Artigo

16 de outubro de 2026

Previsão de alta precipitação no Rio Grande do Sul para prevenção de desastres hidrometeorológicos

Priscila Resende Nascimento; Abdoulaye Mohamed

DOI: 10.22167/2675-6528-202603366

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Em abril de 2024, o Rio Grande do Sul enfrentou a maior tragédia climática de sua história, evidenciando a necessidade de aprimorar estratégias de previsão e prevenção de desastres hidrometeorológicos. O estudo teve como objetivo desenvolver um modelo preditivo baseado em redes neurais do tipo Long Short-Term Memory (LSTM) para classificar eventos de alta precipitação no estado. Utilizaram-se dados históricos do Instituto Nacional de Meteorologia (INMET) entre 2013 e 2025, coletados de 44 estações meteorológicas automáticas. A metodologia compreendeu a seleção de variáveis pelo algoritmo Random Forest, que identificou a precipitação total horária e a temperatura do ponto de orvalho como as features de maior poder preditivo, e a modelagem com arquitetura LSTM de duas camadas, treinada com aplicação do SMOTE para tratamento do desbalanceamento entre classes. O modelo alcançou um AUC-ROC de 0,9373 e um recall de 82,4% para eventos extremos, definidos como precipitação acima do percentil 95 da distribuição histórica (8,60 mm/hora). Demonstrou-se a capacidade de identificar a grande maioria das ocorrências de alta precipitação com antecedência, confirmando a viabilidade do uso de redes neurais LSTM para a previsão de eventos hidrometeorológicos extremos. O trabalho oferece potencial contribuição para sistemas de monitoramento climático e políticas públicas de prevenção de desastres naturais no Brasil.

Palavras-chave: Desastres hidrometeorológicos; LSTM; Precipitação extrema; Redes Neurais Artificiais; Rio Grande do Sul.

1. Introdução

Os eventos climáticos extremos têm se tornado cada vez mais frequentes e intensos em escala global, evidenciando a necessidade de aprimorar os sistemas de previsão, prevenção e resposta a desastres naturais (IPCC, 2023). O Rio Grande do Sul, estado localizado em uma região de clima subtropical úmido segundo a classificação de Köppen-Geiger (Peel et al., 2007), historicamente apresenta um regime pluviométrico relativamente regular ao longo do ano. Contudo, a magnitude do desastre ocorrido em 2024 superou todos os registros anteriores, incluindo eventos significativos de 1941 e 2023, marcando a maior tragédia climática de sua história.

Fatores climáticos e estruturais contribuíram para a severidade desse evento, com o fenômeno El Niño intensificando as precipitações na região Sul do Brasil (INMET, 2024; INPE, 2024). No final de abril de 2024, a calamidade climática atingiu 478 dos 497 municípios gaúchos, correspondendo a 96,2% do total, com os maiores impactos concentrados nas regiões Central, dos Vales, Serra e Metropolitana de Porto Alegre (G1, 2025).

A tragédia resultou em 184 mortes confirmadas e 25 pessoas desaparecidas, além de afetar aproximadamente 2,4 milhões de pessoas, das quais quase 200 mil ficaram desalojadas ou desabrigadas (INMET, 2025). Os prejuízos financeiros alcançaram a soma de R$ 801 milhões, conforme levantamento da Prefeitura de Porto Alegre (2024). Em apenas três dias de chuva, o Instituto Nacional de Pesquisas Espaciais (INPE, 2024) registrou um acumulado de precipitação superior a 600 mm em algumas áreas, e acima de 400 mm em uma ampla extensão do estado, configurando um dos episódios hidrometeorológicos mais intensos da história recente do país.

Diante da complexidade desse cenário e da dificuldade de prever eventos de tal magnitude com os métodos tradicionais, as Redes Neurais Artificiais (RNAs) emergem como uma abordagem promissora para a modelagem de fenômenos climáticos. Segundo Cruz et al. (2010), modelos de redes neurais oferecem uma alternativa vantajosa aos métodos convencionais na previsão de séries temporais hidrometeorológicas. Isso ocorre porque dispensam o conhecimento físico-matemático prévio das complexas relações não lineares que descrevem o fenômeno, permitindo que o próprio modelo aprenda esses padrões diretamente a partir dos dados históricos disponíveis.

Em particular, as redes do tipo Long Short-Term Memory (LSTM) são especialmente adequadas para a análise de séries temporais, pois possuem a capacidade de capturar dependências de longo prazo entre variáveis ao longo do tempo (Hochreiter e Schmidhuber, 1997). Essa característica é fundamental para a modelagem de padrões climáticos, onde a evolução de variáveis atmosféricas ao longo de períodos estendidos influencia a ocorrência de eventos extremos. A aplicação de modelos preditivos baseados em LSTM pode, portanto, fornecer suporte antecipado a ações preventivas e decisões estratégicas em políticas públicas, mitigando os impactos de futuros desastres hidrometeorológicos.

