A inteligência artificial aplicada à prevenção de desastres naturais acaba de ganhar um reforço estratégico no Brasil. Uma pesquisa inédita, conduzida pelo Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden) em parceria com o INPE e o Serpro, desenvolveu um modelo que torna as previsões de enxurradas significativamente mais confiáveis.
O grande diferencial da nova tecnologia é a capacidade de incorporar as incertezas presentes nos dados climáticos.
Enquanto a maioria dos sistemas atuais trabalha com previsões determinísticas, que indicam apenas um resultado possível, o novo modelo utiliza aprendizado de máquina para entender as limitações de sensores e falhas de medição, oferecendo um grau de confiança real para cada alerta emitido.
Inovação com o modelo UAE-ML
Publicado na revista científica Transactions in GIS em maio de 2026, o estudo introduz o modelo Uncertainty-Aware Ensemble for Machine Learning (UAE-ML).
Em vez de um valor único, a ferramenta gera faixas de previsão probabilísticas. Isso significa que, em situações de risco, o sistema informa não apenas o comportamento do rio, mas o quanto aquela informação é segura para a tomada de decisão.
A pesquisa resultou em quatro contribuições principais para o setor:
Criação de uma base pública com cinco anos de dados de alta resolução (2019 a 2023);
Metodologia para analisar como erros de sensores afetam as previsões;
Desenvolvimento do modelo probabilístico UAE-ML;
Novas métricas para medir a robustez dos sistemas de alerta.
Para Jaqueline Soares, tecnologista do Cemaden e principal autora do trabalho, o foco é tornar os sistemas operacionais mais robustos.
Segundo a pesquisadora, a análise explícita de incertezas permite que o modelo seja mais resiliente em cenários reais, onde os dados nem sempre são perfeitos.
Teste prático em Nova Friburgo
A eficácia do sistema foi testada na bacia do rio Bengalas, em Nova Friburgo, no Rio de Janeiro. A região é conhecida pelo relevo acidentado e pelo histórico de desastres, como a tragédia de 2011.
Os pesquisadores analisaram mais de 73 mil registros, testando cinco técnicas diferentes de aprendizado de máquina com previsões de até 6 horas de antecedência.
Os resultados mostraram que modelos extremamente precisos em situações normais podem falhar quando os dados são incertos. Por isso, a equipe defende uma avaliação que considere não apenas a precisão, mas também o custo computacional e a robustez.
Essa abordagem é essencial para que a Defesa Civil tenha tempo hábil e segurança técnica para agir.
A expectativa é que a metodologia seja integrada aos sistemas de alerta precoce do Cemaden, fortalecendo as políticas públicas de prevenção.
Com a abertura da base de dados para a comunidade científica, o projeto também incentiva novos avanços na área de inteligência artificial voltada para a segurança da população brasileira.