Impactos de chuvas no Rio de Janeiro, medições e efeitos – parte 1, por Jair Walter e Laryssa Ribeiro.

Resumo

Este relatório apresenta uma investigação detalhada sobre os dados relacionados às chuvas acumuladas mensais na cidade do Rio de Janeiro e eventuais efeitos na Região metropolitana do Rio de Janeiro, que compreendem um grupo de bacias hidrográficas que desaguam particularmente na Baía de Guanabara no período desde 2013 a 2022.

O estudo também avalia a dinâmica da detecção de desastres ambientais pelo INEA e a provável relação entre fortes chuvas com enchentes ou deslizamentos de encostas. Utilizando dados disponíveis do Sistema Alerta Rio gerenciado pela Prefeitura do Rio de Janeiro[1], as precipitações pluviométricas acumuladas mensais nas 33 estações foram utilizadas para estabelecer possíveis relações de registros de perdas humanas, destruição de infraestruturas e danos ambientais.

Abstract

This report presents a detailed investigation of data related to monthly accumulated rainfall in the city of Rio de Janeiro and possible effects on the Rio de Janeiro metropolitan region, which comprises a group of river basins that drain particularly into Guanabara Bay in the period from 2013 to 2022.

The study also assesses the dynamics of environmental disaster detection by INEA and the likely relationship between heavy rainfall and flooding or landslides. Using data available from the Rio Alert System managed by the Rio de Janeiro City Hall, accumulated monthly rainfall at 33 stations was used to establish possible relationships between recorded human losses, infrastructure destruction, and environmental damage.

Introdução temática / teórica

O município do Rio de Janeiro apresenta 267 cursos d’água. São rios, córregos, riachos, canais, valões e valas, que apresentam, geralmente, um leito estreito e pouco profundo. Suas águas descem pelos diversos maciços e deságuam na Baía de Guanabara; diretamente no Oceano Atlântico; na Lagoa Rodrigo de Freitas; na Baixada de Jacarepaguá onde há cinco grandes lagoas ou nas baixadas de Guaratiba e de Santa Cruz, seguindo em direção à Baía de Sepetiba. A maior concentração de cursos d’água da cidade é na Zona Oeste, onde atravessam as baixadas de Guaratiba e Santa Cruz.

Apesar da fama da cidade e das chuvas cada vez mais extremas, principalmente em razão das mudanças climáticas, as enchentes urbanas mais famosas que atingiram o Rio de Janeiro se deram na década de 1960, embora dados indiquem que estas não figurassem nem entre os cinco maiores temporais.

Em janeiro de 1966, cinco dias seguidos de chuvas fizeram mais de 200 vítimas e deixaram 50 mil desabrigados. De acordo com pesquisadoras do tema: “Em 1966, caiu sobre a cidade do Rio de Janeiro uma das maiores chuvas de que se tinha notícia. Mais de 245 mm de água inundaram as ruas em menos de 24 horas, qualificando aquela como a ‘enchente do século’”.

Se fizermos um comparativo com o ranking atual da cidade, a maior chuva dos últimos tempos foi identificada em 2010, no alto do Morro do Sumaré, no Parque Nacional da Tijuca, alcançando 360,2 mm em 24h, portanto muito acima do volume de 1966. Apesar do número alarmante, foram as chuvas de 09 de abril de 2019 as que mais intensamente atingiram a cidade. Oito das ocorrências presentes no ranking aconteceram nesta mesma data, registrando volumes entre 289,6 mm e 343,4 mm em diferentes pontos da cidade. A precipitação mais recente das dez que compõem a lista, aconteceu em 01 de abril de 2022, atingindo 310,6 mm em Guaratiba.

O Atlas Digital de Desastres no Brasil[2] tem como principal objetivo fornecer informações sistematizadas relacionadas às ocorrências de desastres e aos danos e prejuízos decorrentes. Foi inicialmente criado por meio de uma cooperação técnica entre o Banco Mundial e a Universidade de Santa Catarina, por meio do Centro de Estudos e Pesquisas em Engenharia e Defesa Civil – Ceped/UFSC.