Considerando a intensificação dos eventos hidrometeorológicos extremos e os graves impactos observados no Rio Grande do Sul em 2024, este trabalho busca desenvolver um modelo preditivo baseado em redes neurais do tipo LSTM para classificar eventos de precipitação extrema, definidos como ocorrências acima do percentil 95 da distribuição histórica de precipitação horária, utilizando dados entre 2013 e 2025, com vistas a fornecer suporte antecipado a ações preventivas e decisões estratégicas em políticas públicas.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa aplicada, visando gerar conhecimento com potencial de utilização prática na previsão de eventos de alta precipitação e no apoio a ações de prevenção de desastres hidrometeorológicos (Vergara, 2016). Adotou-se uma abordagem quantitativa, empregando dados numéricos de séries temporais meteorológicas, tratados por técnicas estatísticas e computacionais para a construção e avaliação de um modelo preditivo (Vergara, 2016).

Quanto aos objetivos, a pesquisa foi classificada como exploratória, buscando aprofundar a compreensão sobre os padrões associados à ocorrência de eventos de alta precipitação (Gil, 2019). Em termos de procedimentos técnicos, o estudo assumiu caráter documental, utilizando dados secundários de bases públicas oficiais do Instituto Nacional de Meteorologia (INMET), complementado por uma natureza preditiva e analítica para desenvolver um modelo computacional de classificação de eventos extremos.

A área de estudo compreendeu o estado do Rio Grande do Sul, que possui clima temperado do tipo subtropical, classificado como Mesotérmico Úmido segundo Köppen (Atlas Socioeconômico do RS, 2024). A precipitação na região é bem distribuída ao longo do ano, variando entre 1.299 e 1.800 mm anuais.

Os dados foram coletados a partir de 44 estações meteorológicas automáticas do Instituto Nacional de Meteorologia (INMET), disponíveis publicamente em https://portal.inmet.gov.br/dadoshistoricos, abrangendo o período de 2013 a 2025. As variáveis incluíram precipitação total horária, temperaturas do ar e do ponto de orvalho, umidade relativa, velocidade e direção do vento, pressão atmosférica e radiação global, conforme padrões da Organização Meteorológica Mundial (OMM).

Após a coleta, os dados passaram por um processo de tratamento e organização, denominado “Data Wrangling”, para garantir consistência e integridade. Valores nulos ou faltantes foram identificados e tratados conforme a natureza de cada variável, aplicando-se interpolação temporal com preenchimento bidirecional para séries temporais.

A precipitação foi tratada de forma diferenciada: valores ausentes foram substituídos por zero, considerando sua natureza esparsa e para evitar que valores sintéticos cruzassem o limiar de evento extremo de 8,60 mm/hora. Realizou-se análise exploratória com decomposição da série temporal diária de precipitação nos modelos aditivo e multiplicativo, com período sazonal de 365 dias.

Para identificar as variáveis com maior poder preditivo, utilizou-se o algoritmo Random Forest (biblioteca scikit-learn) como etapa de pré-processamento. O Random Forest foi configurado com 400 árvores de decisão e treinado como classificador binário, tendo como variável-alvo a ocorrência de evento de alta precipitação.

Criaram-se features defasadas (lags) nos intervalos de 1, 3, 6, 12 e 24 horas para cada uma das oito variáveis meteorológicas de base. O desbalanceamento entre as classes foi tratado pela técnica SMOTE (Synthetic Minority Oversampling Technique), aplicada exclusivamente nos dados de treino. As seis variáveis com maior importância agregada foram selecionadas para compor a entrada do modelo LSTM, sendo o limiar de evento de alta precipitação definido como 8,60 mm/hora, correspondente ao percentil 95 da distribuição histórica de precipitação positiva.

Para a modelagem preditiva, utilizou-se uma rede neural recorrente do tipo Long Short-Term Memory (LSTM), implementada por meio da biblioteca TensorFlow com interface Keras, em ambiente Python 3.10, com aceleração via GPU. As seis variáveis selecionadas foram normalizadas pelo método MinMaxScaler para o intervalo entre 0 e 1. Criaram-se janelas temporais de 24 horas, onde cada observação representou o histórico das variáveis nas 24 horas anteriores.

A divisão dos dados foi sequencial: 70% para treino, 15% para validação e 15% para teste. O SMOTE foi aplicado ao conjunto de treino para equilibrar as classes. A arquitetura do modelo consistiu em duas camadas LSTM empilhadas (64 e 32 neurônios), intercaladas por camadas de Dropout (20%), e uma camada de saída com ativação sigmoid. O treinamento utilizou otimizador Adam e função de perda binary crossentropy, com EarlyStopping para evitar overfitting. As métricas de avaliação incluíram precision, recall, F1-score, acurácia, matriz de confusão e AUC-ROC, priorizando o recall da classe positiva.

3. Resultados e Discussão

A análise dos resultados da pesquisa revelou insights importantes sobre a dinâmica da precipitação no Rio Grande do Sul e a capacidade de um modelo LSTM em prever eventos extremos, contribuindo para o objetivo de desenvolver um sistema preditivo para suporte a ações preventivas. Inicialmente, a investigação focou na caracterização dos padrões de precipitação, que se mostrou a variável central para a compreensão dos desastres hidrometeorológicos. A série histórica de precipitação mensal, abrangendo o período de 2013 a 2025, evidenciou uma notável variabilidade temporal e a ocorrência de picos significativos ao longo dos anos, com uma intensificação clara dos eventos extremos a partir de 2019. Este padrão culminou em 2023 e, de forma mais acentuada, em 2024, quando se registraram os maiores volumes mensais de precipitação em diversas estações.

