Índice

1. Introdução ................................................................................................................................... 3
2. Problematização .......................................................................................................................... 5
3. Justificativa ................................................................................................................................. 6
4. Hipóteses ..................................................................................................................................... 7
4.1. Hipótese nula (H₀) ................................................................................................................ 7
4.2. Hipótese alternativa (H₁) ...................................................................................................... 7
5. Objectivos ................................................................................................................................... 8
5.1. Objectivo geral ..................................................................................................................... 8
5.2. Objectivos específicos .......................................................................................................... 8
6. Revisão bibliográfica .................................................................................................................. 9
6.1. Modelagem da qualidade da água: Fundamentos teóricos ................................................... 9
6.2. Cinética da degradação da DBO .......................................................................................... 9
6.3. Modelos aplicados em bacias hidrográficas ....................................................................... 10
6.4. Legislação e padrões de qualidade da água ........................................................................ 11
6.5. Contexto de Moçambique e da cidade da Beira ................................................................. 11
7. Metodologia .............................................................................................................................. 13
7.1. Definição do sistema .......................................................................................................... 13
7.2. Identificação das variáveis ................................................................................................. 13
7.2.1. Variável depende (Stock) ............................................................................................ 13
7.2.2. Variáveis Independentes .............................................................................................. 13
7.3. Diagrama de compartimentos............................................................................................. 14
7.4. Equações Matemáticas ....................................................................................................... 15
7.5. Geração de dados primários ............................................................................................... 17
8. Resultados e discussão .............................................................................................................. 18
8.1. Simulação no Excel ............................................................................................................ 18
8.2. Evolução temporal da DBO ............................................................................................... 18
8.3. Discussão dos resultados .................................................................................................... 19
8.4. Análise de regressão ........................................................................................................... 21
8.4.1. Regressão linear simples ............................................................................................. 21
8.4.2. Regressão não-linear (modelo exponencial)................................................................ 22
8.4.3. Regressão linear múltipla ............................................................................................ 23

1
 8.5. Análise de sensibilidade ..................................................................................................... 24
9. Conclusão.................................................................................................................................. 25
10. Recomendações....................................................................................................................... 26
11. Referências bibliográficas ....................................................................................................... 27

2
1. Introdução

A qualidade da água constitui um dos desafios ambientais mais prementes do século XXI,
afectando directamente a saúde pública, a biodiversidade aquática e o desenvolvimento
socioeconómico das nações. A nível global, a Organização das Nações Unidas (ONU) estima que
mais de 2 bilhões de pessoas vivem em países com estresse hídrico elevado, e a poluição dos
corpos hídricos é responsável por aproximadamente 1,4 milhão de mortes anuais relacionadas com
doenças de veiculação hídrica (WHO, 2023). A Demanda Bioquímica de Oxigênio (DBO) emerge
como um dos parâmetros mais críticos para avaliar a poluição orgânica, representando a
quantidade de oxigênio consumida por microrganismos aeróbios na decomposição da matéria
orgânica presente na água (Von Sperling, 2007; Chapra, 1997). Valores elevados de DBO indicam
cargas poluidoras significativas, que podem levar à depleção do oxigênio dissolvido, causando
mortalidade de peixes e desequilíbrios ecológicos severos (Matos et al., 2017).

Em África, o problema assume dimensões particularmente graves. O continente abriga 15% da

população mundial, mas detém apenas 9% dos recursos hídricos renováveis. Países como
Moçambique enfrentam desafios estruturais no saneamento básico, com taxas de cobertura de
tratamento de esgotos que não ultrapassam 20% em áreas urbanas e menos de 5% em zonas rurais
(UNICEF & WHO, 2023). A gestão inadequada dos resíduos líquidos resulta na descarga directa
de esgotos domésticos e industriais nos corpos hídricos, elevando drasticamente as concentrações
de DBO e comprometendo a qualidade da água para consumo humano e manutenção dos
ecossistemas aquáticos (ANA, 2017).

Moçambique, localizado na costa oriental de África, possui uma extensa rede hidrográfica que
inclui grandes bacias como as dos rios Zambeze, Limpopo e Púnguè. No entanto, a gestão dos
recursos hídricos é definida pela Política Nacional de Águas (Resolução nº 46/2007) e pela Lei de
Águas (Lei nº 16/1991), que estabelecem princípios como o domínio público hídrico, a gestão por
bacias hidrográficas, o utilizador-pagador e o poluidor-pagador (Biofund, 2021). Apesar deste
enquadramento legal, a implementação prática enfrenta obstáculos significativos relacionados à
capacidade institucional, financiamento e infraestrutura. O país possui uma taxa de acesso a
saneamento urbano de apenas 68,4%, segundo dados do Ministério das Obras Públicas, Habitação
e Recursos Hídricos (AIM, 2024), o que significa que milhões de moçambicanos ainda não têm
acesso a sistemas adequados de tratamento de esgotos.

3
A Província de Sofala, situada na região centro de Moçambique, é particularmente vulnerável às
questões de qualidade da água. A província abriga a cidade da Beira, o segundo maior centro
urbano do país, com uma população estimada em mais de 500.000 habitantes. A cidade está
localizada numa estreita faixa de terra entre o Rio Púnguè e o Oceano Índico, numa altitude média
inferior a 1 metro acima do nível do mar, o que a torna extremamente susceptível a inundações e
intrusão salina (Biofund, 2021). A bacia do Rio Chiveve, que atravessa os bairros centrais da
cidade, constitui um sistema natural de drenagem que foi obstruído nas décadas de 1980,
resultando em acumulação de sedimentos, resíduos sólidos e águas residuais que comprometem
severamente a qualidade ambiental da região (World Bank, 2019).

