Caelus
ferramenta de inteligência artificial na predição de parâmetros da equação de chuvas intensas
DOI:
https://doi.org/10.5752/P.2316-9451.e2026140101Palavras-chave:
Caelus, Inteligência artificial, Machine Learning, Luus-Jaakola, Parâmetros de chuvas intensasResumo
As precipitações intensas são fenômenos climáticos de grande impacto, especialmente em regiões com características geográficas e climáticas diversificadas, como o Brasil, onde uma boa predição dos parâmetros das equações de chuvas intensas é essencial para o planejamento urbano e a prevenção de desastres naturais. Nesse contexto, o Caelus surge como uma ferramenta computacional integrada que combina algoritmos de otimização e Machine Learning (ML) para estimar esses parâmetros. O estudo teve como objetivo o desenvolvimento e validação do sistema Caelus mediante as seguintes etapas metodológicas: (i) leitura e pré processamento de dados climáticos e hidrológicos; (ii) avaliação de desempenho de algoritmos ML; e (iii) análise comparativa com modelos ML da literatura, demonstrando a eficácia do Caelus na predição de parâmetros com precisão compatível com resultados consolidados. A ferramenta forneceu estimativas confiáveis com MAE de 7,1 mm/h em ambas as fases e tempo de recorrência (TR) alinhado à literatura. Esses resultados destacam seu potencial para aplicação em todo o Brasil, bem como sua utilidade como modelo para estudos hidrológicos e meteorológicos em escala global. Conclui-se que o Caelus apresenta resultados promissores que podem apoiar no processo de decisão da gestão de riscos ambientais, contribuindo para o planejamento urbano eficiente e a melhoria da qualidade de vida em comunidades afetadas por eventos climáticos extremos, com perspectivas de aprimoramento contínuo e aplicações amplas.
Downloads
Referências
ALLENDE-CID, Héctor. Machine learning: catalisador da ciência. Sociedade Brasileira de Computação, Porto Alegre, v. 1, n. 1, p. 15–18, 2019.
BREIMAN, L. Random forests. machine learning. R. News, v. 2, p. 18–22, 2002.
CARIA, G. Rasterio. 2021. Disponível em: <https://github.com/rasterio/rasterio>. Acessado em 27/07/2025.
CARVALHO, Wallisson Moreira De. HydroBr: A Python package to work with Brazilian hydrometeorological time series. 2020. Disponível em: <https://github.com/wallissoncarvalho/hydrobr>. Acessado em 27/07/2025.
COSTA, Julio et al. Validação dos dados de precipitação estimados pelo chirps para o brasil. Revista Brasileira de Climatologia, v. 24, 2019.
FARIAS, José Alexandre Moreira Silva; COELHO, José Francisco Rodrigo; SILVA, Luiz da. Determinação de equação idf, utilizando regressão linear em base logarítmica. XX Simpósio Brasileiro de Recursos Hídricos, Bento Gonçalves, 2013.
GOLDSCHMIDT, Ronaldo Ribeiro. Uma introdução a inteligência computacional: fundamentos, ferramentas e aplicações. Rio de Janeiro: IST-Rio, 2010.
GROISMAN, Pavel Ya; KNIGHT, Richard W; KARL, Thomas R. Changes in intense precipitation over the central united states. Journal of Hydrometeorology, v. 13, n. 1, p. 47–66, 2012.
LIAW, Andy; WIENER, Matthew. Classification and regression by random forest. R. News, v. 2, p. 18–22, 2002.
LUUS, Rein; JAAKOLA, THI. Optimization by direct search and systematic reduction of the size of search region. ACIhE Journal, v. 19, n. 4, 1973.
NETTO, Amílcar; MACIEL, Francisco. Python para data science e machine learning descomplicado. Rio de Janeiro: Alta Books, 2021.
OLIVEIRA, Luiz Fernando Coutinho de. Chuvas extremas no Brasil: modelos e aplicações. Lavras: Editora UFLA, 2019.
PEREIRA, Daniela Carneiro; DUARTE, Letícia Rodrigues; SARMENTO, Antover Panazzolo. Determinação da curva de intensidade, duração e frequência do município de ipameri– goiás. REEC-Revista Eletrônica de Engenharia Civil, Goiânia, v. 13, n. 2, 2017.
PEREIRA, Eduardo Mendes; BEKER, João Pedro dos Santos; SCHMOELLER, Ruminiki Pavei. Aplicação de machine learning na previsão da produtividade da soja. Revista Pleiade, v. 18, n. 45, 2024.
PRISTO, Marcos Vinícius de Jesus et al. Climatologia de chuvas intensas no município do rio de janeiro. Revista Brasileira de Meteorologia, v. 4, p. 33, 2018.
SANTOS, Hellen Geremias dos et al. Machine learning para análises preditivas em saúde: exemplo de aplicação para predizer óbito em idosos de são paulo, brasil. Caderno de Saúde Pública, v. 35, n. 7, 2019.
SENNA, Rafael Salgado de et al. Metodologias para estimativa dos parâmetros da equação de chuvas intensas no estado do espírito santo. Revista Egenharia na Agricultura, v. 18, n. 6, p. 496–503, 2010.
SHERMAN, Charles W. Frequency and intesity of excessive rainfall at boston, massachusetts. Transaction Paper ASCE, v. 95, p. 951–960, Jan 1931.
SILVA, Alex Tavares. Caelus: Ferramenta de Inteligência Artificial de Predição de Parâmetros da Equação de Chuvas Intensas e Apoio a Tomada de Decisão. 2024. Tese (Doutorado) — Instituto Federal Fluminense, Campos dos Goytacazes, RJ., 2024.
SILVA, Alex Tavares; JUNIOR, Jader Lugon; TELLES, Wagner Rambaldi. Equação de chuvas intensas e vazão da cidade de itaperuna-rj. Anais do 6º Simpósio Sobre Sistemas Sustentáveis, v. 3, p. 104–116, 2021.
TELLES, WagnerRambaldi.Previsão docomportamentohidráulico deumriocombasena estimativa de coeficientes que controlam seu escoamento. Estudo de caso: Rio Bengalas, Nova Friburgo-RJ. 2014. Tese (Doutorado) — Universidade do Estado do Rio de Janeiro, Friburgo, RJ., 2014.
TUCCI, Carlos Eduardo Morelli. Hidrologia: ciência e aplicação. Rio Grande do Sul: UFRGS, 2015.
WAGESHO,Negash; CLAIRE, Marie. Analysis of rainfall intensity-duration-frequency relationship for rwanda. Journal fo Water Resource and Protection, v. 8, n. 7, p. 706–723, 2016
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Os autores dos artigos detêm o copyright sem restrições e mantêm direitos de publicação nos termos da licença Creative Common 4.0.
Licença Creative Common 4.0 - CC BY
Este obra está licenciado com uma Licença Creative Commons Atribuição 4.0 Internacional. CC BY
Português
English