Os três maiores picos de precipitação mensal foram observados em maio de 2024, com a estação de Soledade (A837) registrando 738 mm, Serafina Corrêa (A894) com 714 mm e Canela (A879) com 706 mm. Esses valores destacam a magnitude excepcional dos eventos ocorridos, que superaram registros anteriores e reforçam a urgência de sistemas de alerta eficazes. Em uma escala diária, os eventos mais intensos incluíram 238,6 mm em Rio Pardo (A813) em 11 de novembro de 2013, 229,2 mm em Uruguaiana (A809) em 09 de janeiro de 2019 e 207,0 mm em Santa Maria (A803) em 30 de abril de 2024. A concentração desses eventos extremos no tempo e no espaço sublinha a natureza não linear da precipitação e a necessidade de abordagens preditivas avançadas.

A decomposição da série temporal diária de precipitação, utilizando modelos aditivo e multiplicativo, permitiu uma compreensão aprofundada de seus componentes. A série observada exibiu o comportamento típico de variáveis pluviométricas, caracterizado por extensos períodos de baixa precipitação intercalados por picos extremos. A análise da tendência revelou uma relativa estabilidade entre 2013 e 2021, seguida por um aumento expressivo a partir de 2022, com os anos de 2023 e 2024 apresentando os maiores impactos. A redução na tendência em 2025 é atribuída ao fato de a série não contemplar o ano completo, não indicando uma reversão do padrão de intensificação.

A componente sazonal, por sua vez, indicou a presença de um ciclo anual, mas com intensidade fraca. A força de sazonalidade calculada foi de 0,087 para o modelo aditivo e 0,096 para o multiplicativo, ambos abaixo do limiar de 0,4, que é considerado indicativo de sazonalidade moderada (Wang, Smith e Hyndman, 2006). Este achado é consistente com a caracterização climática do Rio Grande do Sul, onde a precipitação é historicamente bem distribuída ao longo do ano, sem uma estação seca definida (Atlas Socioeconômico do RS, 2024). A média sazonal mensal apontou outubro (+52,6 mm) e maio (+51,1 mm) como os meses de maior contribuição, e agosto (-42,6 mm) como o de menor, com uma amplitude sazonal de aproximadamente 95 mm e um padrão irregular.

O resíduo da decomposição concentrou valores abruptos que não puderam ser explicados pela tendência ou sazonalidade, representando os eventos de precipitação extrema. Essa constatação é crucial para a modelagem preditiva, pois demonstra que os fenômenos hidrometeorológicos críticos estão associados a flutuações não lineares e de difícil captura por métodos estatísticos convencionais. Consequentemente, a utilização de redes neurais recorrentes, como as LSTM, justifica-se como uma alternativa promissora para a identificação de padrões complexos e a antecipação desses eventos, alinhando-se com a proposta do estudo de empregar técnicas avançadas de aprendizado de máquina para a previsão de desastres.

Seleção de Variáveis

Para identificar as variáveis com maior poder preditivo, o algoritmo Random Forest foi empregado como classificador binário. A variável-alvo foi definida como a ocorrência de precipitação acima de 8,60 mm/hora, que corresponde ao percentil 95 da distribuição histórica positiva de precipitação. Este limiar se mostrou coerente com a magnitude dos eventos extremos observados em abril de 2024, que apresentaram médias horárias consistentemente acima desse valor durante o período crítico. O horizonte de previsão estabelecido foi de uma hora, visando a antecipação de eventos. Dada a raridade dos eventos extremos, que representam apenas 0,42% das observações, as métricas de avaliação priorizadas foram AUC-ROC e recall da classe extrema, consideradas mais adequadas para contextos de classes desbalanceadas do que a acurácia global.

Para enriquecer a capacidade discriminativa do modelo, foram criadas 40 features defasadas (lags) para cada uma das oito variáveis meteorológicas de base, em intervalos de 1, 3, 6, 12 e 24 horas. Este procedimento permitiu que o modelo incorporasse o comportamento temporal das variáveis nas horas anteriores a cada observação, capturando indiretamente o comportamento acumulado da precipitação sem a necessidade de criar variáveis de precipitação acumulada explicitamente. A abordagem inicial para o tratamento do desbalanceamento de classes, utilizando o parâmetro `class_weight=’balanced’` do RandomForestClassifier, não foi eficaz, resultando em um recall de zero para a classe minoritária, o que indicou a incapacidade do modelo de identificar eventos de alta precipitação.

Diante dessa limitação, a técnica SMOTE (Synthetic Minority Oversampling Technique) foi adotada e demonstrou superioridade ao gerar amostras sintéticas da classe minoritária nos dados de treino. Essa estratégia permitiu que o modelo aprendesse os padrões associados aos eventos extremos de forma mais eficaz, preservando a distribuição real dos dados no conjunto de teste para uma avaliação válida. A importância de cada variável foi calculada com base na redução média de impureza nas árvores de decisão do Random Forest, e as seis variáveis com maior importância agregada foram selecionadas para a entrada do modelo LSTM, otimizando a dimensionalidade do problema.