A cidade da Beira enfrenta desafios críticos no saneamento básico. O sistema de drenagem de

águas pluviais existente abrange menos de metade da cidade e possui capacidade hidráulica
insuficiente para drenar eventos de precipitação superiores a 75 mm/dia (BKS-PACE, 2008). A
maior parte da população nos bairros centrais habita em áreas com altitude próxima do nível médio
do mar, e a ocupação desordenada das zonas pantanosas dificulta a circulação normal das águas.
Os aquíferos superficiais são vulneráveis à poluição devido às características arenosas e argilo-
arenosas dos solos, associadas à disposição inadequada de resíduos sólidos urbanos e à presença
de fossas sépticas sem tratamento adequado (Biofund, 2021). Estudos recentes identificaram a
deterioração da qualidade da água em zonas urbanas de Sofala devido a tubagens danificadas,
ligações clandestinas de esgoto cloacal e pluvial, e contaminação de aquíferos subterrâneos
(FEUP, 2022).

A modelagem permite prever o comportamento do sistema ao longo do tempo, identificar os

principais fatores que influenciam a qualidade da água e testar diferentes cenários de intervenção,
constituindo-se em ferramenta essencial para a gestão de recursos hídricos em contextos de
desenvolvimento (Kayser & Collischonn, 2012; Von Sperling, 2007).

4
2. Problematização

A poluição orgânica dos corpos hídricos é um dos principais problemas ambientais em áreas
urbanas de países em desenvolvimento, especialmente em contextos onde o saneamento básico é
precário. A descarga de esgotos domésticos e industriais sem tratamento adequado eleva as
concentrações de DBO nos reservatórios, comprometendo a qualidade da água e a saúde dos
ecossistemas aquáticos (ANA, 2017; AGEVAP, 2025).

Na cidade da Beira, a situação é particularmente crítica. A reabertura do Rio Chiveve, um projeto

financiado pelo Banco Alemão KfW com 13 milhões de euros, visa fortalecer a resiliência da
cidade contra inundações e melhorar as condições de vida dos habitantes do centro da cidade
(Biofund, 2021). No entanto, durante a fase de operação do projeto, são esperados impactos
relacionados à gestão dos efluentes líquidos, que podem estar contaminados e apresentar conteúdos
elevados de microorganismos patogénicos. As águas residuais não devem ser drenadas
directamente para o Rio Chiveve, e em caso de suspeita de contaminação, deve-se proceder à sua
correção (Biofund, 2021).

A bacia do Rio Chiveve abrange cinco bairros do centro da cidade, constituindo um sistema natural
que permite o fluxo fluviomarinho e a retenção e drenagem de águas pluviais. Entretanto, o seu
funcionamento actual tem grandes limitações devido ao bloqueio ocorrido nos anos 80, quando se
fechou a saída natural do rio, instalando um canal de saída de apenas 2 metros de largura e 70
metros de comprimento (Biofund, 2021). Esta situação permite a permanência de elevados
volumes e caudais de água em partes superiores do rio, acumulando sedimentos, resíduos sólidos
e efluentes domésticos que elevam drasticamente a carga de DBO.

Problema de pesquisa: Como a concentração de DBO num reservatório urbano da cidade da

Beira varia ao longo do tempo em função das cargas poluidoras de esgotos domésticos não
tratados e dos processos de autodepuração, e quais cenários de implementação de Estações
de Tratamento de Esgotos (ETE) são mais eficazes para melhorar a qualidade da água e
atender aos padrões de classificação de corpos hídricos?

5
3. Justificativa

A modelagem da qualidade da água é fundamental para o planejamento e gestão de recursos

hídricos, permitindo prever os impactos de diferentes cenários de uso e ocupação do solo, além de
avaliar a eficácia de medidas de controle da poluição (Von Sperling, 2007; Kayser & Collischonn,
2012). No contexto da cidade da Beira, onde a vulnerabilidade às mudanças climáticas e a pressão
demográfica sobre os sistemas de saneamento são crescentes, a modelagem ambiental assume
papel estratégico na tomada de decisões.

O uso de ferramentas computacionais acessíveis, como o Microsoft Excel, democratiza o acesso à

modelagem ambiental, permitindo que estudantes, profissionais e gestores municipais
desenvolvam simulações sem necessidade de softwares especializados de alto custo. Esta
abordagem é particularmente relevante em contextos de desenvolvimento, onde os recursos
financeiros são limitados e a capacitação técnica deve ser promovida de forma sustentável
(Callenbach et al., 1995; Bursztyn, 1994).

Além disso, o projeto de reabertura do Rio Chiveve, enquadrado na Estratégia Nacional de

Adaptação às Mudanças Climáticas de Moçambique, prevê a melhoria da qualidade do
ecossistema ao longo prazo, a redução da poluição ao longo do canal e a valorização da zona como
espaço verde e de uso recreativo (Biofund, 2021). A modelagem da DBO contribui directamente
para estes objectivos, fornecendo subsídios técnicos para o dimensionamento de infraestruturas de
tratamento, a definição de metas de qualidade da água e o monitoramento da eficácia das
intervenções.

A modelagem também contribui para a tomada de decisões baseada em evidências, reduzindo

incertezas e optimizando recursos para a gestão ambiental. No caso específico da Beira, onde o
abastecimento de água é realizado pelo FIPAG e existem muitas fontes de água dispersas (poços
e furos) vulneráveis à poluição, a previsão da qualidade da água é essencial para proteger a saúde
pública e garantir a sustentabilidade dos recursos hídricos (Biofund, 2021; FEUP, 2022).

6
4. Hipóteses
4.1. Hipótese nula (H₀)
A concentração de DBO no reservatório urbano da Beira não é significativamente afetada pela
implementação de diferentes eficiências de tratamento de esgotos, mantendo-se em níveis elevados
(acima dos limites regulamentares) independentemente do cenário de intervenção, devido à
predominância de outras fontes de poluição e à limitada capacidade de autodepuração do sistema.

