Estudo desenvolvido em parceria com o Serpro cria modelo que incorpora incertezas nos dados e amplia a confiabilidade de sistemas de alerta precoce para eventos extremos As enxurradas estão entre os desastres naturais mais difíceis de prever. Em poucos minutos, chuvas intensas podem transformar rios e ruas em correntes violentas, reduzindo o tempo de reação das Defesas Civis e aumentando os riscos para a população. Agora, uma pesquisa conduzida por tecnologistas e pesquisadores do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden), do Instituto Nacional de Pesquisas Espaciais (INPE) e do Serviço Federal de Processamento de Dados (Serpro) propõe um novo caminho para tornar essas previsões mais confiáveis com o uso de inteligência artificial. 

O Cemaden e o INPE são unidades de pesquisa vinculadas ao Ministério da Ciência, Tecnologia e Inovação (MCTI). 

Publicado na revista científica Transactions in GIS, o trabalho introduz uma abordagem inovadora para modelos de aprendizado de máquina (machine learning). O diferencial está em incluir, nas previsões, algo que normalmente fica de fora: as incertezas presentes nos próprios dados usados pelos sistemas. Na prática, isso permite tornar os alertas mais robustos e confiáveis para uso em sistemas de alerta precoce. 

Agora, o modelo não apenas estima o comportamento do rio, mas também informa o grau de confiança daquela previsão — um dado importante para decisões em situações de risco.  

Para Jaqueline Soares, tecnologista do Cemaden e primeira autora do estudo, a principal inovação está em incorporar explicitamente as incertezas aos modelos de previsão. “O estudo tem como foco central a incorporação da análise de incertezas aos modelos de aprendizado de máquina, tornando as previsões mais robustas e confiáveis para uso em sistemas operacionais de alerta precoce”, afirma. 

Hoje, grande parte dos sistemas trabalha com previsões determinísticas, que indicam apenas um resultado possível. O problema é que os dados usados nesses modelos podem conter falhas causadas por limitações de sensores, ausência de medições, erros de calibração ou até pelas etapas de processamento das informações.  

O que o estudo propõe

A pesquisa apresenta quatro contribuições principais: 

• Criação de uma base pública inédita com cinco anos de dados hidrometeorológicos de alta resolução (2019 a 2023);

• Desenvolvimento de uma metodologia para analisar como as incertezas dos dados afetam as previsões;

• Criação de um modelo probabilístico chamado Uncertainty-Aware Ensemble for Machine Learning (UAE-ML), que gera faixas de previsão em vez de apenas um valor único;

• Desenvolvimento de novas métricas para medir robustez e propagação das incertezas nos modelos.

 A base de dados reúne estimativas de chuva obtidas por radar meteorológico e medições de nível d’água, permitindo representar com maior precisão tanto a distribuição das chuvas quanto a resposta dos rios.  

“A disponibilização pública de uma base de dados hidrometeorológicos de alta resolução, composta por cinco anos de registros, fortalece a ciência aberta, a reprodutibilidade e o desenvolvimento de novas pesquisas aplicadas à realidade brasileira”, explica Jaqueline. 

Estudo de caso em Nova Friburgo (RJ)

A metodologia foi aplicada na bacia do rio Bengalas, em Nova Friburgo (RJ), uma das regiões mais vulneráveis a enxurradas no Brasil. A área reúne relevo acidentado, urbanização intensa e um histórico marcado por desastres naturais, incluindo a tragédia de 2011 na região serrana do Rio de Janeiro. 

Para avaliar o desempenho do sistema, os pesquisadores analisaram mais de 73 mil registros hidrometeorológicos e testaram cinco técnicas diferentes de aprendizado de máquina, incluindo redes neurais e modelos baseados em árvores de decisão. Os testes consideraram previsões que variavam de 30 minutos a 6 horas de antecedência. 

Os resultados mostram que não existe um único modelo ideal para todos os cenários. Em alguns casos, métodos mais precisos apresentaram menor robustez diante de dados incertos. “Propomos uma avaliação multicritério dos modelos, considerando não apenas o desempenho preditivo, mas também aspectos como robustez e custo computacional”, destaca Jaqueline. 

Para os pesquisadores, esse tipo de análise é essencial em sistemas operacionais de alerta, que precisam equilibrar velocidade, precisão e confiabilidade em situações reais. A expectativa é que a metodologia contribua para o aprimoramento dos sistemas de alerta precoce do Cemaden, oferecendo mais suporte técnico para gestores públicos e equipes das Defesas Civis durante eventos extremos. 

“Ao integrar dados, inteligência artificial e análise de incertezas, a pesquisa busca apoiar o desenvolvimento de políticas públicas voltadas à prevenção e à redução do risco de desastres”, conclui Soares. 

O artigo tem como autores Jaqueline A. J. P. Soares (Cemaden), Allan K. S. Soares (Serpro), Luiz F. Satolo (Cemaden e INPE), Graziela B. Scofield (Cemaden), Stephan Stephany (INPE) e Leonardo B. L. Santos (Cemaden e INPE).