A precipitação total horária destacou-se como a variável de maior importância agregada, com um valor de 0,4939, representando quase o triplo da segunda colocada. Esse resultado é fisicamente esperado, pois o histórico recente de precipitação é o preditor mais direto para a ocorrência de novos eventos extremos. A temperatura do ponto de orvalho ocupou a segunda posição, com 0,1628 de importância, refletindo sua relação direta com o teor de vapor d’água na atmosfera, um fator crucial para chuvas intensas. As demais variáveis selecionadas foram umidade relativa do ar (0,0856), temperatura do ar bulbo seco (0,0608), radiação global (0,0571) e vento rajada máxima (0,0548), todas reconhecidas na literatura como precursores de eventos hidrometeorológicos extremos.

A análise da importância das variáveis por lag revelou a predominância da precipitação total horária nos lags mais recentes, indicando uma forte dependência temporal imediata para a ocorrência de eventos extremos. Variáveis como temperatura do ponto de orvalho, umidade relativa e radiação global também apresentaram relevância distribuída ao longo dos lags, sugerindo que o comportamento atmosférico acumulado nas horas anteriores influencia significativamente a capacidade preditiva do modelo. Embora o Random Forest tenha obtido um AUC-ROC de 0,9350 no conjunto de teste, seu recall de 13,8% para a classe extrema confirmou que sua principal função neste estudo foi a seleção de variáveis, e não a previsão final, que seria realizada pelo modelo LSTM.

Modelagem LSTM

O modelo preditivo foi construído utilizando uma rede neural recorrente do tipo Long Short-Term Memory (LSTM), implementada com a biblioteca TensorFlow e Keras. A entrada do modelo consistiu nas seis variáveis selecionadas pelo Random Forest: precipitação total horária, temperatura do ponto de orvalho, umidade relativa do ar, temperatura do ar bulbo seco, radiação global e velocidade de rajada máxima do vento. Os dados de entrada foram normalizados pelo método MinMaxScaler, que reescalou os valores para o intervalo entre zero e um, prevenindo que diferenças de magnitude entre as variáveis afetassem o aprendizado do modelo. Em seguida, foram criadas janelas temporais de 24 horas, onde cada observação representava o histórico das seis variáveis nas 24 horas anteriores.

A arquitetura do modelo LSTM foi composta por duas camadas LSTM empilhadas, com 64 e 32 neurônios, respectivamente, e intercaladas por camadas de Dropout com taxa de 20% para mitigar o overfitting. Uma camada densa intermediária com 16 neurônios e ativação ReLU foi adicionada antes da camada de saída, que utilizou um neurônio com função de ativação sigmoid para produzir a probabilidade de ocorrência de evento de alta precipitação. O modelo totalizou 31.137 parâmetros treináveis. O treinamento foi configurado para até 50 épocas, com um batch size de 256 e o otimizador Adam, utilizando a função de perda binary crossentropy. Para evitar o overfitting, foi implementado o callback EarlyStopping com paciência de cinco épocas, monitorando a perda de validação e restaurando automaticamente os melhores pesos.

O treinamento do modelo LSTM foi interrompido pelo EarlyStopping na sexta época, pois o melhor desempenho de validação foi alcançado já na primeira época, com uma perda de validação de 0,1491. As épocas subsequentes mostraram um aumento progressivo da perda de treino e oscilações crescentes na perda de validação, indicando que o modelo não manteve a capacidade de generalização. Este comportamento justificou a adoção do EarlyStopping, assegurando que o modelo final correspondesse à configuração com a menor perda de validação observada, garantindo a robustez do modelo na previsão de eventos extremos. A avaliação do modelo foi realizada utilizando métricas como precision, recall, F1-score, acurácia, matriz de confusão e AUC-ROC.

Os resultados obtidos no conjunto de teste demonstraram a eficácia do modelo LSTM. O AUC-ROC alcançou 0,9373, indicando uma capacidade discriminativa muito boa entre eventos de precipitação normal e extrema, com 93,73% de probabilidade de classificar corretamente um evento extremo em relação a um evento normal. Este desempenho é considerado excelente na literatura para problemas de classificação com classes desbalanceadas. O recall para a classe extrema foi de 0,824 (82,4%), o que significa que o modelo foi capaz de identificar a grande maioria das ocorrências de alta precipitação com antecedência, um resultado crucial para a prevenção de desastres hidrometeorológicos.

A matriz de confusão revelou que o modelo identificou corretamente 3.235 dos 3.925 eventos extremos presentes no conjunto de teste, confirmando o recall de 82,4%. No entanto, foram registrados 690 eventos extremos não detectados (falsos negativos) e 64.933 falsos alarmes (situações normais classificadas incorretamente como extremas). O valor de precision para a classe extrema foi de 0,047, refletindo o número de falsos alarmes gerados. Este comportamento é esperado em modelos calibrados para maximizar o recall em contextos de prevenção de desastres, onde a não detecção de um evento real representa um risco significativamente maior do que a emissão de um alerta desnecessário. A redução dos falsos alarmes, embora seja uma oportunidade de melhoria, pode ser explorada em trabalhos futuros através do ajuste do limiar de classificação ou da incorporação de variáveis adicionais.

