cobertura vegetal sobre a erosão no semiárido paraibano. Revista Brasileira de Engenharia
Agrícola e Ambiental, v. 4, n.1, p. 92-96, 2000.
SANTOS, F. A.; AQUINO, C. M. S. Erosividade das chuvas (R) nos municípios de Castelo do
Piauí e Juazeiro do Piauí, no estado do Piauí (Brasil). Revista Eletrônica do Curso de
Geografia – UFG/ REJ, n. 25, v. 1, 2015.
SANTOS, G. R. Hierarquização geométrica dos preditores geoestatísticos. Tese (Doutorado
em Estatística e Experimentação Agropecuária) – Setor de Ciências Exatas, Universidade Federal
de Lavras, Lavras. 2010. 200p.
SANTOS, C. A. C.; BRITO, J. I. B. Análise dos Índices de extremos para o semiárido do Brasil e
suas relações com TSM e IVDN. Revista Brasileira de Meteorologia, v. 22, n. 3, p. 303-312,
2007.
SANTOS, F.S.; GOMES, H.B.; BARROS, G.V.P.; ALVES, L.E.R.; SILVA, D.F.; COSTA,
R.L.;SANTOS SILVA, F.D.; OLIVEIRA JÚNIOR, J.F. Análise Sazonal dos Parâmetros
Biofísicos Utilizando o Sensor MODIS para o Estado de Alagoas. Revista Brasileira de
Meteorologia, v. 1, n.1, p. 1-14, 2021.
SILVA, A. M.; WIECHETECK, M.; ZUERCHER, B. Spatial assessment of indices for
characterizing the erosive force of rainfall in El Salvador Republic. Environmental Engineering
Science, v. 28, n. 4, p. 309-316, 2011.
SILVA, A.M.; Schulz, H.E.; Camargo, P.B. Erosão e hidrossedimentologia em bacias
hidrográficas. São Carlos: RiMa, 2003.
SILVA, J. R. C.; DIAS, A. S. A erosividade das chuvas em Fortaleza (CE): II - correlação com o
coeficiente de chuva e atualização do fator R no período de 1962 a 2000. Revista Brasileira de
Ciência do Solo, v. 27, n. 2, p.347- 354, 2003.
SILVA, M. A.; NAVES SILVA, M. L.; CURI, N.; AVANZI, J. C.; FERREIRA, M. M.
Erosividade da chuva e erodibilidade de cambissolo e latossolo na região de Lavras, sul de Minas
Gerais. Revista Brasileira de Ciências do Solo, v. 33, n. 6, p. 1811-1820, 2009.
SOUZA, V.; GASPARETTO, N. V. L. Aplicação da Equação Universal de Perdas de Solo
(EUPS) na Bacia do Córrego Pinhalzinho Segundo, Noroeste do Paraná. Revista Brasileira de
Geomorfologia, v. 13, n. 3, p. 267-278, 2012.
SOUZA, J.L.; AMORIN, R.F.C.; CARVALHO, S.M.R.; PEREIRA, J.O. ; CURI, P.R.
Agrupamento de Estações Pluviométricas do Estado de Alagoas, Utilizando-se Análise
Multivariada. Revista Brasileira de Meteorologia, v. 7, n.2, p. 603-612, 1992.
88
RAO, V. B.; SÁ, L. D. A.; FRANCHITO, S. H.; HADA, K. Interannual variations of rainfall and
corn vields in Northeast Brazil. Agricultural and Forest Meteorology. v. 85, n 1-2, p. 63-74,
1997.
TERASSI, P. M. B. ; BIFFI, V. H. R. ; GALVANI, E. ; OLIVEIRA JÚNIOR, José Francisco de .
Estimativas de erosividade e as precipitações diárias extremas na bacia hidrográfica do rio Alto
Iguaçu - Paraná. Revista Brasileira de Climatologia, v. 25, p. 143-168, 2019.
TERASSI, P. M. B.; OLIVEIRA JÚNIOR, J. F.; GOIS, G. ; GALVANI, E. Variabilidade do
Índice de Precipitação Padronizada na Região Norte do Estado do Paraná Associada aos Eventos
de El Niño-Oscilação Sul. Revista Brasleira de Meteorologia, v. 33, p. 11-25, 2018.
