Machine Learning na Previsão de Níveis Hídricos Urbanos
o caso do rio Acari, Rio de Janeiro
DOI:
https://doi.org/10.22409/njsfs591Palavras-chave:
Previsão de Inundações, Hidrologia Urbana, Machine LearningResumo
A intensificação de eventos hidrometeorológicos extremos e a urbanização acelerada elevam a vulnerabilidade a inundações no município do Rio de Janeiro, especialmente em bacias de resposta rápida. Este trabalho avalia a aplicação do algoritmo XGBoost na predição do nível hidrométrico do rio Acari (RJ) em horizontes de 30 a 300 minutos, utilizando dados fluviométricos e pluviométricos de 2010 a 2016 padronizados para resolução temporal de 5 minutos. A modelagem foi estruturada a partir da previsão da variação do nível (Δnível), incorporando defasagens temporais, acumulados de precipitação e atributos cíclicos, com calibração de hiperparâmetros por meio da biblioteca Optuna. Os resultados indicaram elevado desempenho nos horizontes de curtíssimo prazo, com R² de 0,986 e NSE de 0,985 para 30 minutos, mantendo desempenho satisfatório até aproximadamente 120 minutos, com degradação progressiva e tendência à subestimação de picos nos horizontes superiores. Conclui-se que o XGBoost apresenta elevado potencial para previsão hidrológica de curto prazo em bacias urbanas, constituindo ferramenta promissora para sistemas de alerta precoce, desde que suas limitações em horizontes mais longos sejam consideradas.
Downloads
Referências
ALERTA RIO. Sistema Alerta Rio: informações das estações. Rio de Janeiro: Prefeitura da Cidade do Rio de Janeiro, [2026]. Disponível em: https://www.sistema-alerta-rio.com.br/info-estacoes/. Acesso em: 8 fev. 2026.
ANTONIASSI, R. A. S. Predição de nível de rios da Região Hidrográfica do Rio Paraguai utilizando algoritmos de aprendizado de máquina. 2022. Dissertação (Mestrado em Ciência da Computação) – Faculdade de Computação, Universidade Federal de Mato Grosso do Sul, Campo Grande, 2022.
CHEN, T.; GUESTRIN, C. XGBoost: a scalable tree boosting system. In: ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 22., 2016, San Francisco. Proceedings... New York: Association for Computing Machinery, 2016. p. 785-794. Disponível em: https://doi.org/10.1145/2939672.2939785. Acesso em: 8 fev. 2026.
CNM – CONFEDERAÇÃO NACIONAL DE MUNICÍPIOS. Panorama dos desastres no Brasil: 2013 a 2023. Brasília, DF: CNM, 2024. Estudo técnico. Disponível em: https://cnm.org.br/storage/biblioteca/2024/Estudos_tecnicos/202405_ET_Panorama_Desastres_Brasil_2013_a_2023.pdf. Acesso em: 5 set. 2026.
CONSÓRCIO HIDROSTUDIO-FCTH. Plano diretor de manejo de águas pluviais da cidade do Rio de Janeiro. Rio de Janeiro: Fundação Rio-Águas, 2014.
FUNDAÇÃO COPPETEC. Estudos integrados para avaliação de projeto de intervenção na calha do rio Acari – RJ: R5 – relatório final consolidado. Coordenação: Marcelo Gomes Miguez. Rio de Janeiro: Escola Politécnica, Universidade Federal do Rio de Janeiro, 2007. 110 p. Relatório técnico POLI-8488.
GAO, Z.; LU, X.; CHEN, R.; GUO, M.; WANG, X. Constructing a machine learning model for rapid urban flooding forecast in sloping cities along the Yangtze River: a case study in Jiujiang. Water, Basel, v. 16, n. 12, 1694, 2024. Disponível em: https://doi.org/10.3390/w16121694. Acesso em: 2 fev. 2026.
IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Censo demográfico 2022. Rio de Janeiro: IBGE, 2023.
INSTITUTO DECODIFICA. Retratos das enchentes: dados preliminares sobre o impacto das chuvas nas favelas e periferias brasileiras. [S. l.]: Instituto Decodifica, 2025. Disponível em: https://decodifica.org/pesquisas/retratos-das-enchentes-dados-impacto-das-chuvas-nas-favelas-e-periferias-brasileiras/. Acesso em: 8 fev. 2026.
IPCC – INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE. Climate change 2021: the physical science basis. Cambridge: Cambridge University Press, 2021.