Em síntese, os resultados da pesquisa confirmam a viabilidade e a eficácia do modelo preditivo baseado em redes neurais LSTM para a classificação de eventos de alta precipitação no Rio Grande do Sul. A capacidade de identificar 82,4% dos eventos extremos com antecedência, aliada a uma alta capacidade discriminativa (AUC-ROC de 0,9373), demonstra o potencial do modelo para fornecer um suporte antecipado valioso a ações preventivas e decisões estratégicas em políticas públicas de prevenção de desastres hidrometeorológicos. Embora o desafio dos falsos alarmes persista, a priorização do recall para eventos extremos é justificada pelo contexto de mitigação de riscos, consolidando a contribuição deste trabalho para o monitoramento climático e a segurança da população.

4. Conclusão

O presente estudo teve como objetivo desenvolver um modelo preditivo baseado em redes neurais do tipo Long Short-Term Memory (LSTM) para classificar eventos de alta precipitação no Rio Grande do Sul, visando fornecer suporte antecipado a ações preventivas e decisões estratégicas em políticas públicas. Verificou-se que a precipitação no estado apresentou notável variabilidade temporal e picos significativos, com uma intensificação clara dos eventos extremos a partir de 2019, culminando nos maiores volumes mensais e diários em 2023 e 2024. A análise de decomposição da série temporal revelou uma tendência de aumento expressivo a partir de 2022 e uma sazonalidade fraca, indicando que os fenômenos hidrometeorológicos críticos estão associados a flutuações não lineares. Por meio do algoritmo Random Forest, identificou-se a precipitação total horária e a temperatura do ponto de orvalho como as variáveis de maior poder preditivo. O tratamento do desbalanceamento de classes com SMOTE foi crucial para o aprendizado do modelo. O modelo LSTM desenvolvido alcançou um AUC-ROC de 0,9373, demonstrando excelente capacidade discriminativa, e um recall de 82,4% para a classe extrema, evidenciando sua eficácia em identificar a grande maioria das ocorrências de alta precipitação com antecedência.

A principal contribuição deste trabalho reside no potencial de oferecer um suporte antecipado valioso para sistemas de monitoramento climático e políticas públicas de prevenção de desastres hidrometeorológicos no Brasil, mitigando os impactos de futuros eventos extremos. Contudo, uma limitação identificada foi o número de falsos alarmes gerados pelo modelo, refletido em um valor de precision de 0,047 para a classe extrema. Embora este comportamento seja esperado em modelos calibrados para maximizar o recall em contextos de prevenção, o excesso de alertas desnecessários pode comprometer a confiança dos usuários. Como desdobramentos futuros, sugere-se a exploração do ajuste do limiar de classificação para otimizar o equilíbrio entre precision e recall, a incorporação de variáveis adicionais como dados de relevo e índices climáticos, e a avaliação de arquiteturas de redes neurais mais complexas ou modelos híbridos. Recomenda-se também a adoção de validação temporal por janela deslizante e a integração do modelo a sistemas operacionais existentes no INMET e na Defesa Civil para aplicação prática dos resultados.

Referências Bibliográficas

Cruz, M. F. M., Rodrigues, L. D., & Versiani, B. R. (2010). Previsão de vazões com a metodologia DPFT e com redes neurais artificiais. https://revistas.abrhidro.org.br/article.php?Article=107

Ejjike, O., Ndzi, D., & Shakir, M. Z. (2025). Comparative study of machine learning-based rainfall prediction in tropical and temperate climates. Climate, 13(8), 167. https://www.mdpi.com/2225-1154/13/8/167

G1. (2025, 29 de abril). Mais de 180 mortos, 25 desaparecidos e 96% das cidades atingidas: O raio-X da enchente que devastou o RS um ano após tragédia. https://g1.globo.com/rs/rio-grande-do-sul/1-ano-de-enchente-rs/noticia/2025/04/29/mais-de-180-mortos-25-desaparecidos-e-96percent-das-cidades-atingidas-o-raio-x-da-enchente-que-devastou-o-rs-um-ano-apos-tragedia.ghtml

Gil, A. C. (2019). Métodos e técnicas de pesquisa social (7ª ed.). Atlas.

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://direct.mit.edu/neco/article-abstract/9/8/1735/6109/Long-Short-Term-Memory

Instituto Nacional de Meteorologia. (2024a). Catálogo de estações automáticas. https://portal.inmet.gov.br/paginas/catalogoaut

Instituto Nacional de Meteorologia. (2024b). Dados históricos anuais. https://portal.inmet.gov.br/dadoshistoricos

Instituto Nacional de Meteorologia. (2024c). El Niño: Saiba como foi a atuação do fenômeno no Brasil. https://portal.inmet.gov.br/noticias/el-niño-saiba-como-foi-a-atuação-do-fenômeno-no-brasil

Instituto Nacional de Meteorologia. (2025). Inundação histórica no Rio Grande do Sul completa um ano. https://portal.inmet.gov.br/noticias/inundacao-historica-no-rio-grande-do-sul-completa-um-ano

Instituto Nacional de Pesquisas Espaciais. (2024). Relatório do INPE sobre as chuvas no RS. https://www.gov.br/inpe/pt-br/assuntos/ultimas-noticias/relatorio-do-inpe-explica-evento-meteorologico-que-causou-a-tragedia-no-rs/chuvas-rio-grande-do-sul.pdf

