Previsão de desastres associados a eventos climáticos extremos no estado de Santa Catarina: um estudo de caso baseado em redes neurais e formação de clusters georreferenciados

Abstract

A ocorrência recorrente de desastres naturais no estado de Santa Catarina tem provocado impactos significativos sobre a população, a infraestrutura e o meio ambiente, evidenciando a necessidade de soluções tecnológicas que permitam prever e mitigar tais eventos com maior eficiência. Diante desse cenário, este trabalho propõe a aplicação de redes neurais recorrentes do tipo Long Short-Term Memory (LSTM) para a previsão de eventos climáticos extremos, utilizando dados históricos meteorológicos e socioambientais como base de aprendizado. Além da etapa de previsão, são empregadas técnicas de clusterização, em especial o algoritmo K- Means, com o objetivo de agrupar os municípios de acordo com a similaridade de ocorrência e intensidade dos eventos previstos, possibilitando a otimização da logística e da alocação de recursos emergenciais. Os resultados esperados incluem o aprimoramento da capacidade de resposta das autoridades competentes, a redução de perdas humanas e materiais e o fortalecimento das políticas públicas de gestão de risco e adaptação climática. Assim, a abordagem proposta busca contribuir para o desenvolvimento de ferramentas inteligentes para apoiar o monitoramento e planejamento preventivo.

The recurrent occurrence of natural disasters in the state of Santa Catarina has caused significant impacts on the population, infrastructure, and the environment, highlighting the need for technological solutions capable of predicting and mitigating such events more efficiently. In this context, this study proposes the application of Long Short-Term Memory (LSTM) recurrent neural networks for forecasting extreme weather events, using historical meteorological and socio-environmental data as the learning basis. In addition to the forecasting stage, clustering techniques, particularly the K-Means algorithm, are employed to group municipalities according to the similarity in occurrence and intensity of the predicted events, enabling the optimization of logistics and the allocation of emergency resources. The expected outcomes include improved response capacity of public authorities, reduced human and material losses, and strengthened public policies for risk management and climate adaptation. Thus, the proposed approach aims to contribute to the development of intelligent tools to support preventive planning and monitoring.