Resilient flood monitoring networks: prioritizing gauges with an eXplainable AI approach

Abstract

O monitoramento e a previsão eficazes de cheias são fundamentais para os modernos Sistemas de Alerta Antecipado de Inundações (FEWS), especialmente à medida que as mudanças climáticas e a urbanização intensificam a vulnerabilidade hidrológica, aumentando a necessidade de estruturas de modelagem de cheias mais adaptativas. Embora modelos de Aprendizado de Máquina (ML), como o Perceptron Multicamadas (MLP) utilizado nesta pesquisa, ofereçam ferramentas poderosas para previsões rápidas e precisas do nível d’água, sua efetividade operacional é frequentemente comprometida por dois principais desafios: o aspecto operacional das redes de monitoramento, sensíveis à qualidade dos dados, e a natureza “caixa-preta” dos próprios modelos ML. Diante disso, esta pesquisa investiga uma metodologia integrada que utiliza Inteligência Artificial Explicável (XAI) não apenas para aumentar a transparência dos modelos, mas também como ferramenta para avaliar a resiliência da rede e priorizar estações de monitoramento críticas. A metodologia é aplicada à Bacia do Rio Piracicaba, em São Paulo, Brasil, com foco na cidade de Piracicaba, onde as inundações são um problema histórico em meio ao crescimento urbano. Para prever o nível d’água em horizontes de 3 a 24 horas, foi criado um conjunto de modelos MLP, empregando dados de 16 estações hidrometeorológicas. Um algoritmo de deterioração de dados que simula a falha progressiva e contínua de sensores foi utilizado para testar a resiliência da rede (perda de dados de 10% a 100%), quantificando o impacto por meio do coeficiente de Eficiência de Nash-Sutcliffe (NSE). Simultaneamente, a metodologia SHAP (SHapley Additive exPlanations) foi aplicada para elucidar algumas das decisões do modelo, medindo a contribuição de cada estação nas previsões e oferecendo uma fundamentação para a interpretação hidrológica. O alinhamento entre os testes empíricos de deterioração e as interpretações baseadas em XAI fornece evidências de que o modelo conseguiu aprender processos hidrologicamente coerentes. Para previsões de curto prazo (3 horas), a precisão do modelo mostrou-se mais sensível à falha da estação imediatamente a montante (713), refletindo a dinâmica de propagação da cheia rio abaixo. Para horizontes mais longos (24 horas), a importância deslocou-se para estações de meia bacia (55), indicando que o modelo capturou a física do tempo de propagação da onda de cheia. Outro achado emergiu ao testar uma rede reduzida composta apenas pelas cinco estações mais importantes: embora precisa com menos estações, essa rede “otimizada” mostrou-se criticamente frágil, refletindo o fato de que estações consideradas redundantes se revelam fundamentais para a resiliência de todo o sistema. O trabalho introduz uma nova abordagem que vai além da tradicional modelagem de acurácia, focando em uma avaliação mais profunda e voltada à resiliência de redes de monitoramento hidrometeorológico. Ao combinar testes empíricos de estresse com métodos de XAI, a intenção é oferecer uma abordagem mais clara e fundamentada em dados para a manutenção estratégica e a priorização dos recursos operacionais, aumentando a confiabilidade dos EWS em um contexto hidroclimático cada vez mais incerto.