MODELAGEM DOS DESASTRES HIDROMETEOROLÓGICOS EM SANTA CATARINA PARA ANÁLISE DA EFETIVIDADE DO SISTEMA DE ALERTA DA DEFESA CIVIL

Abstract

Nas últimas décadas, a ocorrência de desastres naturais intensificou-se devido às mudanças climáticas, causando graves impactos econômicos e humanos. Santa Catarina, um estado frequentemente atingido por eventos hidrometeorológicos extremos, tem investido em sistemas de alerta para mitigar esses impactos. No entanto, qual é a efetividade dessa iniciativa nas diferentes regiões e cidades de Santa Catarina? Esta pesquisa propõe um método de avaliação sobre a efetividade dos alertas de desastres emitidos pela Defesa Civil de Santa Catarina, por meio de um modelo de Machine Learning, baseado no algoritmo Random Forest, denominado Chronocast, que incorpora dados meteorológicos, alertas emitidos e registros de danos. A pesquisa caracteriza-se por sua natureza aplicada, predominantemente descritiva, combinando uma abordagem quantitativa e qualitativa, com técnicas de cunho experimental utilizando a linguagem Python e suas bibliotecas. Os dados meteorológicos foram coletados de estações automáticas do INMET em 24 cidades do estado, enquanto os alertas e registros de danos foram obtidos da Defesa Civil e do Sistema Integrado de Informações sobre Desastres (S2ID). A metodologia incluiu a utilização do algoritmo Random Forest, com 60% dos dados para teste e 40% de dados para treino, calibrado para otimizar a precisão das previsões e validado por meio de técnicas de validação cruzada e SMOTE para tratar o desequilíbrio de classes nos dados. Os principais resultados indicam que a média geral de assertividade dos alertas emitidos pela Defesa Civil foi de 30,54%, classificando-o como de efetividade moderada. O Chronocast conseguiu prever com eficácia a ocorrência de danos associados a desastres hidrometeorológicos em diversas cidades de Santa Catarina, demonstrando uma média geral de acertos de 52,20%. O modelo integra uma análise detalhada das variáveis climáticas e de alerta, capturando nuances específicas que podem ser perdidas nos métodos tradicionais de avaliação. Em mesorregiões onde o modelo superou a Defesa Civil, como Norte Catarinense, Vale do Itajaí, Mesorregião Serrana e Oeste Catarinense, a precisão do modelo foi particularmente elevada. Cidades como Indaial, Itapoá, Chapecó, Lages, Urussanga, Curitibanos, Rio do Campo, Dionísio Cerqueira e Bom Jardim da Serra apresentaram as melhores performances, com um alto grau deacurácia nas previsões, enquanto cidades como Araranguá e Xanxerê tiveram menor desempenho. A comparação entre os resultados do modelo e a efetividade dos alertas emitidos pela Defesa Civil revelou que o modelo pode ser uma ferramenta auxiliar valiosa, proporcionando uma avaliação mais precisa dos riscos e melhorando a tomada de decisão na emissão de alertas. Contudo, o modelo apresentou limitações em capturar a complexidade de certas regiões, indicando a necessidade de aprimoramentos contínuos. A conclusão reforça que a metodologia empregada é promissora para avaliar a efetividade dos alertas de desastres, contribuindo significativamente para a otimização dos sistemas de alerta em Santa Catarina. Futuras pesquisas devem focar na integração de mais variáveis climáticas e socioeconômicas, além de explorar técnicas avançadas de Machine Learning, Deep Learning e redes neurais para melhorar a precisão das previsões em regiões com menor desempenho.