Antecipação Probabilística de Cheias no Rio Jaguarão (RS) com Redes LSTM e Precipitação por Satélite

Código

V-END_II-EBHE0071

Autores

Brayan Silva Soares M, Bruno Melo Brentan, André Ferreira Rodrigues

Tema

19 - Inteligência artificial e big data na gestão de desastres

Resumo

A crescente frequência e intensidade de eventos de inundação no Brasil, agravada pela escassez de redes de monitoramento hidrológico em bacias de pequeno e médio porte. A crescente frequência e intensidade de eventos de inundação no Brasil, agravada pela escassez de redes de monitoramento hidrológico em bacias de pequeno e médio porte, demanda ferramentas preditivas capazes de antecipar cheias com tempo hábil para acionamento de protocolos de defesa civil. Este trabalho apresenta um sistema de previsão probabilística do nível do Rio Jaguarão (RS) baseado em redes neurais LSTM alimentadas por estimativas de precipitação do produto MERGE/GPM-IMERG do INPE, combinando dados de satélite com observações de superfície em resolução horária. A arquitetura incorpora mecanismos para corrigir o problema de inércia de modelos recorrentes, por meio de alvo de variação de nível, dropout assimétrico e função de perda com penalidade assimétrica para subestimações em eventos extremos. A quantificação de incerteza combina Monte Carlo Dropout e Conformal Prediction estratificado por regime de cota, gerando intervalos de confiança calibrados para apoio à tomada de decisão. O modelo de 1 dia identificou 93,8% dos eventos de inundação antes de ocorrerem, com antecedência média de 23,1 horas e cobertura do intervalo de confiança de 95,6%. O modelo de 3 dias manteve desempenho relevante, com 84,3% de detecção e antecedência de 72 horas. Os resultados demonstram que inteligência artificial combinada a dados de satélite representa alternativa viável para previsão de cheias em bacias com monitoramento esparso, contribuindo para sistemas de alerta e gestão de desastres no Brasil.