TERASSI, P. M. B.; OLIVEIRAJÚNIOR, J. F.; GOIS, G.; OSCAR JÚNIOR, A. C.; SOBRAL,
B. S.; BIFFI, V. H. R.; BLANCO, C. J. C.; CORREIA FILHO, W. L. F.; VIJITH, H. Rainfall and
erosivity in the municipality of Rio de Janeiro - Brazil. URBAN CLIMATE, v. 33, p. 100637,
2020.
TIECHER, T. Manejo e conservação do solo e da água em pequenas propriedades rurais no
sul do Brasil: práticas alternativas de manejo visando a conservação do solo e da água.
UFRGS, Porto Alegre, 2016.
TRINDADE, L. F. T.; OLIVEIRA, P. T. S.; ANACHE, J. A. A; WENDLAND, E. Variabilidade
espacial da erosividade das chuvas no Brasil. Pesquisa Agropecuária Brasileira, v. 51, n. 12, p.
1918-1928, 2016.
VANTAS, K.; SIDIROPOULOS, E.; LOUKAS, A. Estimating Current and Future Rainfall
Erosivity in Greece Using Regional Climate Models and Spatial Quantile Regression Forests.
Water, v. 12, 678p, 2020.
VIOLA, M. R.; AVANZI, J. C.; MELLO, C. R.; LIMA, S. O.; ALVES, M. V. G. Distribuição e
potencial erosivo das chuvas no estado do Tocantins. Pesquisa Agropecuária Brasileira, v. 49,
n. 2, p. 125-135, 2014.
VIJITH, H.; SELING, L. W.; DODGE-WAN, D. Estimation of soil loss and identification of
erosion risk zones in a forested region in Sarawak, Malaysia, Northern Borneo. Environment,
Development and Sustainability, v.20, p.1365–1384, 2018.
VRIELING, A.; STERK, G.; de JONG, S. M. Satellite-based estimation of rainfall erosivity for
Africa. Journal of Hydrology, v. 395, n. 3-4, p. 235–241, 2010.
WARRICK, A.W.; NIELSEN, D.R. Spatial variability of soil physical properties in the field. In:
HILLEL, D. (Ed.). Applications of soil physics. New York: Academic Press. 385p,1980.
WALTRICK, P. C. Erosividade de chuva no Paraná: atualização, influência do “el niño” e “la
nina” e estimativa para cenários climáticos futuros. 2010. 107f. Dissertação (Mestrado em
Pedologia) - Universidade Federal do Paraná, Curitiba, 2010.
89
WALTRICK, P. C.; MACHADO, M. A.D. M.; DIECKOW, J.; OLIVEIRA, D. Estimativa da
erosividade de chuvas no estado do Paraná pelo método da pluviometria: atualização com dados
de 1986 a 2008. Revista Brasileira de Ciência do Solo, Viçosa, v.39, p.256-267, 2015.
WILLMOTT, C.J. On the validation of models. Physical Geography, v. 2, n. 2, p.184-194,
1981.
WISCHMEIER, W. H.; SMITH, D. D. Rainfall energy and its relationship to soil loss.
Transaction American Geophysical Union, v.39, p.285-91, 1958.
WISCHMEIER, W. H.; SMITH, D. D. Predicting rainfall-erosion losses from cropland east
of the Rocky Mountains: guide for selection of practices for soil and water conservation.
Washington, DC: USDA, 1965.
WISCHMEIER, W.H.; SMITH, D.D. Predicting rainfall erosion losses: A guide to
conservation planning. Washington, USDA, 1978. 58p. (Agriculture HandBook, 537).
XAVIER, J. P. S.; BARROS, A. H. C.; WEBBER, D. C.; ACCIOLY, L. J.; MARQUES, F. A.;
ARAÚJO FILHO, J. C.;SILVA, A.B. Estimativa da erosividade da chuva por diferentes métodos
e seu impacto na equação universal de perdas de solo, no semiárido pernambucano. Revista
Brasileira de Geografia Física, v.12, n.3, p. 859-875, 2019.