IQBAL, N.; KHAN, A. N.; RIZWAN, A.; AHMAD, R.; KIM, B. W.; KIM, K.; KIM, D. H. Groundwater level prediction model using correlation and difference mechanisms based on boreholes data for sustainable hydraulic resource management. IEEE Access, [s. l.], v. 9, p. 96092-96113, 2021. Disponível em: https://ieeexplore.ieee.org/document/9474489. Acesso em: 10 fev. 2026.
MAGALHÃES, L. E. Sistema que monitora em tempo real nível de água dos rios está parado desde 2017. O Globo, Rio de Janeiro, 12 abr. 2019. Disponível em: https://oglobo.globo.com/rio/sistema-que-monitora-em-tempo-real-nivel-de-agua-dos-rios-esta-parado-desde-2017-23593174. Acesso em: 8 fev. 2026.
MAGRO, R. B. Aplicação de redes neurais artificiais para previsão de inundação em uma área urbana. 2021. Dissertação (Mestrado em Ciências Ambientais) – Universidade do Estado de Santa Catarina, Lages, 2021.
MARCOS JUNIOR, A. D.; SILVEIRA, C. S.; COSTA, J. M. F.; GONÇALVES, S. T. N. Previsões de vazões afluentes com modelos de machine learning aplicados ao reservatório de Três Marias. In: Simpósio Brasileiro de Recursos Hídricos, 25., 2023, Aracaju. Anais... Porto Alegre: ABRHidro, 2023. Disponível em: https://anais.abrhidro.org.br/job.php?Job=15292. Acesso em: 8 fev. 2026.
MARCOS JUNIOR, A. D.; SILVEIRA, C. S.; COSTA, J. M. F.; GONÇALVES, S. T. N. Combining traditional hydrological models and machine learning for streamflow prediction. Revista Brasileira de Recursos Hídricos, Porto Alegre, v. 29, e11, 2024. Disponível em: https://doi.org/10.1590/2318-0331.292420230105. Acesso em: 2 fev. 2026.
MESQUITA, L. A. F. Redes neurais artificiais aplicadas a séries temporais para predição de enchentes. 2024. Dissertação (Mestrado em Ciências de Computação e Matemática Computacional) – Universidade de São Paulo, São Carlos, 2024.
MMA – MINISTÉRIO DO MEIO AMBIENTE. Impactos das mudanças climáticas nos recursos hídricos brasileiros. Brasília, DF: MMA, 2016.
MPRJ – MINISTÉRIO PÚBLICO DO ESTADO DO RIO DE JANEIRO. Ação civil pública com pedido liminar: inquérito civil nº MA 9025. Rio de Janeiro: 1ª Promotoria de Justiça de Tutela Coletiva do Meio Ambiente e Patrimônio Cultural da Capital, 12 dez. 2019. Disponível em: https://www.mprj.mp.br/documents/20184/540394/acp_ma_9025__assoreamento_rio_acari__assinado__assinado.pdf. Acesso em: 7 set. 2026.
NABILAH, L.; HAKIM, L. Hybrid PSO-XGBoost model for accurate flood risk assessment. Journal of Applied Informatics and Computing, [s. l.], v. 9, n. 6, p. 3681-3688, 2025. Disponível em: https://doi.org/10.30871/jaic.v9i6.11094. Acesso em: 2 fev. 2026.
NIAZKAR, M.; MENAPACE, A.; BRENTAN, B.; PIRAEI, R.; JIMENEZ, D.; DHAWAN, P.; RIGHETTI, M. Applications of XGBoost in water resources engineering: a systematic literature review (Dec 2018-May 2023). Environmental Modelling & Software, [s. l.], v. 174, 105971, 2024. Disponível em: https://doi.org/10.1016/j.envsoft.2024.105971. Acesso em: 2 fev. 2026.
NIEDZIELSKI, T.; HALICKI, M. Improving linear interpolation of missing hydrological data by applying integrated autoregressive models. Water Resources Management, [s. l.], v. 37, n. 15, p. 5707-5724, 2023. Disponível em: https://doi.org/10.1007/s11269-023-03625-7. Acesso em: 5 set. 2026.
OLIVEIRA, A. K. B. O sistema de drenagem como eixo estruturante do planejamento urbano: caso da bacia hidrográfica do rio Acari. 2018. Dissertação (Mestrado em Engenharia Civil) – Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2018.
PUGAS, A. F. 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.