Por meio de cooperação com a Fundação de Amparo à Pesquisa e Extensão Universitária – FAPEU, o CEPED/UFSC manteve o Atlas atualizado até o ano de 2021.

Em 2022, o Departamento de Articulação e Gestão, da Secretaria Nacional de Proteção e Defesa Civil, do Ministério da Integração e Desenvolvimento Regional, assumiu a tarefa de manter a base de dados atualizada, dando continuidade a este valioso trabalho.

Deste modo, a Sedec/MIDR oficializa os dados históricos sobre desastres no país, fornecendo fonte única e oficial, sobre a qual políticas públicas, pesquisas e outras atividades correlacionadas podem ser construídas.

Apesar de apresentar ajustes metodológicos quando comparado ao Atlas Brasileiro de Desastres Naturais, esta versão digital segue as mesmas premissas básicas para a composição das informações e as mesmas fontes de dados.

O desenvolvimento de uma versão digital do Atlas, dentre várias vantagens, possibilita que os usuários realizem suas próprias consultas, alcançando uma maior capilaridade da informação e com foco em sua região de interesse. Também é possível acessar a base de dados por completo, permitindo assim os mais diversos tipos de uso, seja na administração pública, no meio acadêmico ou qualquer cidadão que tenha interesse.

Coordenadas das 33 Estações na cidade do Rio de Janeiro

N°	Estação	Latitude	Longitude	Cota (m)	X	Y
1	Vidigal	-22,99250°	-43,23306°	85	681138,532	7456241,298
2	Urca	-22,95583°	-43,16667°	90	688004,213	7460236,157
3	Rocinha	-22,98583°	-43,24500°	160	679831,802	7457041,035
4	Tijuca	-22,93194°	-43,22167°	340	682358,108	7462941,416
5	Santa Teresa	-22,93167°	-43,19639°	170	684951,792	7462971,838
6	Copacabana	-22,98639°	-43,18944°	90	685675,03	7456902,449
7	Grajaú	-22,92222°	-43,26750°	80	677639,269	7463809,403
8	Ilha do Governador	-22,81806°	-43,21028°	0	683708,659	7475959,609
9	Penha	-22,84444°	-43,27528°	111	677059,917	7472757,104
10	Madureira	-22,87333°	-43,33889°	45	670409,679	7469665,02
11	Irajá	-22,82694°	-43,33694°	20	670692,602	7474733,927
12	Bangu	-22,88028°	-43,46583°	15	657403,761	7468956,662
13	Piedade	-22,89182°	-43,31005°	50	673344,642	7467452,646
14	Jacarepaguá/Tanque	-22,91250°	-43,36472°	73	667541,219	7465482,186
15	Saúde	-22,89606°	-43,18786°	15	685875,072	7466833,239
16	Jardim Botânico	-22,97278°	-43,22389°	0	682133,53	7458453,116
17	Barra/Barrinha	-23,00849°	-43,29965°	7	674262,081	7454520,709
18	Jacarepaguá/Cidade de Deus	-22,94556°	-43,36278°	15	667928,198	7461632,847
19	Barra/Riocentro	-22,97721°	-43,39155°	0	664879,4	7458100
20	Guaratiba	-23,05028°	-43,59472°	0	643972,241	7450214,26
21	Est. Grajaú/Jacarepaguá	-22,92556°	-43,31583°	105	672722,551	7463726,025
22	Santa Cruz	-22,90944°	-43,68444°	15	634915,936	7465594,315
23	Grande Méier	-22,89056°	-43,27806°	25	676628,743	7467665,546
24	Anchieta	-22,82694°	-43,40333°	50	663886,431	7474809,856
25	Grota Funda	-23,01444°	-43,52139°	11	651526,394	7454108,412
26	Campo Grande	-22,90361°	-43,56194°	30	647538,728	7466493,819
27	Sepetiba	-22,96889°	-43,71167°	62	632068,601	7459406,612
28	Alto da Boa Vista	-22,96583°	-43,27833°	355	676494,085	7459222,483
29	Av. Brasil/Mendanha	-22,85694°	-43,54111°	30	649669,378	7471561,078
30	Recreio dos Bandeirantes	-23,01000°	-43,44056°	10	659816,802	7454514,151
31	Laranjeiras	-22,94056°	-43,18750°	60	685883,625	7462252,656
32	São Cristóvão	-22,89667°	-43,22167°	25	682404,96	7466817,174
33	Tijuca/Muda	-22,93278°	-43,24333°	31	680136,137	7462851,843

