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: 

 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.