Publicado na revista científica Transactions in GIS, o trabalho apresenta uma nova abordagem que incorpora a análise de incertezas nos modelos de aprendizado de máquina (machine learning), tornando as previsões mais robustas e confiáveis para uso em sistemas de alerta precoce.
Um estudo conduzido por tecnologistas e pesquisadores do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden), em parceria com o Instituto Nacional de Pesquisas Espaciais (INPE) - ambos unidades de pesquisa do Ministério da Ciência, Tecnologia e Inovação - e o Serviço Federal de Processamento de Dados (Serpro), propõe avanços importantes no uso de inteligência artificial para previsão de enxurradas — um dos eventos extremos mais rápidos e perigosos no Brasil.
Publicado na revista científica Transactions in GIS, o trabalho apresenta uma nova abordagem que incorpora a análise de incertezas nos modelos de aprendizado de máquina (machine learning), tornando as previsões mais robustas e confiáveis para uso em sistemas de alerta precoce.
Desafio: prever eventos rápidos e incertos
As enxurradas estão entre os desastres naturais mais destrutivos e imprevisíveis, devido ao seu rápido desenvolvimento após chuvas intensas e ao potencial de atingir grandes volumes e velocidades de escoamento, ampliando os danos e os riscos à população. Esse comportamento reduz significativamente o tempo de resposta para ações da Defesa Civil.
Embora modelos de aprendizado de máquina tenham avançado na previsão desses eventos, a maioria das abordagens ainda considera previsões determinísticas — ou seja, não leva em conta as incertezas presentes nos dados de entrada, como erros associados a limitações de sensores e instrumentos, problemas de calibração, falhas ou ausência de medições, além de escolhas realizadas no pré-processamento, como agregação e interpolação dos dados.
Segundo os autores, essa limitação pode comprometer a confiabilidade das previsões em situações reais, justamente quando decisões críticas precisam ser tomadas.
Nova abordagem: previsões com incerteza explícita
O estudo apresenta quatro contribuições principais: base de dados inédita, com um banco público de cinco anos de dados hidrometeorológicos de alta resolução (2019–2023), combinando estimativas de chuva por radar e medições de nível d’água; análise de incerteza, por simulação de perturbações nos dados de entrada para avaliar como essas incertezas afetam as previsões; modelo probabilístico inovador, o Uncertainty-Aware Ensemble for Machine Learning (UAE-ML), que gera faixas de previsão em vez de um único valor; e novas métricas para quantificar incertezas e avaliar a robustez dos modelos.
“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 Soares, tecnologista do Cemaden e primeira autora do estudo.
Na prática, a metodologia permite não apenas prever o nível do rio, mas também indicar o grau de confiança da previsão — informação essencial para a tomada de decisão em situações de risco. “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”, complementa.
Estudo de caso: Nova Friburgo (RJ)
A pesquisa foi aplicada na bacia do rio Bengalas, em Nova Friburgo (RJ), uma das regiões mais suscetíveis a enxurradas no país. A área é marcada por relevo acidentado, urbanização intensa e histórico de desastres, incluindo o evento extremo de 2011, que causou centenas de mortes.
O banco de dados utilizado integra informações de radar meteorológico com resolução espacial de 1 km e dados hidrológicos coletados em campo, permitindo representar com precisão tanto a distribuição da chuva quanto a resposta do rio.
Resultados: desempenho depende do contexto
O estudo avaliou cinco técnicas de aprendizado de máquina amplamente utilizadas, incluindo redes neurais, modelos baseados em árvores de decisão e máquinas de vetores de suporte, considerando diferentes horizontes de previsão (de 30 minutos a 6 horas).
Os resultados mostram que não existe um único modelo superior em todos os cenários; há trade-offs importantes entre precisão, robustez e custo computacional; e modelos mais precisos nem sempre são os mais confiáveis quando há incerteza nos dados. “Além disso, propomos uma avaliação multicritério dos modelos, considerando não apenas o desempenho preditivo, mas também aspectos como robustez e custo computacional”, ressalta a tecnologista.
Essa análise reforça a importância de considerar múltiplos critérios na escolha de modelos para aplicações operacionais.
Impacto para sistemas de alerta
Ao incorporar a incerteza nas previsões, a metodologia desenvolvida pelos tecnologistas e pesquisadores contribui diretamente para o aprimoramento dos sistemas de alerta precoce do Cemaden. A possibilidade de fornecer previsões probabilísticas permite maior transparência e suporte à tomada de decisão por gestores públicos e equipes de Defesa Civil.
Avanço estratégico
O trabalho representa um avanço significativo na integração entre ciência de dados e monitoramento de desastres, alinhado à missão do Cemaden de desenvolver soluções inovadoras para reduzir riscos e impactos à população. “Ao integrar dados, inteligência artificial e análise de incertezas, a pesquisa visa oferecer subsídios técnicos para apoiar o aprimoramento de políticas públicas voltadas à prevenção e à redução do risco de desastres”, conclui Soares.
A incorporação sistemática de incertezas em modelos de previsão é um passo fundamental para tornar os alertas mais confiáveis — especialmente em um cenário de mudanças climáticas e aumento da frequência de eventos extremos.
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).
