Vitor, AdrianoPugas, André Francisco2026-08-262026-08-262024-10-17PUGAS, André Francisco. Modelagem dos desastres hidrometeorológicos em Santa Catarina para análise da efetividade do sistema de alerta da Defesa Civil. 2024. Dissertação (Mestrado Profissional em Clima e Ambiente) – Instituto Federal de Santa Catarina, Florianópolis, 2024.https://repositorio.ifsc.edu.br/handle/1/2373Nas 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 de acurácia 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.In recent decades, the occurrence of natural disasters has intensified due to climate change, causing severe economic and human impacts. Santa Catarina, a state frequently affected by extreme hydrometeorological events, has invested in early warning systems to mitigate these impacts. However, what is the effectiveness of this initiative in the different regions and cities of Santa Catarina? This research aims to propose a method and evaluation of the effectiveness of early warning systems issued by the Civil Defense of Santa Catarina, through a Machine Learning model, based on the Random Forest algorithm, called Chronocast, which incorporates meteorological data, issued alerts, and damage records. The research is characterized by its applied nature, predominantly descriptive, combining a quantitative and qualitative approach, with experimental techniques using the Python tool. Meteorological data were collected from automatic stations of INMET in 24 cities of the state, while alerts and damage records were obtained from the Civil Defense and the Integrated Disaster Information System (S2ID). The methodology included the use of the Random Forest algorithm, with 60% of the data for testing and 40% of data for training, calibrated to optimize prediction accuracy and validated through cross-validation techniques and SMOTE to address class imbalance in the data. The main results indicate that the overall accuracy of the alerts issued by the Civil Defense was 30.54%, classifying it as moderately effective. Chronocast successfully predicted the occurrence of damage associated with hydrometeorological disasters in various cities in Santa Catarina, demonstrating an overall accuracy rate of 52.20%. The model integrates a deeper and more detailed analysis of climatic and alert variables, capturing specific nuances that may be missed by traditional evaluation methods. In mesoregions where the model outperformed the Civil Defense, such as Norte Catarinense, Vale do Itajaí, Mesorregião Serrana, and Oeste Catarinense, the model's accuracy was particularly high. Cities like Indaial, Itapoá, Chapecó, Lages, Urussanga, Curitibanos, Rio do Campo, Dionísio Cerqueira, and Bom Jardim da Serra showed the best performances, with a high degree of accuracy in predictions, while cities like Araranguá and Xanxerê had lower performance. The comparison between the model's results and the effectiveness of the alerts issued by the Civil Defense revealed that the model could be a valuable auxiliary tool, providing a more accurate risk assessment and improving decision-making in alert issuance. However, the model showed limitations in capturing the complexity of certain regions, indicating the need for continuous improvements. The conclusion reinforces that the employed methodology is adequate for evaluating the effectiveness of disaster alerts, significantly contributing to the optimization of early warning systems in Santa Catarina. Future research should focus on integrating more climatic and socioeconomic variables, as well as exploring advanced Machine Learning techniques, Deep Learning, and neural networks to improve prediction accuracy in regions with lower performance.Português BrasilDesastres ambientaisPlanejamento em DesastresControle meteorológicoDefesa civilDissertaçãoAcesso AbertoCIENCIAS EXATAS E DA TERRA::GEOCIENCIAS