Regressão logística e redes neurais aplicadas à previsão probabilística de alagamentos no Município de Curitiba, Pr

Abstract

Resumo: A presente pesquisa se propõe a estudar por meio do uso de regressão logística e redes neurais as características relacionadas aos padrões de chuva em Curitiba, procurando estabelecer a relação entre chuva e alagamentos para o município, utilizando como base a integração de informações hidrometeorológicas. Para alcançar os objetivos propostos, foram construídos modelos baseados em regressão do tipo logística e redes de Kohonen (Self Organizing Map (SOM)) para previsão probabilística de alagamentos, sendo os dois métodos comparados e avaliados em relação ao seu desempenho por meio da Curva de Características Operacionais (ROC), bem como a partir dos diagramas de confiabilidade, discriminação e refinamento. Para a construção dos modelos foram utilizados os dados de precipitação estimada a partir da integração das informações provenientes de radar meteorológico, satélite e pluviômetros, utilizando o método de Análise Objetiva Estatística (ANOBES). Os dados dos registros pontuais de alagamentos fornecidos pela Defesa Civil Municipal foram compilados pelo IPPUC (Instituto de Pesquisa e Planejamento Urbano de Curitiba). A partir dos dados de estimativas de precipitação foi calculada a chuva média acumulada de 6 em 6 horas por bacia hidrográfica, utilizando-se do método de Thiessen e do Inverso da Distância ao Quadrado, sendo os dois métodos comparados para verificar qual possui o melhor resultado para a geração dos dados de entrada dos modelos. Em relação ao desempenho dos dois métodos utilizados na construção dos modelos, verificouse no caso estudado que o SOM (Self Organizing Map) apresentou desempenho superior quando comparado com a regressão logística tanto no período de calibração quanto de verificação. A partir dos resultados gerados por meio da rede SOM, pode-se definir quais os principais padrões de chuva responsáveis por deflagrar os alagamentos em Curitiba e ainda estimar o número esperado de alagamentos (NEA) por bacia hidrográfica. Sob esta perspectiva, este trabalho possui como uma primeira inovação a utilização de ferramentas especializadas de inteligência artificial (IA) para o reconhecimento de padrões de chuva causadores de alagamento. Em relação ao número esperado de alagamentos, a inovação se refere a espacialização dos mesmos baseado no histórico de ocorrências. Como proposta, sugere-se que os resultados gerados neste trabalho integrem um Sistema de Alertas de Alagamentos em Curitiba, e que as informações e dados gerados possam ser utilizados pela Defesa Civil no sentido de aumentar a resiliência da população e mitigar possíveis impactos decorrentes dos alagamentos.

Abstract: This research aims to study through the use of logistic regression and neural network, the characteristics related to rainfall patterns in Curitiba, in order to establish the relationship between rainfall and flooding, using the integration of hydrometeorological data. To achieve the proposed aims, two models were built based on logistic regression and Kohonen neural network type (Self Organizing Map (SOM)), to predict the probability of flooding. The two methods were compared and evaluated their performance through the ROC (Receiver Operating Characteristic) curve as well as from diagrams of reliability, discrimination and refinement. For the construction of the models were used rainfall data estimated from the integration of meteorological radar, satellite and rain gauges data, using the analysis for statistical purposes (ANOBES) method. In adition, data records of flooding were used as a reference. These data were supplied by the Municipal Civil Defense and compiled by IPPUC (Institute for Urban Research and Planning of Curitiba).Rainfall estimates were used to calculate cumulative average rain of 6 hours in a basis of 4 days, using the method of Thiessen and Squared Inverse Distance. These the two methods were compared to see which has better results for data generation to be used as models' data input. Regarding the performance of the two methods used to construct the models, it was found that the SOM (Self Organizing Map) has superior performance when compared with the logistic regression, either for calibration and verification. Results generated by the SOM, indicated that it is possible to define the main rainfall patterns responsible for triggering flooding in Curitiba and also estimate the expected number of floods (NEA), for each watershed. From this perspective, this work has as a first innovation the use of artificial intelligence (AI) tools designed for the recognition of rainfall patterns that can cause flooding. Regarding the expected number of floods, the innovation refers to the spatial distribution of floods based on historical occurrences. As a proposal, it is suggested that the results generated in this work should be used in a flooding alert system for Curitiba, and that the information and data generated can be used by Civil Defense to increase the resilience of the population and mitigate potential impacts of flooding.