O Inea realiza o monitoramento das chuvas e dos níveis dos rios críticos do Estado do Rio de Janeiro por meio de uma rede de 106 estações automáticas dotadas de sensores que produzem registros da precipitação e dos níveis d’água a cada 15 minutos, instaladas em 36 municípios. Na Região Hidrográfica da Baía de Guanabara (RH-V), a Rede de Monitoramento Hidro meteorológico é composta por 37 estações.

O Sistema Alerta-Rio trabalha com a seguinte tabela de definição de situação conforme os resultados medidos de 2 ou mais estações pluviométricas:

Fraca	Entre 0.2 e 5mm/h
Moderada	Entre 5.1 e 25 mm/h
Forte	Entre 25.1 e 50 mm/h
Muito Forte	Acima de 50 mm/h

Um milímetro de chuva por hora equivale a um litro de água por minuto em uma área de um metro quadrado. A quantidade de chuva é medida com um pluviômetro, um instrumento que coleta e mede a chuva. Um fluviômetro é um instrumento usado para medir a altura ou nível da água em rios, lagos, represas e outras massas de água em movimento

Metodologia

Este estudo baseia-se na análise de dados provenientes da base de dados disponíveis do Sistema Alerta Rio, gerenciado pela Prefeitura do Rio de Janeiro e dos dados disponíveis no Atlas Digital de Desastres no Brasil, gerenciado pelo Secretaria Nacional de Proteção e Defesa Civil do Ministério da Integração e Desenvolvimento Regional.

A classificação brasileira por exemplo, diferencia os termos inundações, enxurrada/enchente, alagamento.

• Inundação é a submersão de áreas fora dos limites normais do rio geralmente por chuvas prolongadas em áreas de planas;
• Enchente é o escoamento superficial em alta velocidade e energia, desencadeado por chuvas intensas e concentradas;
• Alagamento é o resultado de precipitações intensas com a superação da capacidade de escoamento de sistemas de drenagem urbana.

Porém quando os dados de desastres são apresentados, esses são agrupados como um desastre de cheias, sendo na prática utilizados como sinônimos. Assim este trabalho apesar ter apresentado as definições de inundações (bruscas e graduais), enchentes e alagamento as traz como sinônimos

Foram utilizados códigos escritos em Python para coletar, organizar e visualizar os dados relevantes nas tabelas de acumulados de chuvas, a cada 15 minutos, disponíveis na pagina do Alerta RIO, gerenciado pela Prefeitura da cidade do Rio de Janeiro.

Solicitamos informações sobre alertas de desastres climáticos ao Corpo de Bombeiros do Estado do Rio de Janeiro e recebemos a seguinte resposta:

Sua manifestação de Solicitação para o órgão SEDEC foi concluída. em 15:21 – 15/08/2024.

Protocolo: 202408062409449
Status: Concluído
Descrição:

Com os cumprimentos de estilo, agradecemos o seu contato e esperamos melhor atendê-lo. Quanto à devida solicitação, informamos que os dados mencionados em sua manifestação deverão ser solicitados junto a Defesa Civil Municipal do Rio de Janeiro, segue o link da Defesa Civil Municipal do Rio de Janeiro, bem como os contatos:

https://www.rio.rj.gov.br/web/defesacivil

É surpreendente que o Corpo de Bombeiros do Estado do Rio de Janeiro não tenha registros de desastres climáticos ocorridos na capital.

