A análise de frequência de cheias, utilizada na avaliação de riscos de inundação e no dimensionamento de estruturas hidráulicas, consiste no ajuste estatístico de uma distribuição teórica de probabilidade aos dados históricos de vazão. Na maioria das vezes, as vazões não são diretamente medidas em campo, mas estimadas a partir do histórico de cotas máximas de nível d’água e da curva-chave, que é uma função que tenta representar a relação estabelecida entre a cota de nível d’água e a vazão para a seção do rio em estudo. Como a curva-chave é apenas uma aproximação da real relação entre cota e vazão, os dados de vazão são altamente influenciados pela forma como essa curva é estabelecida e, portanto, sujeitos a incertezas. No caso da análise de cheias, essas incertezas podem ser ainda maiores, já que as vazões de pico são usualmente estimadas a partir da extrapolação da curva onde se tem pouca ou nenhuma informação disponível. A compreensão e melhor descrição dessas incertezas permite uma estimativa mais realista dos quantis estimados na análise de frequência de cheias. O uso da inferência Bayesiana é atraente nesses casos, pois o conhecimento das caraterísticas hidráulicas do rio, assim como a modelagem das incertezas envolvidas, pode ser incorporado à análise de uma maneira natural, permitindo que se considere as incertezas nos dados de vazão na estimativa dos quantis. Esse estudo propõe um Modelo Bayesiano Completo (BC), que incorpora o conhecimento hidráulico sobre o trecho do rio em questão na estimativa das incertezas inerentes ao ajuste da curva-chave, e considera essas incertezas na obtenção da curva de frequência de cheias. O modelo é aplicado em um caso sintético com parâmetros conhecidos e em um caso real na estação fluviométrica de Cáceres no rio Paraguai, com intuito de avaliar o impacto dessas incertezas em diferentes cenários de disponibilidade de dados e conhecimento sobre o trecho do rio. Os resultados obtidos mostram que o modelo proposto é adequado para estimativa da distribuição a posteriori dos parâmetros da curva-chave, da distribuição teórica de probabilidades e dos quantis e seus intervalos de credibilidade. O estudo demonstra que as incertezas da curva-chave não são desprezíveis e podem chegar até 70% do valor da incerteza global, e têm um impacto significativo na incerteza nos quantis de cheia. Além disso, os resultados mostram que a disponibilidade de dados de medição de descarga e cotas máximas anuais, assim como o conhecimento hidráulico sobre o trecho do rio podem alterar essas incertezas, indicando o importante papel dos levantamentos de campo na melhoria das estimativas.
Flood frequency analysis is developed to provide essential information for flood risk management and for the design of hydraulic structures. It consists of adjusting a theoretical probability distribution to a sample of streamflow data in order to relate flood magnitudes to their probability of exceedance. Daily streamflow records, however, are not actually measured in the field, but estimated based on daily measurements of water level in conjunction with the rating curve, a mathematical function that relates gauge readings with discharge values at a given station. As the rating curve is only an approximation of the real relationship between water levels and discharge values, daily streamflow data contain uncertainties. In flood frequency analysis, these uncertainties can be even larger because a relatively large portion of the data is estimated based on the extrapolation of the rating curve. The comprehension and quantitative assessment of these uncertainties are important to obtain a more realistic description of the uncertainties in flood quantile estimates. Bayesian inference is very attractive in theses cases because it can easily incorporate the often imprecise knowledge available on the hydraulic behavior of the river into the flood frequency analysis, providing a natural way to not only evaluate the uncertainties in the streamflow sample, but also to consider these uncertainties in the estimated flood quantiles. This dissertation develops a fully Bayesian model (BC) capable of incorporating imprecise knowledge on the hydraulic behavior of the river, when available, to estimate the uncertainties in the rating curve and to consider these uncertainties in the development of the flood frequency curve. The proposed model was applied in a synthetic case with known parameters and in a real case with data from a streamfow gauge located in the Paraguai River. These cases were used to evaluate the impacts of uncertainties in the rating curve in the flood quantile estimates considering different scenarios of record length, amount of discharge measurements and quality of information on the hydraulic behavior of the river. Results show the proposed fully Bayesian model provided adequate posterior distributions of parameters of the rating curve, the probability distribution of annual maximum floods, and flood quantiles. Estimated uncertainties in the rating curve were quite large, representing as much as 70% of the uncertainties in flood quantiles in extreme cases. Results also show that the amount of discharge measurements and prior knowledge on the hydraulic behavior of the river can have an impact on the uncertainties in the flood quantiles, indicating the potential role of field survey and discharge measurement in the reduction of uncertainties on flood quantile.