ZHANG, K.; YU, Y.;DONG, J.; YANG, Q; XU, X. Adapting & testing use of USLE K factor for
agricultural soils in China. Agriculture, Ecosystems & Environment, v. 269, n 1, p. 148-155,
2019.
50
36
20
24
33
41
40
12
48
25
46
1
13
18
19
2
9
17
31
42
43
44
47
14
10
49
54
16
28
23
34
15
35
4
22
51
8
53
7
37
39
45
26
29
38
32
11
30
3
5
6
27
21
52
0
20000
60000
Height
100000
140000
90
8. APÊNDICE
A1 - WARD
Cluster Dendrogram
d
hclust (*, "ward.D")
50
36
20
24
33
41
40
12
48
25
46
1
13
18
19
2
9
17
31
42
43
44
47
14
10
49
54
16
28
23
34
15
35
4
22
51
8
53
7
37
39
45
26
29
38
32
11
30
3
5
6
27
21
52
0
20000
60000
Height
100000
140000
91
Cluster Dendrogram
d
hclust (*, "ward.D")
50
36
20
24
33
41
40
12
48
25
46
1
13
18
19
2
9
17
31
42
43
44
47
14
10
49
54
16
28
23
34
15
35
4
22
51
8
53
7
37
39
45
26
29
38
32
11
30
3
5
6
27
21
52
0
20000
60000
Height
100000
140000
92
Cluster Dendrogram
d
hclust (*, "ward.D")
7
37
25
46
1
13
26
29
d
hclust (*, "median")
4
16
28
54
34
8
53
22
51
10
49
40
48
12
36
33
41
20
24
15
35
3
5
38
32
11
30
52
21
6
27
31
42
9
17
2
19
18
39
45
0
47
14
43
44
5000
23
Height
10000
50
15000
93
A2 - MEDIAN
Cluster Dendrogram
7
37
25
46
1
13
26
29
d
hclust (*, "median")
4
16
28
54
34
8
53
22
51
10
49
40
48
12
36
33
41
20
24
15
35
3
5
38
32
11
30
52
21
6
27
31
42
9
17
2
19
18
39
45
0
47
14
43
44
5000
23
Height
10000
50
15000
94
Cluster Dendrogram
7
37
25
46
1
13
26
29
d
hclust (*, "median")
4
16
28
54
34
8
53
22
51
10
49
40
48
12
36
33
41
20
24
15
35
3
5
38
32
11
30
52
21
6
27
31
42
9
17
2
19
18
39
45
0
47
14
43
44
5000
23
Height
10000
50
15000
95
Cluster Dendrogram
5
3
d
hclust (*, "mcquitty")
15
35
22
51
8
53
34
10
49
54
16
28
36
20
24
33
41
12
48
6
27
21
52
38
32
11
30
18
19
25
46
1
13
2
9
17
31
42
26
29
39
45
7
37
0
4
40
47
14
5000
43
44
23
10000
Height
15000
50
20000
96
A3 - McQUITTY
Cluster Dendrogram
5
3
d
hclust (*, "mcquitty")
15
35
22
51
8
53
34
10
49
54
16
28
36
20
24
33
41
12
48
6
27
21
52
38
32
11
30
18
19
25
46
1
13
2
9
17
31
42
26
29
39
45
7
37
0
4
40
47
14
5000
43
44
23
10000
Height
15000
50
20000
97
Cluster Dendrogram
5
3
d
hclust (*, "mcquitty")
15
35
22
51
8
53
34
10
49
54
16
28
36
20
24
33
41
12
48
6
27
21
52
38
32
11
30
18
19
25
46
1
13
2
9
17
31
42
26
29
39
45
7
37
0
4
40
47
14
5000
43
44
23
10000
Height
15000
50
20000
98
Cluster Dendrogram
d
hclust (*, "complete")
26
4
54
34
8
53
16
28
10
49
29
42
31
22
51
2
9
17
18
19
15
35
39
45
6
27
21
52
3
5
11
30
32
38
25
46
1
13
7
37
36
20
24
40
12
48
33
41
0
50
43
44
23
14
47
5000
10000
15000
Height
20000
25000
30000
99
A4 - COMPLETE
Cluster Dendrogram
d