Intergovernmental Panel on Climate Change. (2023). Climate change 2023: Synthesis report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. IPCC. https://www.ipcc.ch/report/ar6/syr/downloads/report/IPCC_AR6_SYR_FullVolume.pdf

Peel, M. C., Finlayson, B. L., & McMahon, T. A. (2007). Updated world map of the Köppen-Geiger climate classification. Hydrology and Earth System Sciences, 11(5), 1633–1644. https://hess.copernicus.org/articles/11/1633/2007/

Prefeitura de Porto Alegre. (2024). Prefeitura fecha 2024 com prejuízo de R$ 569 milhões em decorrência da calamidade. https://prefeitura.poa.br/smf/noticias/prefeitura-fecha-2024-com-prejuizo-de-r-569-milhoes-em-decorrencia-da-calamidade

Secretaria de Planejamento, Governança e Gestão do Rio Grande do Sul. (2024). Clima, temperatura e precipitação. Atlas Socioeconômico do Rio Grande do Sul. https://atlassocioeconomico.rs.gov.br/clima-temperatura-e-precipitacao

Vergara, S. C. (2016). Projetos e relatórios de pesquisa em administração (16ª ed.). Atlas.

Wang, X., Smith, K., & Hyndman, R. (2006). Characteristic-based clustering for time series data. Data Mining and Knowledge Discovery, 13(3), 335–364. https://doi.org/10.1007/s10618-005-0039-x

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Você também pode gostar

13 de novembro de 2026

Integração estratégica entre branding e mídia paga: uma análise da importância da brandformance no e-commerce

A complexidade da jornada do consumidor no marketing digital contemporâneo tem demandado estratégias integradas entre construção de marca e ações de performance. Este estudo analisou como a integração estratégica entre branding e mídia paga, denominada brandformance, se manifesta no e-commerce e sua importância para o desempenho das estratégias digitais. A pesquisa, de natureza aplicada, qualitativa e descritiva, empregou o método de benchmarking competitivo. Foram analisadas três empresas-exemplo (Alfa, Beta e Gama) atuantes no e-commerce, comparando seus níveis de integração entre branding e mídia paga. Os dados foram coletados de documentos, fontes secundárias, relatórios de mercado, materiais institucionais e evidências empíricas de plataformas digitais. Os resultados indicaram que empresas com maior alinhamento entre identidade de marca, comunicação e campanhas de performance demonstraram maior coerência na jornada do consumidor e melhores indicadores de eficiência. Em contrapartida, organizações focadas em conversão imediata apresentaram inconsistências comunicacionais, comprometendo a construção de valor a longo prazo. Concluiu-se que a integração entre branding e mídia paga é um fator estratégico para a competitividade no e-commerce, contribuindo para a construção de valor e a efetividade das estratégias digitais.

Palavras-chave: Benchmarking; Comunicação integrada; Estratégias de marketing; Jornada do consumidor; Performance digital.

13 de novembro de 2026

Machine learning na predição de desfechos cirúrgicos em epilepsia do lobo temporal farmacorresistente

A epilepsia do lobo temporal (ELT) farmacorresistente representa um desafio clínico complexo, com significativa parcela de pacientes reoperados apresentando recidiva de crises. O objetivo foi ampliar a análise de uma coorte retrospectiva de pacientes com ELT farmacorresistente submetidos à reoperação, utilizando técnicas de machine learning (ML) para identificar sinais analíticos que pudessem contribuir para a medicina de precisão em cirurgia de epilepsia. Realizou-se um estudo exploratório em uma coorte de 27 pacientes adultos reoperados entre 1994 e 2014 em um centro terciário. Aplicaram-se algoritmos de ML (regressão logística, Random Forest e XGBoost) com validação leave-one-out (LOOCV) a um dataset com 20 features clínicas, incluindo a postura distônica de membro superior. Para o desfecho primário de liberdade total de crises (Engel Ia) no último retorno, a regressão logística indicou sinal discriminativo moderado, com AUC-ROC de 0,655 e sensibilidade de 0,80. A análise interpretativa por SHAP values identificou o intervalo entre as cirurgias, a duração da epilepsia até a primeira intervenção e o uso de eletrocorticografia como variáveis de maior contribuição. Pacientes com postura distônica de membro superior apresentaram um padrão consistente de melhores desfechos cirúrgicos. O estudo demonstrou a viabilidade e o potencial informativo da abordagem exploratória por ML em coortes clínicas pequenas, com perspectiva de replicação em séries maiores e contribuição ao paradigma de medicina de precisão em cirurgia de epilepsia.

Palavras-chave: Cirurgia de epilepsia; Epilepsia do lobo temporal; Machine learning; Postura distônica; SHAP values.

