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.