Em 13/06/2024, solicitamos informações sobre desastres climáticos ao INEA, através do excelente sistema OuvERJ:

1. Em atendimento a solicitação recebida através do OuvERJ acerca das inundações ocorridas no período de 2014 a 2024, encaminho todas as planilhas com as informações solicitadas.
2. Em atenção ao Pedido de Acesso à Informação 20240612337055 (76688588), solicitando informações aceca das ocorrências de inundação de rios das bacias hidrográficas ligadas ao município do Rio de Janeiro no período de 2014 a 2024, restituímos o presente processo em prosseguimento ao orientado pela Gerência de Informações Hidrometeorológicas, conforme Despacho n° 78322531.
3. Considerando que o Acesso a Informaçõe protocolo OuvERJ nº 20240612337055 foi atendido pela INEA/GERHIDRO – Gerência de Informações Hidrometeorológicas no âmbito do processo, encaminhada resposta ao manifestante pelo Sistema OuvERJ (SEI 78565501) e realizada baixa na planilha de controle interno, sugiro o arquivamento do presente.

No site do CEMADEN[3], obtivemos os dados sobre alertas emitidos para a capital do estado do Rio de Janeiro de janeiro de 2021 até agosto de 2024.

Código Python para transformar os arquivos .txt em tabelas .csv

O código Python realiza as seguintes etapas:

1. Importa bibliotecas: Usa pandas, zipfile e os para manipulação de dados, arquivos ZIP e diretórios.
2. Define caminhos: Especifica o caminho de um arquivo ZIP (DadosPluviometricos2020_csv.zip) e um diretório temporário para extração.
3. Extrai arquivos: Descompacta os arquivos CSV do ZIP para o diretório temporário.
4. Processa arquivos CSV: Itera sobre os CSVs extraídos, lê cada um com pandas, verifica a coluna “15 min”, converte seus valores para float e calcula o total.
5. Organiza dados: Armazena os totais em um dicionário, usando o nome do arquivo para extrair chaves (linha e coluna).
6. Cria DataFrame: Converte o dicionário em um DataFrame com pandas, onde as linhas e colunas são organizadas com base nos nomes dos arquivos.
7. Exporta para Excel: Salva o DataFrame em um arquivo Excel (DadosPluviométricos2020.xlsx).
8. Mensagem de sucesso: Imprime uma mensagem confirmando a criação do arquivo.

Resumo: O código extrai CSVs de um arquivo ZIP, soma os valores da coluna “15 min” de cada arquivo, organiza os totais em um DataFrame e exporta para um arquivo Excel.

Upload ZIP com os Txts

O código Python realiza as seguintes etapas:

1. Upload de arquivos: Usa files.upload() do Google Colab para carregar arquivos.
2. Limpa saída: Executa clear_output() para limpar a saída do console.
3. Extrai ZIP: Descompacta o arquivo DadosPluviometricos2024.zip para o diretório /content/inputs.
4. Converte TXT para CSV: Itera sobre arquivos .txt no diretório /content/inputs, processando cada um com a função extrair_dados() para gerar arquivos CSV.
5. Lê e concatena CSVs: Localiza todos os arquivos .csv em /content/output, lê cada um com a função adicionar_estacao() e concatena os dados em um único DataFrame (df_geral) usando pd.concat.
6. Cria ZIP para download: Compacta todos os CSVs do diretório /content/output em um arquivo ZIP no diretório /content/download/DadosPluviometricos2024.

Resumo: O código faz upload de um arquivo ZIP, extrai seus arquivos TXT, converte-os em CSVs, combina os CSVs em um DataFrame e cria um novo ZIP com os CSVs para download.

