Ciência de dados, processamento geoespacial e arquitetura da rede telemétrica
O delineamento experimental fundamenta-se na integração de ciência de dados com a estruturação de uma rede de monitorização hidrológica híbrida e descentralizada na Serra do Japi. A metodologia divide-se 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 consistiu na identificação do universo de utilizadores e na quantificação da pressão exercida sobre o aquífero. Os dados foram obtidos através do portal do Departamento de Águas e Energia Elétrica (DAEE), via sistema SP Águas.
A base de dados consolidada foi submetida a um rigoroso processamento geoespacial utilizando o software QGIS e algoritmos em linguagem Python, focados em duas rotinas principais:
Isolamento das outorgas situadas dentro ou na zona de amortecimento (buffer de 1,1 km) da APA da Serra do Japi.
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 mitigar o elevado custo de implantação das redes tradicionais, a arquitetura proposta divide-se em dois componentes complementares, garantindo rigor normativo e escalabilidade:
Atua como a linha de base (baseline) do projeto. Prevê a perfuração e instrumentação de um número reduzido de poços tubulares dedicados exclusivamente à monitorização do nível estático e qualidade da água. A construção segue rigorosamente as diretrizes da ABNT NBR 13.895, garantindo a instalação de pré-filtros e selos sanitários adequados. Os dados destes pontos calibram a malha de sensores de baixo custo e permitem aferições manuais (fita-sonda), conforme a ABNT NBR 15.492.
O coração da proposta tecnológica reside na adaptação de poços produtivos pré-existentes (públicos e privados). Tecnologias distintas são aplicadas conforme a hidrogeologia da captação:
Instalação de transdutores de pressão submersíveis (dataloggers tipo vented). Registam 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).
Para superar as limitações orográficas impostas pelo relevo acidentado da Serra do Japi — que inviabiliza o uso de redes celulares convencionais (GPRS/4G) em diversas cotas de altitude —, o projeto adota o protocolo de comunicação LoRaWAN (Long Range Wide Area Network).
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