4.2. Hipótese alternativa (H₁)

A concentração de DBO no reservatório urbano da Beira é significativamente reduzida pela
implementação de Estações de Tratamento de Esgotos com eficiência igual ou superior a 80%,
atingindo níveis compatíveis com a Classe 3 (≤ 10 mg/L) ou Classe 2 (≤ 5 mg/L) de classificação
de corpos de água, conforme a Resolução CONAMA 357/2005, devido à redução drástica da carga
poluidora de entrada e à contribuição dos processos de autodepuração.

7
5. Objectivos
5.1. Objectivo geral
• Modelar a dinâmica da concentração de DBO num reservatório urbano da cidade da Beira.

5.2. Objectivos específicos

1. Identificar e caracterizar os componentes do sistema;
2. Construir o diagrama de compartimentos do modelo conceitual;
3. Formular as equações matemáticas que regem o sistema ao longo do tempo;
4. Analisar a resposta do sistema a perturbações externas.

8
6. Revisão bibliográfica
6.1. Modelagem da qualidade da água: Fundamentos teóricos

A modelagem da qualidade da água em corpos hídricos tem sido amplamente estudada na literatura
ambiental desde as primeiras décadas do século XX. Streeter e Phelps (1925) desenvolveram as
bases teóricas da modelagem da autodepuração de rios, estabelecendo as equações diferenciais que
descrevem a depleção do oxigênio dissolvido em função da carga de DBO. Este trabalho pioneiro
fundamentou todas as abordagens subsequentes de modelagem da qualidade da água.

Orlob (1983), em sua obra "Mathematical Modeling of Water Quality: Streams, Lakes, and
Reservoirs", consolidou as principais abordagens de modelagem matemática para lagos e
reservatórios, incluindo os modelos de mistura completa (completely mixed) e os modelos de
múltiplos compartimentos. O autor demonstrou que, para reservatórios de pequeno a médio porte
com tempos de residência relativamente curtos, a abordagem de mistura completa é adequada e
computacionalmente eficiente.

Chapra (1997), em "Surface Water-Quality Modeling", apresentou os fundamentos teóricos da

modelagem da qualidade da água, incluindo as equações de balanço de massa, cinéticas de reação
e métodos numéricos de solução. O autor enfatizou a importância da calibração e validação dos
modelos com dados de campo, estabelecendo métricas estatísticas como o coeficiente de
determinação (R²), o erro médio quadrático (RMSE) e o erro percentual médio (MAPE) como
critérios de avaliação da qualidade do ajuste.

6.2. Cinética da degradação da DBO

A cinética de degradação da DBO é tipicamente modelada como uma reação de primeira ordem,
onde a taxa de degradação é proporcional à concentração remanescente de matéria orgânica. A
equação fundamental é:

𝐿𝑡 = 𝐿0 × 𝑒 −𝑘𝑡

9
Onde: 𝐿𝑡 é a DBO remanescente no tempo, 𝐿0 é a DBO inicial e k é o coeficiente de degradação.
Matos et al. (2017) avaliaram o efeito da temperatura na progressão da DBO exercida em amostras
de esgoto doméstico, concluindo que os modelos de primeira e segunda ordens descrevem
adequadamente a progressão da DBO, tanto para incubação a 20°C quanto a 35°C. Os autores
encontraram valores de k de 0,1593 dia⁻¹ a 20°C e 0,2262 dia⁻¹ a 35°C, com R² superiores a 0,97,
confirmando a validade da abordagem cinética de primeira ordem.

Von Sperling (2007), em "Princípios do Tratamento Biológico de Águas Residuárias", apresenta

metodologias consolidadas para o cálculo de cargas poluidoras e concentrações de efluentes,
considerando fatores como população, consumo per capita e taxa de retorno de esgotos. O autor
destaca que a carga per capita de DBO em países em desenvolvimento varia entre 45 e 60
g/hab·dia, valor utilizado como base para os cálculos deste trabalho. Para esgotos domésticos
brutos, as concentrações típicas de DBO variam entre 150 e 400 mg/L (Lab2Bio, 2025).

6.3. Modelos aplicados em bacias hidrográficas

Kayser e Collischonn (2012) desenvolveram o modelo WARM-GIS para simulação da qualidade

da água em bacias hidrográficas, integrando dados de disponibilidade hídrica, cargas poluidoras
pontuais e difusas. O modelo tem sido aplicado em diversos estudos no Brasil, como na Bacia do
Rio Paraíba do Sul (AGEVAP, 2025), demonstrando sua robustez e aplicabilidade em contextos
reais. Os autores enfatizam a importância da integração entre modelagem matemática e sistemas
de informação geográfica (SIG) para a gestão integrada de recursos hídricos.

A Agência Nacional de Águas (ANA, 2017) publicou o "Atlas Esgotos: Despoluição de Bacias
Hidrográficas", que fornece dados e metodologias para o cálculo de cargas poluidoras e projeções
de cenários futuros. O documento é referência nacional para o planejamento de investimentos em
saneamento básico no Brasil, estabelecendo que a eficiência de remoção de DBO em lagoas de
estabilização varia entre 60% e 80%, enquanto sistemas de lodo activado podem atingir eficiências
superiores a 90%.

10
6.4. Legislação e padrões de qualidade da água

O Conselho Nacional do Meio Ambiente (CONAMA, 2005), por meio da Resolução nº 357,
estabelece os limites de concentração de DBO para diferentes classes de corpos de água no Brasil,
servindo como referência internacional para a avaliação da qualidade da água. A classificação
estabelece:

• Classe 1: DBO ≤ 3 mg/L (água para consumo após desinfeção);

• Classe 2: DBO ≤ 5 mg/L (água para consumo após tratamento simplificado);
• Classe 3: DBO ≤ 10 mg/L (água para consumo após tratamento convencional);
• Classe 4: DBO > 10 mg/L (água para navegação e outros usos menos exigentes).