13 de novembro de 2026

Análise de sentimento sobre o lançamento do Samsung Galaxy S25

Este estudo aplicou técnicas de Processamento de Linguagem Natural para analisar o sentimento de consumidores brasileiros em relação ao lançamento do Samsung Galaxy S25. O objetivo foi analisar o sentimento dos consumidores, a partir de 1.320 comentários em língua portuguesa coletados na plataforma Reddit, no período de janeiro de 2024 a dezembro de 2025. Utilizou-se o modelo BERTimbau, pré-treinado para a língua portuguesa, ajustado por meio de “fine-tuning” para classificação ternária de sentimento (positivo, negativo e neutro), alcançando acurácia de 78,26% e F1 Macro de 78,21%. A análise temporal, estruturada em três fases (rumores e especulações, lançamento e pós-lançamento), revelou que o sentimento negativo predominou na fase de rumores (42,7%), recuou durante o lançamento (25,9%) e estabilizou-se no pós-lançamento (35,7%). A inteligência artificial embarcada (Galaxy AI) foi o tema mais discutido (588 menções) e predominantemente negativo (46,9%). A bateria configurou-se como o atributo com maior insatisfação (55,9% negativo), sendo o único cuja percepção deteriorou após o uso real. A câmera destacou-se como o atributo com melhor avaliação relativa. Os resultados indicaram que a inovação incremental encontra limites na capacidade de gerar valor percebido suficiente para sustentar o posicionamento premium do produto no mercado brasileiro.

Palavras-chave: Análise de sentimento; BERTimbau; Processamento de linguagem natural; Reddit; Smartphones.

13 de novembro de 2026

Volatilidade cambial e estabilização de margens no setor de combustíveis brasileiro

A volatilidade cambial representou um dos principais fatores de risco para empresas em setores dependentes de insumos dolarizados, notadamente no mercado de combustíveis brasileiro, onde a formação de preços esteve fortemente ligada a variáveis internacionais. Com esse cenário, o estudo analisou o impacto da taxa de câmbio nos preços da gasolina entre 2015 e 2025 e avaliou a eficácia de estratégias de hedge cambial na redução da variabilidade das margens operacionais. Para isso, adotou-se uma abordagem quantitativa, descritiva e documental, utilizando dados secundários do Banco Central do Brasil (BCB), da Agência Nacional do Petróleo, Gás Natural e Biocombustíveis (ANP) e do Instituto Brasileiro de Geografia e Estatística (IBGE). A metodologia incluiu a decomposição do preço da gasolina em componente cambial e residual, seguida pela simulação de margens operacionais em cenários com e sem proteção cambial. Os resultados revelaram que a depreciação do real comprimiu as margens no cenário sem hedge, enquanto a proteção cambial diminuiu a volatilidade dos resultados, especialmente em períodos de instabilidade, embora gerasse perdas relativas em momentos de apreciação cambial. Concluiu-se que a gestão do risco cambial contribuiu para maior previsibilidade operacional, mesmo com os trade-offs inerentes à limitação de ganhos potenciais.

Palavras-chave: Combustíveis; Hedge cambial; Margem operacional; Taxa de câmbio; Volatilidade cambial.

13 de novembro de 2026

Desenho Universal para a Aprendizagem: um guia prático para professores

O presente estudo teve como objetivo elaborar um guia de estratégias práticas, fundamentado nos princípios do Desenho Universal para a Aprendizagem (DUA), visando promover práticas pedagógicas inclusivas e acessíveis em sala de aula. A pesquisa caracterizou-se como aplicada, com abordagem qualitativa, e foi desenvolvida por meio de análise teórica e interpretativa de produções acadêmicas sobre DUA, neurociência da aprendizagem e educação inclusiva. O produto educacional foi estruturado com base nos três princípios do DUA – múltiplos meios de engajamento, representação, e ação e expressão – para organizar estratégias pedagógicas que reduzem barreiras e valorizam a diversidade dos estudantes. Os resultados indicaram que a implementação de práticas baseadas no DUA pode contribuir para o desenvolvimento de ambientes educacionais mais equitativos, favorecendo o engajamento, a compreensão e a expressão do conhecimento, especialmente para alunos com necessidades educacionais especiais. A articulação com a neurociência reforçou a importância de considerar a variabilidade cognitiva no ensino-aprendizagem. Concluiu-se que o guia proposto representa uma ferramenta relevante para apoiar a prática docente e assegurar o acesso a uma educação equitativa.

Palavras-chave: Ação e expressão; Engajamento; Inclusão escolar; Neurociência; Representação.

13 de novembro de 2026

Reclamações de consumidores do setor financeiro na Plataforma consumidor.gov.br: a trajetória da percepção de resolutividade

Este estudo analisou a trajetória da percepção de resolutividade das reclamações de consumidores do setor financeiro na plataforma consumidor.gov.br entre os anos de 2015 e 2025. O objetivo foi analisar a evolução dessa percepção. Para isso, utilizou-se a metodologia KDD (Knowledge Discovery in Databases) e a linguagem Python. Foram processadas 4.774.386 reclamações, e os registros apresentaram um crescimento exponencial, passando de 46 mil em 2015 para 1,2 milhão em 2025. Contudo, a percepção de resolução por parte dos consumidores declinou de 47,6% para 8,9% nesse período. Apenas 776.970 reclamações foram classificadas como resolvidas, representando 16,27% do total. As reclamações resolvidas possuíram nota média de 4,08, enquanto as não resolvidas decaíram para 1,42. O perfil do consumidor foi apresentado pela predominância do sexo masculino, com idade entre 21 e 40 anos e pertencente à região sudeste. Concluiu-se que o estudo analisou profundamente as reclamações do setor financeiro brasileiro, detalhando a eficiência das respostas institucionais e as características populacionais, podendo servir como instrumento para balizar melhorias na satisfação dos consumidores, mitigar propaganda negativa e gerar fidelização no ambiente competitivo.