Código Python para totalizar os valores diários e mensais das tabelas .csv

O código Python executa as seguintes ações:

1. Importa bibliotecas: Usa pandas, zipfile e os para manipular dados, arquivos ZIP e diretórios.
2. Define caminhos: Aponta para um arquivo ZIP (DadosPluviometricos2020_csv.zip) e um diretório temporário para extração.
3. Extrai CSVs: Descompacta os arquivos CSV do ZIP para o diretório temporário.
4. Processa CSVs: Itera sobre os arquivos .csv, lê cada um, verifica a existência da coluna “15 min”, converte seus valores para float e calcula o total.
5. Organiza dados: Armazena os totais em um dicionário, usando partes do nome do arquivo como chaves para linha e coluna.
6. Cria DataFrame: Transforma o dicionário em um DataFrame com pandas.
7. Exporta para Excel: Salva o DataFrame em um arquivo Excel (DadosPluviométricos2020.xlsx).
8. Exibe mensagem: Imprime uma confirmação de sucesso, mas com um nome de arquivo incorreto (DadosPluviométricos2024.xlsx).

Resumo: O código extrai CSVs de um ZIP, soma os valores da coluna “15 min”, organiza os resultados em um DataFrame e exporta para um arquivo Excel.

Análise exploratória dos dados

Código Python para obter as medidas estatísticas básicas:

O código Python realiza as seguintes ações:

1. Importa biblioteca: Usa pandas para manipulação de dados.
2. Carrega arquivo Excel: Lê o arquivo Chuva-AlertaRJ_2014-2024.xlsx, da aba Mensal_2014-2024.
3. Seleciona linhas: Extrai as linhas 2 a 33 (índices 1 a 32) do DataFrame, correspondendo às estações.
4. Identifica coluna de estações: Define a primeira coluna como contendo os nomes das estações.
5. Separa dados: Isola a coluna de nomes das estações e mantém as demais colunas com dados.
6. Calcula estatísticas: Para cada estação, calcula:

• Média
• Moda (primeiro valor da moda)
• Mediana
• Desvio padrão
• Coeficiente de variação (em %)

1. Organiza resultados: Cria um DataFrame com as estatísticas, usando os nomes das estações como índice.
2. Exibe resultado: Imprime o DataFrame com as estatísticas.

Resumo: O código lê dados de chuva de um arquivo Excel, seleciona as linhas referentes às estações, calcula estatísticas (média, moda, mediana, desvio padrão e coeficiente de variação) para cada estação e exibe os resultados em um DataFrame.

Código Python para gerar o gráfico Boxplot para cada estação ao longo da série temporal:

O código Python realiza as seguintes ações:

1. Importa bibliotecas: Usa pandas para manipulação de dados, matplotlib.pyplot e seaborn para visualização.
2. Carrega arquivo Excel: Lê a aba Mensal_2014-2024 do arquivo Chuva-AlertaRJ_2014-2024.xlsx.
3. Seleciona dados: Extrai as linhas 2 a 33 (índices 1 a 32) para estações e define a primeira coluna como nomes das estações.
4. Separa dados: Isola a coluna de estações e converte as demais colunas (datas) para o formato datetime.
5. Organiza DataFrame: Define as estações como índice do DataFrame de dados.
6. Calcula máximos: Identifica a data (mês/ano) e o valor máximo de precipitação para cada estação.
7. Cria DataFrame de resultados: Combina os nomes das estações, datas formatadas (mês/ano) e valores máximos de precipitação.
8. Exibe resultados: Imprime o DataFrame com os resultados.
9. Prepara dados para gráfico: Converte os dados para o formato longo (melt) para uso em gráficos.
10. Remove outliers: Filtra precipitações acima de 500 mm.
11. Gera boxplot: Cria um boxplot por estação com seaborn, marcando os valores máximos com pontos vermelhos.
12. Adiciona rótulos: Inclui as datas dos valores máximos acima dos pontos no gráfico.
13. Ajusta gráfico: Configura título, rótulos, rotação dos nomes das estações e layout, exibindo o gráfico.