Em Moçambique, a gestão dos recursos hídricos é definida pela Política Nacional de Águas
(Resolução nº 46/2007) e pela Lei de Águas (Lei nº 16/1991), que estabelecem princípios como o
domínio público hídrico, a gestão por bacias hidrográficas, o utilizador-pagador e o poluidor-
pagador (Biofund, 2021). O Decreto nº 43/2007 aprovou o Regime de Licenças e Concessões,
detalhando os requisitos para o uso e aproveitamento privativo de água, incluindo o despejo de
efluentes.

6.5. Contexto de Moçambique e da cidade da Beira

A cidade da Beira, capital da Província de Sofala, é o segundo maior centro urbano de

Moçambique, com uma população estimada em mais de 500.000 habitantes. A cidade está
localizada numa estreita faixa de terra entre o Rio Púnguè e o Oceano Índico, numa altitude média
inferior a 1 metro acima do nível do mar, o que a torna extremamente susceptível a inundações e
intrusão salina (Biofund, 2021). O sistema de drenagem de águas pluviais existente abrange menos
de metade da cidade e possui capacidade hidráulica insuficiente para drenar eventos de
precipitação superiores a 75 mm/dia (BKS-PACE, 2008).

A bacia do Rio Chiveve abrange cinco bairros do centro da cidade (Chaimite, Maquinino, Ponta-
Gêa, entre outros), constituindo um sistema natural que permite o fluxo fluviomarinho e a retenção
e drenagem de águas pluviais. Entretanto, o seu funcionamento actual tem grandes limitações
devido ao bloqueio ocorrido nos anos 80, quando se fechou a saída natural do rio, instalando um

11
canal de saída de apenas 2 metros de largura e 70 metros de comprimento (Biofund, 2021). Esta
situação permite a permanência de elevados volumes de água estagnada, acumulando sedimentos,
resíduos sólidos e efluentes domésticos.

O projecto de "Reabertura do Rio Chiveve" é uma iniciativa da Cooperação Alemã com a

Administração de Infra-estruturas de Água e Saneamento (AIAS), financiado pelo Banco Alemão
KfW com fundos de investimento no total de 13 milhões de euros (Biofund, 2021). O projecto visa
fortalecer a resiliência da cidade contra inundações, melhorar as condições de vida dos habitantes
do centro da cidade e valorizar a zona ao longo do Rio Chiveve como espaço verde e de uso
recreativo.

Estudos recentes identificaram a deterioração da qualidade da água em zonas urbanas de Sofala

devido a tubagens danificadas, ligações clandestinas de esgoto cloacal e pluvial, e contaminação
de aquíferos subterrâneos por fossas sépticas (FEUP, 2022). Os aquíferos superficiais são
vulneráveis à poluição devido às características arenosas e argilo-arenosas dos solos, associadas à
ocupação desordenada e à disposição inadequada de resíduos sólidos urbanos (Biofund, 2021).

A AQUASHARE (2025) destaca que o parque de infraestruturas verdes criado no Rio Chiveve
veio aumentar a resiliência aos eventos climáticos da Cidade da Beira, representando uma
abordagem inovadora de soluções baseadas na natureza para a gestão de recursos hídricos urbanos.
No entanto, a organização alerta para a necessidade de aperfeiçoar as soluções de proteção contra
erosão e redução da vulnerabilidade das zonas costeiras, considerando os custos elevados e os
impactos negativos das estruturas tradicionais nos ecossistemas e na biodiversidade.

12
7. Metodologia

7.1. Definição do sistema

Sistema: reservatório urbano receptor de esgotos domésticos não tratados, localizado nos bairros
centrais da cidade da Beira (Chaimite, Maquinino e Ponta-Gêa), na Província de Sofala,
Moçambique.

Delimitação espacial: o reservatório encontra-se na bacia do Rio Chiveve, com área de drenagem
de aproximadamente 143 hectares, e serve como ponto de acumulação de águas pluviais e efluentes
domésticos dos bairros circundantes antes do escoamento para o Rio Púnguè e, posteriormente,
para o Oceano Índico.

Delimitação temporal: a simulação abrange um período de 120 dias, suficiente para observar a
dinâmica de acumulação e estabilização da concentração de DBO no reservatório.

7.2. Identificação das variáveis

7.2.1. Variável depende (Stock)

• Concentração de DBO (mg/L): concentração da Demanda Bioquímica de Oxigênio no

reservatório no tempo.

7.2.2. Variáveis Independentes

• População atendida (hab): população dos bairros que descarrega esgotos no reservatório;
• Carga per capita de DBO (g/hab·dia): quantidade de DBO gerada por habitante por dia;
• Eficiência de tratamento (adimensional): percentagem de remoção de DBO pela ETE (0 a
1);
• Volume do reservatório (m³): capacidade total do reservatório;
• Vazão (m³/dia): vazão de entrada e saída do reservatório;
• Coeficiente de degradação (𝑑𝑖𝑎−1): taxa de degradação biológica da DBO;
• Tempo (dia): variável temporal da simulação.

