IDENTIFICAÇÃO DE REGIÕES COM RISCO POTENCIAL
DE ENCHENTES USANDO ALGORITMO DE
CORRELAÇÃO
Mauricio de Figueiredo Longato1, Rodrigo Dias Ribeiro da Silva¹, Ana Maria Heuminski
de Ávila¹, Hilton Silveira Pinto¹
1
Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura – CEPAGRI /
UNICAMP – CEP 13083-886 – Campinas – SP– Brazil,
Email: {mauricio, rodrigo.dias, avila, hilton}@cpa.unicamp.br
ABSTRACT: Floods are inherent to human habitation and assessing regions at risk is
essential in urban planning. Therefore, we propose a method of indentifying endangered
areas using images obtained through remote sensing. Many of the regions detected using
the proposed method coincides with actual past occurrences.
Palavras-chave: enchentes em áreas urbanas, inundações, mapeamento de risco, modelo de
analise de risco
1- INTRODUÇÃO
Um grande problema enfrentado atualmente pela população das regiões metropolitanas
é as enchentes. É um fato que a urbanização e a ocupação irregular nas cidades contribuem
significativamente com o risco de alagamento das mesmas. Assim, fica clara a necessidade
de se desenvolver um meio de avaliar as regiões com potencial risco de alagamento para,
assim, evitar ou minimizar o impacto da ocupação humana e dos riscos envolvidos.
O presente trabalho tem por objetivo desenvolver, testar e aplicar um método de
avaliação de risco de enchentes em regiões metropolitanas, utilizando como área teste a
região metropolitana de Campinas.
2- MATERIAL E MÉTODOS
2.1- Área de Estudo
A região metropolitana de campinas é constituída por 19 municípios e possui uma área
territorial de 3.467 km² (IBGE,2005), contígua à região metropolitana de São Paulo.
Campinas esta localizada na região central do Estado de São Paulo, coordenadas 22º 56' 15''
de Latitude Sul e 47º 03' 45'' de Longitude Oeste. A região sofre com os efeitos adversos
dos eventos meteorológicos extremos, como, por exemplo, com a ocorrência de enchentes.
Nesta primeira parte, para o desenvolvimento e teste do algoritmo, foi selecionada uma área
de 40 km² que compreende uma parte da região metropolitana,
2.2- Estabelecendo o problema
Utilizando imagens de sensoriamento remoto, pretendeu-se encontrar regiões candidatas
a alagamentos.
Partindo do principio de que, para uma região ser alagada, deve, no mínimo, ser capaz
de aprisionar a água por um tempo, a geometria da região deve ser considerada para
analisar e quantificar a possibilidade de ocorrência de alagamento em um determinado
lugar.
É importante, também, que se defina um critério de pontuação que meça o quanto uma
região tem chance de ser alagada, assim posicionando-a em uma escala de risco.
2.3- Paradigmas de solução
Postula-se que, numa determinada região, os pontos no mapa que possuem sua altura
abaixo da altura média dos pontos da região são propensos a receber e acumular um fluxo
maior de água, tornado-se, assim, candidatos a sofrer alagamento. No entanto, deve-se levar
em conta que a determinação da área de que será tirada a média influencia na determinação
de que pontos estão abaixo dela. Para resolver esse problema, um mesmo ponto precisa ser
comparado com diferentes regiões que o incluam.
Partindo destes princípios, para se determinar quais pontos são propensos a alagamento
deve-se: primeiro, delimitar uma região; segundo, tirar a média das altitudes da região e,
terceiro, classificar os pontos em pontos acima e pontos abaixo da média, pontuando-os em
zero quando acima e em um valor P, determinado através de um critério que será discutido
adiante, quando abaixo. Este processo é repetido algumas vezes em diferentes escalas de
ensembles sobre os mesmos pontos. Os valores P’s, assumidos em cada iteração, de cada
ponto, são somados, fazendo com que as pontuações sejam acumuladas. No fim deste
processo, os pontos que adquirirem as maiores pontuações são considerados como pontos
de maior chance de sofrer alagamento.