Resumo: O código lê dados de chuva de 2014-2024, calcula os maiores valores de precipitação por estação, exibe os resultados em um DataFrame e plota um boxplot destacando os valores máximos, excluindo outliers acima de 500 mm.

Código Python para gerar o gráfico Heatmap para cada mês/ano ao longo da série temporal:

O código Python realiza as seguintes ações:

1. Importa bibliotecas: Usa pandas para manipulação de dados, seaborn e matplotlib.pyplot para visualização.
2. Carrega arquivo Excel: Lê a aba Mensal_2014-2024 do arquivo Chuva-AlertaRJ_2014-2024.xlsx.
3. Inspeciona dados: Exibe as primeiras linhas do DataFrame para verificação.
4. Define índice: Configura a coluna ‘Estação’ como índice do DataFrame.
5. Converte datas: Transforma as colunas de datas para o formato datetime.
6. Calcula médias: Computa a média de precipitação de todas as estações por mês/ano.
7. Organiza dados: Cria um DataFrame com colunas ‘Data’ e ‘Valor Médio’, extraindo ano e mês.
8. Cria tabela pivô: Reorganiza os dados com anos como linhas, meses como colunas e valores médios como conteúdo.
9. Formata valores: Arredonda os valores para inteiros, preenche valores ausentes com 0 e renomeia as colunas dos meses com abreviações (Jan, Feb, etc.).
10. Plota heatmap: Gera um heatmap com seaborn, usando a paleta ‘coolwarm’, exibindo valores inteiros e configurando título, rótulos de eixos e layout.

Resumo: O código lê dados de chuva de 2014-2024, calcula a média mensal por ano, organiza os dados em uma tabela pivô e visualiza as médias em um heatmap com valores inteiros.

Código Python para gerar a tabela com os 5 maiores valores de chuva para cada mês/ano ao longo da série temporal:

O código Python realiza as seguintes ações:

1. Importa biblioteca: Usa pandas para manipulação de dados.
2. Carrega arquivo Excel: Lê duas abas do arquivo Chuva-AlertaRJ_2014-2024.xlsx: Atlas2013-2023 e Mensal_2014-2024.
3. Formata colunas de datas: Converte as colunas de df_mensal para o formato string YYYY-MM, se forem timestamps.
4. Extrai meses/anos únicos: Obtém valores únicos da coluna Mês/Ano de df_alertas, removendo nulos.
5. Identifica maiores valores: Para cada Mês/Ano em df_alertas, seleciona os 5 maiores valores de precipitação em df_mensal para aquele mês/ano.
6. Cria lista de resultados: Armazena os 5 maiores valores de precipitação por Mês/Ano em um dicionário, com chaves para 1º a 5º maior.
7. Gera DataFrame: Converte a lista de dicionários em um DataFrame.
8. Exibe resultado: Imprime a tabela com os maiores valores.
9. Salva em Excel: Exporta o DataFrame para um arquivo Excel (Tabela_Maiores_Valores.xlsx).

Resumo: O código lê duas abas de um arquivo Excel, formata datas, identifica os 5 maiores valores de precipitação mensal por mês/ano, organiza os resultados em um DataFrame e os salva em um novo arquivo Excel.