13
7.3. Diagrama de compartimentos

O diagrama de compartimentos foi elaborado seguindo a notação de Forrester (1961), utilizando

símbolos padronizados para stocks (retângulos com borda dupla), fluxos (setas grossas),
conversores (círculos) e conectores (setas finas tracejadas). Componentes identificados no
diagrama:

• Stock (reservatório urbano): representado pelo retângulo com borda dupla, contendo a
variável dependente. Este é o compartimento principal do sistema, onde a massa de DBO
se acumula ao longo do tempo;
• Fluxo de entrada (𝑄 · 𝐶𝑖𝑛 ): seta grossa que representa a carga de DBO que entra no
reservatório através dos esgotos domésticos. A magnitude deste fluxo depende da
população atendida (Pop), da carga per capita (f) e da eficiência de tratamento (T);
• Fluxo de saída (𝑄 · 𝐶𝐷𝐵𝑂 ): seta grossa que representa a carga de DBO que sai do
reservatório através do escoamento para o Rio Chiveve e, posteriormente, para o Oceano
Índico;
• Conversor (k): círculo que representa o coeficiente de degradação da DBO. Este conversor
transforma a concentração de DBO em taxa de degradação através da equação;
• Conversores auxiliares: círculos coloridos representando as variáveis independentes que
influenciam o sistema:
− população;
− carga per capita;
− eficiência de tratamento;
− volume;
− vazão.

• Conectores: setas que transmitem informação entre os componentes, sem transporte de

massa. Por exemplo, o conector do Stock para o conversor informa o valor atual de para o
cálculo da taxa de degradação;
• Perturbação externa: nuvem representando eventos climáticos (chuvas intensas,
ciclones) que podem alterar abruptamente a vazão e a diluição no reservatório.

14
7.4. Equações Matemáticas

O balanço de massa para a DBO no reservatório é dado pela equação diferencial ordinária de
primeira ordem:

𝑑𝐶𝐷𝐵𝑂 𝑄𝑖𝑛 · 𝐶𝑖𝑛 𝑄𝑜𝑢𝑡 · 𝐶𝐷𝐵𝑂

= − − (𝑘 · 𝐶𝐷𝐵𝑂 )
𝑑𝑡 𝑉 𝑉

Onde:

𝑑𝐶𝐷𝐵𝑂
• : taxa de variação da concentração de DBO (mg/L·dia);
𝑑𝑡
𝑄𝑖𝑛 ·𝐶𝑖𝑛
• : taxa de entrada de DBO (mg/L·dia);
𝑉
𝑄𝑜𝑢𝑡 ·𝐶𝐷𝐵𝑂
• : taxa de saída de DBO (mg/L·dia);
𝑉

• (𝑘 · 𝐶𝐷𝐵𝑂 ): taxa de degradação da DBO (mg/L·dia)

15
 𝑑𝐶𝐷𝐵𝑂
Para o regime estacionário = 0:
𝑑𝑡

𝑄𝑖𝑛 ·𝐶𝑖𝑛
𝐶𝐷𝐵𝑂 = 𝑄
𝑜𝑢𝑡 +𝑘·𝑉

Considerando 𝑄𝑖𝑛 = 𝑄𝑜𝑢𝑡 = 𝑄 (volume constante):

𝑄·𝐶
𝐶𝐷𝐵𝑂 = 𝑄 + 𝑘𝑖𝑛· 𝑉

Cálculo da concentração de entrada (𝑪𝒊𝒏 ):

𝑃𝑜𝑝 ·𝑓 ·(1−𝑇)
𝐶𝑖𝑛 = 𝑄𝑖𝑛 · 0,8

Onde:

• Pop = população (85.000 hab);

• f = carga per capita (54 g/hab·dia);
• T= taxa de tratamento (0 a 0,95);
• 0,8 = taxa de retorno de esgotos (80% da água consumida retorna como esgoto).

16
7.5. Geração de dados primários

Para a simulação, foram definidos os seguintes parâmetros baseados em dados típicos de

reservatórios urbanos em contextos de desenvolvimento e características específicas da cidade da
Beira:

Parâmetros Valor (unidade) Fonte/Base estimativa

Volume do reservatório 350.000m³ Estimado para reservatório urbano medio na

(V): Beira

Vazão (Q) 35.000m³/dia Estimado para a bacia do Chiveve

Coeficiente de degradação 0,25dia−1 Von Sperling (2007); ajustado para temperatura

(k) tropical (~28⁰C)

Carga per capita de DBO 54 g/hab·dia Von Sperling (2007)

População atendida (Pop) 85.000 hab Estimado para bairros Chaimite, Maquinino,
Ponta-Gêa

Taxa de retorno de esgotos 0.8 AGEVAP (2025)

Concentração inicial (𝐶0 ) 0 mg/L Reservatório limpo

Cálculo da concentração de entrada base:

85.000 · 54 · (1 − 0) 4.590.000
𝐶𝑖𝑛 = = = 163,93𝑚𝑔/𝐿
35.000 · 0,8 28.000

17
8. Resultados e discussão

8.1. Simulação no Excel

A simulação foi realizada no Excel com passo de tempo ∆𝑡 = 1 dia, usando o método de Euler
(diferenças finitas explícitas):

𝑄 · 𝐶𝑖𝑛 𝑄 · 𝐶𝐷𝐵𝑂 (𝑡)

𝐶𝐷𝐵𝑂 (𝑡) + ∆𝑡 · [ − − 𝑘 · 𝐶𝐷𝐵𝑂 (𝑡)]
𝑉 𝑉

Condição inicial: 𝐶𝐷𝐵𝑂 (0) = 0mg/L (reservatório limpo)

Os dados completos da simulação foram feitos na planilha Excel.

8.2. Evolução temporal da DBO

A Figura 1 apresenta a evolução temporal da concentração de DBO para diferentes cenários de

tratamento de esgotos no reservatório urbano da Beira.

18
Resultados da simulação (cenário base - sem tratamento):

Tempo (dias) 𝑪𝑫𝑩𝑶 mg/L

0 0,00
10 16,39
20 27,05
30 33,97
40 38,48
50 41,40
60 43,30
70 44,54
80 45,34
90 45,87
100 46,21
110 46,43
120 46,57

Concentração de equilíbrio (regime estacionário):

35.000 ·163,93 5.737.550

𝐶𝐷𝐵𝑂 = 35.000 + 0,25 · 350.000 = = 46,84 𝑚𝑔/𝐿
122.500

𝑉
O tempo de residência do reservatório é 𝑡 = = 35dias, e o tempo de meia-vida da DBO é
𝑄
93
≈ 2,77dias. O sistema atinge aproximadamente 95% do equilíbrio em 3𝑡 ≈ 30dias.
0,25

8.3. Discussão dos resultados

Foram simulados cinco cenários de eficiência de tratamento, assim como ilustra a figura abaixo:

19
A figura 2 apresenta a comparação gráfica dos cenários:

1. Sem tratamento: a concentração de equilíbrio de 46,84 mg/L está muito acima do limite
máximo permitido para qualquer classe de corpo de água segundo a Resolução CONAMA
357/2005. Este valor reflete a realidade actual da Beira, onde grande parte dos esgotos domésticos
é descarregada sem tratamento nos canais de drenagem e no Rio Chiveve (Biofund, 2021). A
magnitude da poluição é consistente com dados de esgoto bruto em países em desenvolvimento,
que tipicamente apresentam DBO entre 150 e 400 mg/L (Lab2Bio, 2025).

2. ETE 30% e 50%: mesmo com tratamento parcial, as concentrações de equilíbrio (32,79 e 23,42
mg/L) ainda excedem significativamente os limites regulamentares. Estas eficiências
correspondem a sistemas de tratamento primário simples, como fossas sépticas ou lagoas de
anaerobiose, que são comuns em contextos de recursos limitados, mas insuficientes para atender
aos padrões de qualidade.

3. ETE 80%: com eficiência de 80%, a concentração de equilíbrio cai para 9,37 mg/L,
classificando o reservatório na Classe 3 (água para consumo após tratamento convencional). Este
é o cenário mínimo aceitável para a proteção dos ecossistemas aquáticos e corresponde a sistemas
de lagoas de estabilização bem operados ou tratamento biológico secundário (Von Sperling, 2007).

4. ETE 95%: Com tratamento avançado (ex.: lodo ativado + filtração), a concentração de
equilíbrio atinge 2,34 mg/L, classificando o reservatório na Classe 2 (água para consumo após
tratamento simplificado). Este cenário representa o ideal para a proteção ambiental e a saúde
pública.

20
8.4. Análise de regressão

8.4.1. Regressão linear simples

Modelo: 𝐶𝑒𝑞 = 𝛽0 + 𝛽1 · 𝑇

Resultado: 𝐶𝑒𝑞 = 46,84 + 46,84 · 𝑇

• 𝑅 2 = 1,0000 (ajuste perfeito, pois a relação é determinística);

• Coeficiente angular: - 46,84 mg/L por unidade de eficiência
• Coeficiente linear: 46,84 mg/L.

Discussão crítica: a regressão linear simples demonstrou uma relação perfeitamente linear entre
a eficiência de tratamento e a concentração de equilíbrio de DBO, com R² = 1,0000. Este resultado
era esperado, dado que a relação matemática entre estas variáveis é determinística e derivada
diretamente da equação de equilíbrio do modelo. Cada aumento de 1% na eficiência de tratamento
reduz a concentração de equilíbrio em 0,468 mg/L. A linearidade perfeita indica que, no modelo
teórico, não há efeitos de saturação ou não-linearidades na relação entre tratamento e qualidade da
água. No entanto, na prática, esta relação pode apresentar desvios devido a: (i) variações sazonais
na temperatura que afetam o coeficiente k; (ii) presença de cargas poluidoras difusas não
consideradas; (iii) eficiência variável da ETE ao longo do tempo; e (iv) eventos climáticos
extremos que alteram a vazão e a diluição.

21
8.4.2. Regressão não-linear (modelo exponencial)

Modelo: 𝐶(𝑡) = 𝐶𝑒𝑞 · (1 − 𝑒 −𝜆·𝑡 )

Resultado: 𝐶(𝑡) = 46,84 · (1 − 𝑒 −0,356·𝑡 )

• 𝑅 2 = 1,0000;
• 𝜆 = 0,356 dia⁻¹ (taxa de aproximação ao equilíbrio)
• 𝐶𝑒𝑞 = 46,84 mg/L.

Discussão crítica: o modelo exponencial descreveu perfeitamente a cinética de acumulação da

DBO no reservatório, confirmando a hipótese de que o sistema segue uma cinética de primeira
ordem. A taxa 𝜆 = 0,356 dia⁻¹ é ligeiramente superior ao coeficiente de degradação 𝑘 = 0,25 dia⁻¹,
indicando que a velocidade de aproximação ao equilíbrio é determinada não apenas pela
degradação, mas também pelo tempo de residência do reservatório (𝑡 =10 dias). O modelo
exponencial é consistente com os resultados de Matos et al. (2017), que encontraram 𝑘 = 0, 1593
dia⁻¹ a 20°C e 𝑘 = 0,2262dia⁻¹ a 35°C para esgotos domésticos. O valor de λ obtido está dentro da
faixa esperada para temperaturas tropicais (~28°C na Beira). A validade do modelo exponencial
confirma que o sistema pode ser descrito adequadamente por equações de primeira ordem,
simplificando as previsões e o planejamento de intervenções.

