RELAÇÕES ENTRE CLIMA E CONSUMO DE ÁGUA PER CAPITA: UMA ABORDAGEM GEOESTATÍSTICA PARA O ESTADO DE SANTA CATARINA
DOI:
https://doi.org/10.46421/sispred.v4.8020Palavras-chave:
Consumo de água per capita, Análise espacial, Variáveis climáticas, Análise transversalResumo
Este estudo investiga a relação espacial entre variáveis climáticas, temperatura média anual e precipitação média diária, e o consumo de água per capita nos municípios do estado de Santa Catarina, Brasil, no ano de 2021. Foram empregadas técnicas estatísticas e geoestatísticas no software GeoDa, com aplicação de estatística descritiva e mapas coropléticos condicionados. A categorização por quantis permitiu identificar padrões espaciais considerando simultaneamente temperatura e precipitação. Os resultados indicaram maior variabilidade no consumo de água em relação às variáveis climáticas e uma tendência de maior consumo em áreas com temperaturas mais elevadas. Não foi observada uma tendência espacial clara entre consumo de água e precipitação. A abordagem geoestatística permitiu evidenciar a distribuição espacial do fenômeno em uma análise transversal, reforçando a importância de estudos longitudinais para aprofundamento. Os achados fornecem subsídios técnicos para a gestão eficiente dos recursos hídricos frente à variabilidade climática.
Downloads
Referências
ANSELIN, L.; SYABRI, I.; KHO, Y. GeoDa: An introduction to spatial data analysis. Geographical Analysis, v. 38, n. 1, p. 5–22, 2006.
BECHINI, L.; BOCCHI, S.; MAGGIORE, T. Spatial interpolation of soil physical properties for irrigation planning: A simulation study in northern Italy. European Journal of Agronomy, v. 19, n. 1, p. 1-14, 2003.
BRUSSOLO, E., PALAZZI, E., VON HARDENBERG, J., MASETTI, G., VIVALDO, G., PREVIATI, M., CANONE, D., GISOLO, D., BEVILACQUA, I., PROVENZALE, A., AND FERRARIS, S.: Aquifer recharge in the Piedmont Alpine zone: historical trends and future scenarios, Hydrol. Earth Syst. Sci., 26, 407–427, https://doi.org/10.5194/hess-26-407- 2022.
CHAIYASEN, B.; MAKPIBOON, C.; PORNPROMMIN, A.; LIPIWATTANAKARN, S. Temporal scale impacts of weather variables on urban water demand. Suranaree Journal of Science & Technology, v. 28, p. 71–77, 2021.
DONG, H., NAKAYAMA, M.K. (2020). A Tutorial on Quantile Estimation via Monte Carlo. In: Tuffin, B., L'Ecuyer, P. (eds) Monte Carlo and Quasi-Monte Carlo Methods. MCQMC 2018. Springer Proceedings in Mathematics & Statistics, vol 324. Springer, Cham. https://doi.org/10.1007/978-3-030-43465-6_1
ERSBACH, H.; BELL, B.; BERRISFORD, P.; BIAVATI, G.; HORÁNYI, A.; MUÑOZ SABATER, J. ERA5 monthly averaged data on single levels from 1940 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS), 2023. Disponível em: https://doi.org/10.24381/cds.f17050d7. Acesso em: 01 set. 2024.
GERACI, M. Qtools: A collection of models and tools for quantile inference The R Journal v.8, pp.117-138. (2016),
GHADAMI, F., TAKHTFIROOZEH, S., RAJABI, Z., AKBARI, H., & RABBANI, D. Modeling of water consumption per capita in Kashan as an Iranian desert area with a view to Global warming. Journal of Entomological Research,42(1), 143-150. (2018).
GRECO, Luca; LUTA, George; WILCOX, Rand. On testing the equality between interquartile ranges. Computational statistics, v. 39, n. 5, p. 2873-2898, 2024.
IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Censo Demográfico de 2022. 2022. Disponível em: http://www.censo2022.ibge.gov.br/. Acesso em: 18 maio 2024.
JIA, Pengpeng; ZHUANG, Dafang; WANG, Yong. Impacts of temperature and precipitation on the spatiotemporal distribution of water resources in Chinese mega cities: the case of Beijing.
Journal of Water and Climate Change, v. 8, n. 4, p. 593-612, 2017.
MAKPIBOON, C.; PORNPROMMIN, A.; LIPIWATTANAKARN, S. Impacts of weather variables on urban water demand at multiple temporal scales. GEOMATE Journal, v. 18, n. 67, p. 71–77, 2020.
MONTEIRO, Maurici Amantino. Caracterização climática do estado de Santa Catarina: uma abordagem dos principais sistemas atmosféricos que atuam durante o ano. Geosul, v. 16, n. 31, p. 69-78, 2001.
MUÑOZ Sabater, J. ERA5-Land monthly averaged data from 1950 to present. Copernicus Climate Change Service (C3S) Climate Data Store (CDS), 2019. Disponível em: https://doi.org/10.24381/cds.68d2bb30. Acesso em: 01 set. 2024.
PERVEEN, Shama; ALLAN James, L. Changes in correlation coefficients with spatial scale and implications for water resources and vulnerability data. The Professional Geographer, v. 64, n. 3, p. 389-400, 2012.
QGIS Development Team, 2025. QGIS Geographic Information System. Open Source Geospatial Foundation Project. http://qgis.osgeo.org
SISTEMA NACIONAL DE INFORMAÇÕES SOBRE SANEAMENTO (SNIS). Diagnóstico Temático Serviços de Água e Esgoto. Gestão Técnica de Água ano de referência 2021. Brasília: Ministério do Desenvolvimento Regional, 2023. https://antigo.mdr.gov.br/images/stories/ArquivosSNSA/Arquivos_PDF/Snis/AGUA_E_ESGOTO/DIAGNOSTICO_TEMATICO_GESTAO_TECNICA_DE_AGUA_AE_SNIS_MAI_2023.pdf. Acesso em: 25 jun. 2025.
VAROUCHAKIS, E. A. Geostatistics: mathematical and statistical basis. In: Spatiotemporal analysis of extreme hydrological events. p. 1-38, Elsevier, 2019.
