PREVISÃO DE NÍVEL HIDROLÓGICO NA BACIA DO JAGUARÃO COM XGBOOST E ANÁLISE SHAP DE IMPORTÂNCIA DE VARIÁVEIS

Código

V-END_II-EBHE0066

Autores

Alejandra Bustillos Vega, André Ferreira Rodrigues

Tema

19 - Inteligência artificial e big data na gestão de desastres

Resumo

No Rio Grande do Sul, inundações causam perdas humanas e econômicas recorrentes: o evento de maio de 2024 destruiu 9.300 residências, gerou R$ 87 bilhões em prejuízos e deixou quase 200 mortos. A bacia do Jaguarão, na fronteira com o Uruguai, tem histórico documentado de cheias que afetam Jaguarão e Arroio Grande. Sistemas de previsão com 1 a 2 dias de antecedência permitem acionar protocolos de evacuação antes que a cota crítica seja atingida. Este trabalho treina e avalia modelos XGBoost e Random Forest para prever a cota diária na estação 88300000 (rio Jaguarão), usando 37 variáveis preditoras organizadas em cinco grupos: memória hidrológica, tendência, precipitação acumulada, dados da estação upstream 88260000 e variáveis temporais cíclicas. Os modelos foram avaliados em dois períodos independentes ? 2017?2021 e 2015?2020 ? com divisão temporal estrita 80%/20% e validação cruzada com TimeSeriesSplit. O XGBoost superou o RF nos dois períodos: R²>0,993, RMSE entre 3,69 e 4,05 cm, MAPE<2,1%. A análise SHAP identificou cota_lag_1 como preditor dominante, refletindo a inércia hidrológica da bacia. Em 2015?2020, cota_ma_7 atingiu importância equivalente, indicando que a tendência de médio prazo ganha peso em períodos de maior variabilidade. A variável cota_88260_lag_2 capturou o tempo de viagem hidráulico de 48 horas entre as duas estações sem instrução explícita. A correspondência entre desempenho estatístico e física do sistema valida o modelo para uso operacional em gestão de risco de cheias.