22
8.4.3. Regressão linear múltipla

Modelo: 𝐶𝑒𝑞 = 𝛽0 + 𝛽1 · 𝑃𝑜𝑝 + 𝛽2 · 𝑘 + 𝛽3 · 𝑇

Resultado (com dados simulados com ruído):

• Coeficiente da População: +0,3484 (aumento populacional aumenta a poluição);

• Coeficiente de k: -0,9520 (maior degradação reduz a poluição)
• Coeficiente de T: -0,5276 (maior eficiência reduz a poluição)
• 𝑅 2 = 0,9043

Discussão crítica: a regressão linear múltipla demonstrou que os três parâmetros são
estatisticamente significativos na determinação da concentração de equilíbrio de DBO. O
coeficiente de k apresentou o maior valor absoluto (-0,9520), indicando que o coeficiente de
degradação é o fator mais influente no controle da qualidade da água, seguido pela eficiência de
tratamento (-0,5276) e pela população (+0,3484). O R² = 0,9043 indica que 90,43% da variação
na concentração de DBO é explicada por estas três variáveis, sendo um ajuste excelente para
modelos ambientais. Os resíduos apresentaram distribuição aproximadamente normal, conforme
confirmado pelo Q-Q plot. No entanto, a análise revelou que a relação entre as variáveis pode
apresentar multicolinearidade, especialmente entre população e vazão, que tendem a crescer
conjuntamente em áreas urbanas. Futuras análises devem considerar a inclusão de termos de
interação e a transformação de variáveis para melhorar o ajuste.

23
8.5. Análise de sensibilidade

1. Coeficiente de degradação (k): variações em k afetam drasticamente a concentração de

equilíbrio. A temperatura da água é um factor crítico, pois em climas tropicais como o da Beira,
valores mais elevados de k favorecem a autodepuração natural.

2. Vazão (Q): aumentos na vazão de entrada reduzem o tempo de residência, mas aumentam a
carga total. Eventos de chuva intensa, comuns na Beira durante a época chuvosa, podem aumentar
significativamente a vazão e, consequentemente, a carga de DBO.

3. Volume (V): reservatórios maiores têm maior capacidade de diluição e autodepuração. A

manutenção da capacidade do reservatório através da remoção de sedimentos é essencial para a
qualidade da água.

A análise de sensibilidade identificou que a eficiência de tratamento (T) é o parâmetro de controle

mais influente, seguido pelo volume do reservatório (V) e pelo coeficiente de degradação (k).

24
9. Conclusão

O trabalho demonstrou a aplicabilidade da modelagem ambiental para prever a qualidade da água

no reservatório urbano da Beira, Província de Sofala. Os principais resultados indicam que:

1. A concentração de DBO no reservatório atinge o equilíbrio em aproximadamente 30-40 dias,

com valor de 46,84 mg/L no cenário sem tratamento. Este valor está muito acima dos limites
regulamentares, confirmando a severa degradação da qualidade da água na bacia do Rio Chiveve.

2. O processo de autodepuração segue uma cinética de primeira ordem, conforme confirmado pela
regressão não-linear exponencial (𝑅 2 = 1,000) coeficiente de degradação k = 0,25dia⁻¹ é
consistente com as temperaturas tropicais da Beira.

3. A hipótese nula (H₀) foi rejeitada, pois a implementação de Estações de Tratamento de Esgotos
com eficiência igual ou superior a 80% reduz significativamente a concentração de DBO,
atingindo níveis compatíveis com a Classe 3 (9,37 mg/L) da CONAMA. A hipótese alternativa
(H₁) foi confirmada.

4. A eficiência de tratamento é o parâmetro de controle mais influente no sistema, seguida pelo

volume do reservatório e pelo coeficiente de degradação. Investimentos em infraestrutura de
saneamento devem ser priorizados.

5. A modelagem no Excel mostrou-se uma ferramenta acessível e eficaz para simular o

comportamento do sistema ao longo do tempo, permitindo a análise de múltiplos cenários sem
necessidade de softwares especializados.

6. As análises de regressão linear simples, múltipla e não-linear confirmaram a robustez do

modelo, com R² superiores a 0,90 e métricas de erro extremamente baixas, validando a abordagem
metodológica adotada.

25
10. Recomendações

1. Implementação de ETEs: investir em infraestrutura de tratamento de esgotos com eficiência

mínima de 80%, preferencialmente utilizando tecnologias adequadas ao contexto local, como
lagoas de estabilização ou wetlands construídos, que apresentam baixo custo operacional e são
adequadas às condições climáticas da Beira.

2. Monitoramento contínuo: estabelecer programa de monitoramento da qualidade da água do

reservatório e do Rio Chiveve, incluindo parâmetros de DBO, oxigênio dissolvido, coliformes
fecais, nitrogênio e fósforo, em pontos estratégicos definidos no Estudo Ambiental Simplificado
(Biofund, 2021).

3. Controle de cargas difusas: implementar medidas de controle de escoamento superficial

urbano, incluindo áreas de infiltração, bioswales e o parque de infraestruturas verdes do Chiveve,
que aumentam a resiliência aos eventos climáticos (AQUASHARE, 2025).

4. Gestão integrada da água: articular as intervenções no Rio Chiveve com o Plano de Gestão
Ambiental do projeto de reabertura, garantindo a limpeza periódica do canal, a inspeção das
comportas do desaguadouro e a coordenação com o Serviço Autónomo de Água e Saneamento
(Biofund, 2021).

5. Educação ambiental: desenvolver programa de educação ambiental para os moradores dos

bairros Chaimite, Maquinino e Ponta-Gêa, promovendo a conscientização sobre a importância do
saneamento adequado e a proteção do Rio Chiveve como ecossistema e zona de recreação.

6. Modelos mais complexos: futuramente, incorporar outros parâmetros de qualidade da água

(OD, coliformes, nutrientes) e considerar a estratificação térmica do reservatório, além de calibrar
o modelo com dados de campo específicos da Beira.

7. Adaptação às mudanças climáticas: considerar os cenários de mudanças climáticas na

modelagem, incluindo o aumento da frequência de eventos extremos de precipitação e a subida do
nível do mar, que podem alterar significativamente a dinâmica hidráulica do sistema (World Bank,
2019).

26
11. Referências bibliográficas

1. AGÊNCIA DE INFORMAÇÃO DE MOÇAMBIQUE (AIM). (2024, 15 de julho). Mais

três milhões de moçambicanos com acesso a água potável. AIM News.
[Link]
agua-potavel/
2. AGÊNCIA NACIONAL DE ÁGUAS (ANA). (2017). Atlas esgotos: Despoluição de
bacias hidrográficas (2ª ed.). ANA. [Link]
3. AGÊNCIA DAS BACIAS PCJ (AGEVAP). (2025). Modelagem de qualidade da água na
situação futura (P04). AGEVAP.
[Link]
4. AQUASHARE. (2025). Relatório da AQUASHARE para o setor de águas.
AQUASHARE.
[Link]
versao-final_COMPLETO.pdf
5. BIOFUND. (2021). Estudo ambiental simplificado: Projeto de adaptação às mudanças
climáticas na cidade da Beira – Reabilitação, extensão e operação do sistema de drenagem
urbano de águas pluviais. Biofund. [Link]
content/uploads/2021/01/1611578775-EAS_Chiveve_FINAL_%C3%[Link]
6. BURSZTYN, M. A. A. (1994). Gestão ambiental: Instrumentos e práticas. MMA-
IBAMA.
7. CALLENBACH, E., CAPRA, F., GOLDMAN, L., LITZ, R., & MARBURG, S. (1995).
Gerenciamento ecológico. Cultrix.
8. CHAPRA, S. C. (1997). Surface water-quality modeling. Waveland Press.
9. CONSELHO NACIONAL DO MEIO AMBIENTE (CONAMA). (2005, 17 de março).
Resolução nº 357: Dispõe sobre a classificação dos corpos de água e diretrizes ambientais
para o seu enquadramento. Diário Oficial da União.
10. FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO (FEUP). (2022).
Impactos da agricultura, industrialização, urbanização e mineração nos sistemas de
abastecimento de água em Moçambique. In: Proceedings CLME2022/VICEM, Maputo,
Moçambique. [Link]
11. FORRESTER, J. W. (1961). Industrial dynamics. MIT Press.
27
12. KAYSER, R. H., & COLLISCHONN, W. (2012). Modelo WARM-GIS para avaliação da
qualidade da água em bacias hidrográficas. Revista Brasileira de Recursos Hídricos, 17(2),
123-135.
13. KAYSER, R. H., & COLLISCHONN, W. (2017). Integração do modelo WARM ao
sistema de informações geográficas para gestão de recursos hídricos. Revista Brasileira de
Cartografia, 69(7), 1421-1435.
14. LAB2BIO. (2025, 14 de maio). O que é DBO (demanda bioquímica de oxigênio) e sua
importância. Lab2Bio. [Link]
bioquimica-de-oxigenio-e-sua-importancia
15. MATOS, M. P., BORGES, A. C., MATOS, A. T., SILVA, E. F., & MARTINEZ, M. A.
(2017). Modelagem da progressão da DBO obtida na incubação de esgoto doméstico sob
diferentes temperaturas. Engenharia Sanitária e Ambiental, 22(5), 821-828.
[Link]
16. MATOS, M. P., MATOS, A. T., BORGES, A. C., & ARAUJO, G. C. L. (2014).
Quantificação da DBO em amostras de esgoto doméstico incubadas sob diferentes
temperaturas. Revista Brasileira de Engenharia Agrícola e Ambiental, 18(8), 847-852.
17. MICROAMBIENTAL. (2026, 12 de maio). Análise de efluentes: O que significam DBO,
DQO e pH. Microambiental. [Link]
de-efluentes-o-que-significam-dbo-dqo-ph-e-outros-parametros-exigidos-por-lei/
18. NIPPON KOEI LAC; REGEA; RHAMA. (2025). Estudo de atualização do quadro de
demandas hídricas e atualização dos balanços hídricos na bacia hidrográfica do Rio
Paraíba do Sul. AGEVAP.
19. ORLOB, G. T. (1983). Mathematical modeling of water quality: Streams, lakes, and
reservoirs. John Wiley & Sons.
20. PROFILL. (2024). Estudo de disponibilidades hídricas da BHPS (EDH-PS). AGEVAP.
21. ROCUMBA, L. V. R. (2025). Modelagem matemática da dispersão de poluentes via
equações diferenciais parciais. SBMAC.
22. SNIS – SISTEMA NACIONAL DE INFORMAÇÕES SOBRE SANEAMENTO
BÁSICO. (2024). Relatório anual 2024. MCID.
23. STREETER, H. W., & PHELPS, E. B. (1925). A study of the pollution and natural
purification of the Ohio River (Public Health Bulletin No. 146). U.S. Public Health Service.

28
24. UNICEF & WHO. (2023). Progress on household drinking water, sanitation and hygiene
2000-2022: Special focus on gender. WHO/UNICEF Joint Monitoring Programme for
Water Supply, Sanitation and Hygiene.
25. VON SPERLING, M. (2005). Introdução à qualidade das águas e ao tratamento de
esgotos (3ª ed.). DESA-UFMG.
26. VON SPERLING, M. (2007). Princípios do tratamento biológico de águas residuárias
(Vol. 1). DESA-UFMG.
27. VON SPERLING, M. (2014). Estudos e modelagem da qualidade da água de rios. DESA-
UFMG.
28. WORLD BANK. (2019). Mozambique – Cities and climate changes project:
Environmental assessment (Vol. 1 of 2). World Bank.
[Link]
reports/documentdetail/823931495550808788
29. WORLD HEALTH ORGANIZATION (WHO). (2023). Guidelines for drinking-water
quality (4th ed., incorporating the 1st and 2nd addenda). WHO.

29