RIO DE JANEIRO (Município). Fundação Instituto das Águas do Município do Rio de Janeiro. Um novo Rio Acari livre de enchentes. Rio de Janeiro: Rio-Águas, 10 jul. 2013. Disponível em: https://fundacaorioaguas.prefeitura.rio/noticias/um-novo-rio-acari-livre-de-enchentes/. Acesso em: 7 set. 2026.
RIO DE JANEIRO (Município). Fundação Instituto das Águas do Município do Rio de Janeiro. Plano municipal de saneamento básico da cidade do Rio de Janeiro: drenagem e manejo de águas pluviais urbanas. Rio de Janeiro: Rio-Águas, 2015.
RIO DE JANEIRO (Município). Fundação Instituto das Águas do Município do Rio de Janeiro. Rios de Janeiro: um manual dos rios, canais e corpos hídricos da cidade do Rio de Janeiro. 1. ed. Rio de Janeiro: Rio-Águas, 2020.
RIO DE JANEIRO (Município). Fundação Instituto das Águas do Município do Rio de Janeiro. Levantamento topográfico planialtimétrico do rio Acari: microbacia AP 3.6, bacia da Guanabara. Rio de Janeiro: Rio-Águas, 2025. Escala 1:500. Prancha S1178-46-TP-RIO ACARI-R03-FL05, revisão 03, de 19 fev. 2025. Execução: SERPEN Serviços e Projetos de Engenharia Ltda. Documento nº 23T004141. Disponível em: https://www.data.rio/apps/PCRJ::sisarq-web/explore. Acesso em: 11 set. 2026.
RIO DE JANEIRO (Município). Fundação Instituto das Águas do Município do Rio de Janeiro. Resposta ao pedido de acesso à informação protocolo RIO-33224697-0: parâmetros e cotas de referência operacional da estação de monitoramento de nível do rio Acari na Rodovia Presidente Dutra. Rio de Janeiro: Rio-Águas, 14 set. 2026. Resposta encaminhada por correio eletrônico.
RODRIGUES, R.; MARTINS, C. Modelos de aprendizado na predição de nível de rios para detecção de falhas em estações hidrotelemétricas. In: Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais, 16., 2025, Maceió. Anais... Porto Alegre: Sociedade Brasileira de Computação, 2025. p. 306-315. Disponível em: https://doi.org/10.5753/wcama.2025.9371. Acesso em: 8 fev. 2026.
SANTOS, L. B. L.; FREITAS, C. P.; BACELAR, L.; SOARES, J. A. J. P.; DINIZ, M. M.; LIMA, G. R. T.; STEPHANY, S. A neural network-based hydrological model for very high-resolution forecasting using weather radar data. Eng, Basel, v. 4, n. 3, p. 1787-1796, 2023. Disponível em: https://doi.org/10.3390/eng4030101. Acesso em: 2 fev. 2026.
SARAIVA FILHO, F. L.; QUILES, M. G.; SANTOS, L. B. L. Random Forest para modelagem hidrológica na cidade de São Paulo. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics, São José dos Campos, v. 11, n. 1, 2025. Trabalho apresentado no XLIII Congresso Nacional de Matemática Aplicada e Computacional, Porto de Galinhas, PE, 2024. Disponível em: https://proceedings.sbmac.org.br/sbmac/article/view/4676. Acesso em: 8 fev. 2026.
SOUZA, I. A.; SILVA, V. A. Modelos de aprendizado de máquina para previsão de nível de inundação na bacia do Rio Almada, sul da Bahia, Brasil. SSRN, [s. l.], 2025. Preprint. Disponível em: http://dx.doi.org/10.2139/ssrn.5580376. Acesso em: 2 fev. 2026.
TUCCI, C. E. M. Águas urbanas. Estudos Avançados, São Paulo, v. 22, n. 63, p. 97-112, 2008. Disponível em: https://revistas.usp.br/eav/article/view/10295. Acesso em: 8 fev. 2026.
XAVIER, C. dos S. A relação dos eventos de inundação com as características físicas da bacia hidrográfica: o caso da bacia do rio Acari, Rio de Janeiro, RJ. 2022. Trabalho de Conclusão de Curso (Bacharelado em Geografia) – Instituto Latino-Americano de Tecnologia, Infraestrutura e Território, Universidade Federal da Integração Latino-Americana, Foz do Iguaçu, 2022.
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Da Revista (Ensaios de Geografia) e do Autor
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Atribuição CC BY. Esta licença permite que outros distribuam, remixem, adaptem e criem a partir do seu trabalho, mesmo para fins comerciais, desde que lhe atribuam o devido crédito pela criação original.