Palavras-chave: Comportamento; Consumo; KDD; Satisfação do consumidor.

13 de novembro de 2026

A força da IA generativa na construção de relacionamentos emocionais com os consumidores

O marketing evoluiu para uma abordagem centrada no relacionamento, impulsionado pelo avanço da inteligência artificial generativa em canais conversacionais como o WhatsApp. O estudo objetivou identificar a capacidade da inteligência artificial generativa de construir relacionamentos emocionais com consumidores em fluxos de comunicação simulados, considerando elementos como linguagem afetiva, proximidade e personalização. Adotou-se uma abordagem exploratória qualitativa, com procedimento experimental. Aplicou-se um roteiro padronizado de interação em quatro marcas que utilizam IA generativa via WhatsApp. As respostas foram coletadas por observação direta não participante e analisadas segundo critérios como tom de linguagem, presença de elementos afetivos e continuidade do diálogo. Os resultados evidenciaram diferentes níveis de maturidade no uso da IA, destacando sistemas que, configurados com intencionalidade relacional, simularam empatia, mantiveram coerência contextual e sustentaram o vínculo ao longo da jornada, mesmo em situações de ruptura. Concluiu-se que a capacidade da IA generativa de construir relacionamentos emocionais não é inerente à tecnologia, mas depende de seu design estratégico, incluindo definição de persona, estruturação de prompts e uso de memória contextual, reforçando a integração entre tecnologia e estratégia de marketing de relacionamento.

Palavras-chave: Atendimento automatizado; Inteligência artificial conversacional; Linguagem afetiva; Marketing de relacionamento; Personalização.

13 de novembro de 2026

Gestão estratégica do departamento jurídico em seguradora: produtividade, desenvolvimento e uso de ferramentas de suporte

O ambiente securitário, caracterizado por complexidade regulatória e necessidade de eficiência, demanda estruturas organizacionais eficazes. Este estudo analisou como a organização das atividades, a padronização de processos e o uso de ferramentas de apoio influenciaram a produtividade e o desenvolvimento do departamento jurídico de uma seguradora. A pesquisa, de natureza exploratória com abordagem quantitativa e qualitativa, foi realizada por meio de um “survey”. Aplicou-se um questionário estruturado adaptado, baseado em construtos de maturidade de processos do Business Process Management (BPM) e escala Likert, a dez profissionais do departamento jurídico de uma seguradora em São Paulo. Os dados foram analisados por estatística descritiva e qualitativa. Os resultados indicaram um estágio intermediário de maturidade na estruturação dos processos jurídicos, com percepção favorável sobre o planejamento de atividades e a busca por melhoria contínua. Contudo, observaram-se fragilidades na uniformidade da adoção de procedimentos formais e na consistência da aplicação de métodos, especialmente na interação com outras áreas. A estruturação das atividades e a padronização de processos, combinadas ao uso de ferramentas de suporte, associaram-se a maior previsibilidade das demandas, menor variabilidade nas rotinas e maior consistência técnico-jurídica das entregas. Concluiu-se que a adoção de práticas de gestão estratégica e o uso estruturado de ferramentas de suporte contribuíram para o aumento da produtividade e a geração de valor à organização. O estudo ofereceu diretrizes para fortalecer a gestão estratégica do departamento jurídico, enfatizando a formalização de rotinas, o uso de ferramentas tecnológicas e o desenvolvimento de competências, além de aplicar conceitos de BPM ao contexto jurídico corporativo.

Palavras-chave: Business Process Management (BPM); Mecanismos de apoio; Melhoria contínua; Padronização de processos; Produtividade organizacional.

13 de novembro de 2026

Construção de um mapa estratégico para alinhamento de processos e projetos à estratégia corporativa

A capacidade de uma organização alinhar seus esforços à estratégia corporativa mostrou-se fundamental para sua sustentabilidade em mercados competitivos. O objetivo foi construir um mapa estratégico para uma empresa de Engenharia e Construção, utilizando a metodologia Balanced Scorecard, a fim de oferecer um referencial estruturado que fortalecesse o alinhamento entre a área de Processos e Projetos e os objetivos organizacionais. Adotou-se um estudo de caso com abordagem qualitativa, fundamentado no framework do Balanced Scorecard de Kaplan e Norton. A coleta de dados envolveu análise documental e três entrevistas semiestruturadas com executivos da organização, realizadas em dezembro de 2025. Os resultados permitiram a elaboração de um mapa estratégico que evidenciou as relações de causa e efeito entre as perspectivas Financeira, de Clientes, de Processos Internos e de Aprendizado e Crescimento. A validação com a liderança indicou alta aderência do modelo à realidade da empresa, destacando sua contribuição para a clareza estratégica, a priorização de iniciativas e o melhor direcionamento da atuação da área de Processos e Projetos. Concluiu-se que o mapa estratégico representa um instrumento relevante para traduzir a estratégia organizacional e apoiar sua execução, promovendo maior alinhamento interno e uma gestão mais eficaz do portfólio de iniciativas.

Palavras-chave: Alinhamento estratégico; Balanced Scorecard; Gestão de processos; Gestão de portfólio.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade