Ciência de dados, processamento geoespacial e arquitetura da rede telemétrica
A metodologia combina ciência de dados com a estruturação de uma rede de monitoramento hidrológico híbrida na Serra do Japi, em duas macroetapas: (i) mineração e processamento geoespacial de dados secundários e (ii) definição da arquitetura de hardware e telemetria baseada em IoT.
A etapa inicial identificou quem são os usuários de água e qual a pressão exercida sobre o aquífero. Os dados foram obtidos no portal do Departamento de Águas e Energia Elétrica (DAEE), via sistema SP Águas.
A base consolidada passou por processamento geoespacial em QGIS e Python, com duas rotinas principais:
Isolamento das outorgas dentro da APA da Serra do Japi ou na sua zona de influência direta (buffer de 1 km). A distância de 1 km foi adotada como critério operacional conservador, compatível com raios de influência típicos de poços tubulares em aquíferos fraturados do embasamento cristalino paulista (HIRATA et al., 2010).
Cruzamento do volume anual outorgado (m³/ano) com a tipologia de uso (industrial, abastecimento, doméstico) e o regime de operação (sazonal/não sazonal).
O consumo anual de cada outorga foi calculado somando o produto Horas × Vazão (m³/h) para cada mês do ano:
Consumo Anual = Σ (Horas_mês × Vazão_mês) para os 12 meses. Os valores foram validados contra a coluna Volume Anual (m³) do dataset original, com diferença máxima de 0,00 m³.
Durante a estruturação do banco de dados, realizou-se a higienização de inconsistências cadastrais evidentes na base pública do DAEE. Foram identificados e excluídos outliers tipográficos — registros que apresentavam volumes da ordem de bilhões de metros cúbicos atribuídos a usos domésticos —, resultantes de erros de digitação na unidade de medida. A remoção criteriosa dessas anomalias garantiu a fidelidade estatística da amostra.
Para reduzir os custos de implantação frente às redes tradicionais, a arquitetura se divide em dois componentes complementares:
Funciona como linha de base (baseline) do projeto. Prevê a perfuração e instrumentação de um número reduzido de poços tubulares dedicados ao monitoramento do nível estático e qualidade da água. A construção segue as diretrizes da ABNT NBR 15.495-1 (projeto e construção de poços de monitoramento de águas subterrâneas), com instalação de pré-filtros e selos sanitários adequados. Os dados desses pontos calibram a malha de sensores de baixo custo e permitem aferições manuais (fita-sonda), conforme a ABNT NBR 15.492.
A adaptação de poços produtivos pré-existentes (públicos e privados) é o núcleo da proposta. Tecnologias distintas são aplicadas conforme a hidrogeologia da captação:
Instalação de transdutores de pressão submersíveis (dataloggers tipo vented). Registram a variação da coluna de água com compensação barométrica automática, ideais para monitorar a severidade dos cones de rebaixamento industriais.
Utilização de sensores de nível ultrassônicos ou LiDAR (Time-of-Flight) sem contato. Instalados na proteção superficial do poço, eliminam riscos de contaminação cruzada e são ideais para envolver a comunidade local (ciência cidadã).
O relevo acidentado da Serra do Japi (cotas de 700 a 1.200 m) compromete a cobertura de redes celulares convencionais (GPRS/4G) em diversas localidades. O projeto adota o protocolo LoRaWAN (Long Range Wide Area Network), que opera com longo alcance (até 15 km em área rural), baixo consumo energético e faixa de 915 MHz.
A rede opera numa topologia estrela (star-of-stars):
Microcontroladores de baixo consumo energético acoplados aos sensores nos poços. Programados para despertar periodicamente, realizar a leitura piezométrica e transmiti-la via radiofrequência (915 MHz).
Antenas posicionadas estrategicamente nas cotas altimétricas mais elevadas da APA. Recebem os pacotes de dados de dezenas de poços num raio de vários quilômetros e realizam o backhaul (via satélite ou link dedicado) para um servidor em nuvem.
A integração desta arquitetura em nuvem permite a correlação automatizada das flutuações do lençol freático com o volume outorgado e as variáveis climáticas regionais, possibilitando alertas precoces e gestão baseada em dados.
Python 3.13, Pandas, GeoPandas, NumPy, Matplotlib
QGIS, Shapely, CRS EPSG:31983 / EPSG:4326
Leaflet.js, HTML5, CSS3, JavaScript
DAEE/SP — Sistema SP Águas, shapefiles IBGE