hclust (*, "complete")
26
4
54
34
8
53
16
28
10
49
29
42
31
22
51
2
9
17
18
19
15
35
39
45
6
27
21
52
3
5
11
30
32
38
25
46
1
13
7
37
36
20
24
40
12
48
33
41
0
50
43
44
23
14
47
5000
10000
15000
Height
20000
25000
30000
100
Cluster Dendrogram
d
hclust (*, "complete")
26
4
54
34
8
53
16
28
10
49
29
42
31
22
51
2
9
17
18
19
15
35
39
45
6
27
21
52
3
5
11
30
32
38
25
46
1
13
7
37
36
20
24
40
12
48
33
41
0
50
43
44
23
14
47
5000
10000
15000
Height
20000
25000
30000
101
Cluster Dendrogram
7
37
d
hclust (*, "average")
25
46
1
13
39
45
8
53
34
54
16
28
10
49
15
35
22
51
18
19
29
2
9
17
31
42
5
38
4
26
12
48
36
3
20
24
33
41
32
6
27
21
52
11
30
0
40
14
5000
50
43
47
23
Height
44
10000
15000
102
A5 - AVERAGE
Cluster Dendrogram
7
37
d
hclust (*, "average")
25
46
1
13
39
45
8
53
34
54
16
28
10
49
15
35
22
51
18
19
29
2
9
17
31
42
5
38
4
26
12
48
36
3
20
24
33
41
32
6
27
21
52
11
30
0
40
14
5000
50
43
47
23
Height
44
10000
15000
103
Cluster Dendrogram
7
37
d
hclust (*, "average")
25
46
1
13
39
45
8
53
34
54
16
28
10
49
15
35
22
51
18
19
29
2
9
17
31
42
5
38
4
26
12
48
36
3
20
24
33
41
32
6
27
21
52
11
30
0
40
14
5000
50
43
47
23
Height
44
10000
15000
104
Cluster Dendrogram
7
37
40
48
12
36
33
41
20
24
d
hclust (*, "centroid")
9
16
28
4
54
8
53
34
51
22
15
35
10
49
26
29
3
38
39
45
32
11
5
30
52
21
6
27
31
42
17
2
19
18
25
46
1
13
0
47
43
14
23
44
5000
Height
10000
50
15000
105
A6 - CENTROID
Cluster Dendrogram
7
37
40
48
12
36
33
41
20
24
d
hclust (*, "centroid")
9
16
28
4
54
8
53
34
51
22
15
35
10
49
26
29
3
38
39
45
32
11
5
30
52
21
6
27
31
42
17
2
19
18
25
46
1
13
0
47
43
14
23
44
5000
Height
10000
50
15000
106
Cluster Dendrogram
7
37
40
48
12
36
33
41
20
24
d
hclust (*, "centroid")
9
16
28
4
54
8
53
34
51
22
15
35
10
49
26
29
3
38
39
45
32
11
5
30
52
21
6
27
31
42
17
2
19
18
25
46
1
13
0
47
43
14
23
44
5000
Height
10000
50
15000
107
Cluster Dendrogram
7
37
25
46
1
13
0
39
45
6
27
d
hclust (*, "single")
18
19
9
17
42
31
8
26
33
41
20
24
2
53
34
51
22
15
35
5
32
52
11
30
21
10
49
54
16
28
3
29
38
2000
12
48
36
4
4000
Height
40
14
23
47
43
6000
50
44
8000
108
A7 - SINGLE
Cluster Dendrogram
7
37
25
46
1
13
0
39
45
6
27
d
hclust (*, "single")
18
19
9
17
42
31
8
26
33
41
20
24
2
53
34
51
22
15
35
5
32
52
11
30
21
10
49
54
16
28
3
29
38
2000
12
48
36
4
4000
Height
40
14
23
47
43
6000
50
44
8000
109
Cluster Dendrogram
7
37
25
46
1
13
0
39
45
6
27
d
hclust (*, "single")
18
19
9
17
42
31
8
26
33
41
20
24
2
53
34
51
22
15
35
5
32
52
11
30
21
10
49
54
16
28
3
29
38
2000
12
48
36
4
4000
Height
40
14
23
47
43
6000
50
44
8000
110
Cluster Dendrogram