3- RESULTADOS E DISCUSSÃO
A Figura 1 é resultado da aplicação do método exposto acima. Nela são destacados os
pontos com potencial risco de alagamentos encontrados pelo algoritmo.
Figura 1: Mapa representativo dos pontos de alto risco de alagamentos. Pontos vermelhos
representam a coluna de maior pontuação e os em ciano representam a segunda
coluna de maior pontuação
A partir do algoritmo, construiu-se um histograma que demonstra a quantidade de
pontos que receberam uma pontuação contida em um determinado intervalo de pontuações
possíveis.
Figura 2: Histograma da quantidade de pontos em cada faixa de pontuação
A Equação 1 descreve a função peso escolhida para definir o valor de P:
P ontuaçao= A 2 e −˙ A (1)
Onde A é o numero de pontos contidos na região analisada.
Figura 3: gráfico representativo da função peso escolhida para pontuação
O eixo x representa o numero de pontos contidos na lateral do ensemble; e o eixo y, a
pontuação que é dada para cada ponto abaixo da média dentro daquele ensemble, fazendo
com que o tamanho do ensemble interfira no peso da pontuação de cada ponto abaixo da
média.
Quando se compara os pontos com regiões muito pequenas ou muito grandes, suas
pontuações tendem a zero. Isto ocorre porque um ponto comparado com ele mesmo não
fornece nenhuma informação e, do mesmo modo, quando comparado dentro de uma
delimitação muito grande, o fato de estar abaixo da média, não indica necessariamente que
ele é um ponto propenso a alagamento, pois a média foi tirada de uma região muito
abrangente (RILEY et al. 2006).
Com os dados de ocorrência de enchente na região de Campinas e utilizando imagens
georreferenciadas de alta definição, identificou-se os pontos destacados pelo programa
nestas imagens. Definiu-se mínimo local óbvio os pontos a, no Maximo, 300 metros de rios
lagos , córregos e etc.
Na simulação feita, 60% dos pontos destacados eram pontos de mínimo local óbvio. Os
outros 40% dos pontos ainda não foram analisados minuciosamente, esse trabalho será feito
futuramente para verificação dos falsos positivos.
Entre os locais destacados pelo programa, estão lugares que, pelos registros da Defesa
Civil, possuem antecedentes de alagamento, regiões como o cruzamento da Av. Brasil
como a Av. Orosimbo Maia, Av. Doutor Heitor Penteado, Av. Doutor Campos Sales Rua
Barão de Jaguara entre outras.
4- CONCLUSÕES
Mesmo não tendo informações sobre falsos positivos de pontos de alto risco, como o
algoritmo se restringe a mostrar regiões de potencial risco de alagamento, pode-se dizer que
se obteve um bom resultado levando-se em conta que é um método que necessita de um
refinamento, mas que, ainda assim, pontuou com 60% de acerto, além de ter encontrado
regiões com histórico de enchente.
O próximo passo para o nosso projeto é diminuir as distâncias entre os pontos de
mínimo e os pontos encontrados pelo programa e, depois disso, através das informações
históricas de enchente, aplicar um algoritmo de classificação, por exemplo, árvore de
decisão para ter uma pontuação mais bem estabelecida e, ainda montar um mapa de disco
dinâmico, diante da previsão de chuvas.
5- BIBLIOGRAFIA
KRAMER, CLYDE Y. A first course in methods of multivariate analysis. Blacksburg:
Virginia Polytechnic Institute and State University [1972].
FREITAS, G. M.; AVILA, A. M. H.; NERY, L. A.; PINTO, H. S. Modelo de previsão de
enchentes através de dados de radar meteorológico e modelos de terreno: resultados
preliminares. In: XV Congresso Brasileiro de Meteorologia, 2008, São Paulo. XV
Congresso Brasileiro de Meteorologia, 2008.
TUCCI C. E. M. Modelos Hidrológicos. Porto Alegre: UFRGS, 1998.
RILEY, K. P.; HOBSON, M. P.; BENCE, S. J. Mathematical Methods for Physics and
Engineering. Cambridge University Press, 2006.