      Mês/Ano  1º Maior  2º Maior  3º Maior  4º Maior  5º Maior

0  2014-01-01      88.0      80.4      76.6      75.4      60.2

1  2014-03-01     224.0     197.4     155.0     143.0     139.2

2  2014-04-01     309.8     206.8     177.0     164.0     156.6

3  2014-06-01     157.8     108.2     107.0     106.0      86.4

4  2014-10-01      52.8      40.6      28.2      25.0      23.4

5  2014-11-01     108.8      86.2      61.4      47.6      46.4

6  2014-12-01     132.2      99.8      97.6      77.8      74.0

7  2015-03-01     216.6     215.6     201.6     189.6     189.6

8  2015-04-01     205.4     163.2     159.8     159.0     155.2

9  2016-01-01     421.6     348.8     275.2     258.4     225.0

10 2016-02-01     236.2     210.4     192.2     191.0     175.8

11 2016-03-01     304.0     240.6     232.8     220.4     214.8

12 2016-11-01     327.6     223.6     207.6     162.0     156.2

13 2016-12-01     159.2     150.6     149.2     148.0     118.2

14 2017-01-01     132.6     129.6     114.6     113.2     111.8

15 2017-08-01     152.2      72.4      69.8      69.2      68.2

16 2017-10-01      91.4      81.8      78.6      74.4      65.4

17 2017-12-01     114.6     108.2     104.4      86.4      83.2

18 2018-01-01     354.0     349.8     330.0     307.6     287.4

19 2018-02-01     264.6     252.6     244.8     215.2     200.8

20 2018-03-01     182.8     181.6     180.2     171.8     170.2

21 2018-07-01     109.4      79.0      73.0      54.2      52.2

22 2018-11-01     375.0     284.8     220.6     196.2     192.0

23 2019-01-01      91.2      86.6      66.8      63.0      58.8

24 2019-02-01     423.6     421.6     369.0     282.8     263.2

25 2019-04-01     413.6     391.0     377.6     368.0     352.6

26 2019-10-01     107.0      99.2      90.4      75.8      73.2

27 2019-12-01     164.0     163.0     159.8     152.0     134.4

28 2020-01-01     219.4     172.0     171.6     165.2     146.8

29 2020-02-01     540.8     418.6     409.4     392.4     379.6

30 2020-03-01     248.0     219.2     212.4     212.4     204.2

31 2020-07-01     202.6     168.8     144.6     141.6     116.2

32 2020-08-01     315.2     225.2     130.4     115.0     111.8

33 2020-09-01     389.6     236.0     233.6     229.8     205.2

34 2020-10-01     323.8     215.6     200.4     181.8     169.4

35 2020-11-01     260.4     219.4     218.6     169.6     158.8

36 2020-12-01     354.0     280.2     265.6     253.6     243.4

37 2021-01-01     141.2     127.2     125.2     118.0     101.6

38 2021-02-01     209.0     179.0     169.6     169.4     162.0

39 2021-03-01     120.2     114.0     104.8     104.6      99.0

40 2021-04-01     212.4     200.6     168.4     164.8     164.0

41 2021-05-01     195.2     189.6     187.2     183.4     183.0

42 2021-06-01     121.4     120.2     112.6      95.4      86.2

43 2021-08-01     200.6     193.8     120.2     104.6      91.8

44 2021-10-01     310.2     268.8     245.6     225.6     199.0

45 2021-11-01     223.0     126.4     123.0     121.4     120.8

46 2021-12-01     417.4     337.8     333.8     322.8     321.6

47 2022-01-01     268.6     243.0     228.4     176.6     175.2

48 2022-02-01     166.6     159.8     141.4     131.8     118.4

49 2022-03-01     264.0     234.0     218.8     193.0     177.0

50 2022-04-01     461.6     410.4     361.6     349.2     332.6

51 2022-08-01     221.6     119.6     115.6      77.2      74.4

52 2023-01-01     269.2     258.6     258.0     216.8     209.8

53 2023-02-01     395.4     335.2     284.2     254.4     241.2

54 2023-03-01     197.4     122.8      90.4      83.4      83.2

55 2023-07-01     101.8      78.2      62.6      54.0      49.0

56 2023-08-01     417.6     301.6     240.8     183.6     173.8

57 2023-10-01     356.8     268.4     225.0     212.2     207.2

58 2023-11-01     145.0     140.0     121.4     117.2     113.8

59 2023-12-01      72.4      67.2      56.8      56.4      55.8

---

[1] http://www.sistema-alerta-rio.com.br/dados-meteorologicos/download/dados-pluviometricos/

[2] https://atlasdigital.mdr.gov.br/paginas/index.xhtml

[3] https://painelcemadenrj.defesacivil.rj.gov.br/monitoramento/v2/municipio/historico.php?municipio=21&action=2