Ferramenta Operacional de Apoio à Decisão para o Monitoramento de Alagamentos no Rio de Janeiro
Resumo:
O Rio de Janeiro enfrenta episódios recorrentes de alagamento urbano que impõem impactos socioeconômicos severos e desafiam a capacidade de monitoramento e resposta de centros operacionais como o Centro de Operações Rio (COR.rio). Apesar de possuir uma rede de 4.163 câmeras distribuídas pela cidade, 158 dos 344 clusters de risco catalogados (45,9%) permanecem sem cobertura por videomonitoramento fixo, configurando pontos cegos operacionais de alta relevância.
Esta dissertação propõe e avalia uma abordagem de apoio à decisão para o emprego de Veículos Aéreos Não Tripulados (VANTs) como sensores móveis complementares à infraestrutura fixa do COR.rio, com o objetivo de ampliar a cobertura observacional em áreas críticas de alagamento e reduzir o atraso na inspeção de pontos prioritários. A abordagem adota a lógica de horizonte rolante e formaliza o problema como uma variante do Problema de Roteamento de Veículos com janelas de tempo e prioridade dinâmica.
A base empírica do estudo compreende quatro conjuntos de dados reais associados ao COR.rio: 344 clusters críticos georreferenciados, inventário de 4.163 câmeras com atribuição espacial, 5.971 registros temporais de eventos de alagamento (abril/2023–janeiro/2024, dos quais foram inferidos 276 episódios) e 4.532 ocorrências operacionais com cobertura de 9 anos (2015–2024), cruzadas com os polígonos dos clusters por meio de join espacial ponto-em-polígono. O cruzamento revelou que todos os 158 clusters sem cobertura por videomonitoramento fixo possuem histórico operacional confirmado, validando empiricamente sua classificação como áreas de risco ativo. O dia de referência para simulação foi 27 de agosto de 2023, o evento pontual mais intenso da série, com 558 registros em 27 clusters ativos.
Quatro cenários operacionais foram avaliados por cinco algoritmos: Random, Nearest Neighbor, Greedy MCD, ILS e VNS. Na configuração principal da dissertação, baseada em criticidade enriquecida (combined_score), o Greedy MCD alcançou cobertura ponderada de 7,77% com 1 VANT e 23,32% com 5 VANTs distribuídos. As metaheurísticas ILS e VNS melhoraram os resultados nos cenários não saturados, alcançando até 27,18% de cobertura ponderada no Cenário D. A análise multi-semente confirmou a robustez dos resultados, com médias de 25,17% ± 1,14 ponto percentual para ILS e 26,70% ± 1,08 ponto percentual para VNS. O baseline Nearest evidencia que maximizar o número de visitas, com 30 clusters visitados, não equivale a maximizar a cobertura ponderada, que nesse caso foi de 19,56%, reforçando a necessidade de otimização orientada por criticidade.
A análise de sensibilidade mostra que variações no horizonte de missão (30–90 min) e na velocidade de cruzeiro (20–50 km/h) ampliam significativamente a cobertura: com horizonte de 90 minutos e velocidade de 50 km/h, 3 VANTs distribuídos cobrem 24 clusters e 39,11% da cobertura ponderada total. Os resultados embasam recomendações institucionais para o COR.rio sobre distribuição de bases, dimensionamento de frota e escolha do algoritmo de despacho, demonstrando que VANTs podem atuar como sensores móveis estratégicos para complementar a infraestrutura fixa de monitoramento urbano em eventos de alagamento.
Abstract:
Rio de Janeiro faces recurring urban flooding episodes that impose severe socioeconomic impacts and challenge the monitoring and response capacity of operational centers such as the Centro de Operações Rio (COR.rio). Despite having a network of 4,163 cameras distributed across the city, 158 of the 344 cataloged risk clusters (45.9%) remain without fixed video monitoring coverage, constituting operational blind spots of high relevance.
This dissertation proposes and evaluates a decision support approach for deploying Unmanned Aerial Vehicles (UAVs) as mobile sensors complementary to COR.rio’s fixed monitoring infrastructure, aiming to expand observational coverage in critical flood-prone areas and reduce inspection delays at priority points. The approach employs a rolling horizon logic and formalizes the problem as a variant of the Vehicle Routing Problem with time windows and dynamic priority.
The empirical base comprises four real datasets associated with COR.rio: 344 georeferenced critical clusters, an inventory of 4,163 cameras with spatial attribution, 5,971 temporal flood event records (April 2023–January 2024, from which 276 episodes were inferred), and 4,532 operational occurrence records covering a 9-year period (2015–2024), spatially joined with cluster polygons through a point-in-polygon procedure. The spatial cross-check showed that all 158 clusters without fixed video monitoring coverage have confirmed operational history, empirically validating their classification as active-risk areas. The reference day for simulation was August 27, 2023, the most intense single-day peak in the dataset, with 558 records across 27 active clusters.
Four operational scenarios were evaluated using five algorithms: Random, Nearest Neighbor, Greedy MCD, ILS, and VNS. In the main experimental configuration, based on enriched criticality (combined_score), Greedy MCD achieved weighted coverage from 7.77% with one UAV to 23.32% with five distributed UAVs. ILS and VNS improved coverage in non-saturated scenarios, reaching up to 27.18% in Scenario D. The multi-seed analysis confirmed the robustness of the metaheuristics, with ILS averaging 25.17% ± 1.14 percentage points and VNS averaging 26.70% ± 1.08 percentage points. The Nearest Neighbor baseline shows that maximizing the number of visits, with 30 visited clusters, does not necessarily maximize weighted coverage, which in this case reached 19.56%, reinforcing the need for criticality-oriented optimization.
Sensitivity analysis shows that variations in mission horizon (30–90 min) and cruise speed (20–50 km/h) significantly expand coverage: with a 90-minute horizon and 50 km/h speed, 3 distributed UAVs cover 24 clusters and 39.11% of total weighted coverage. The results support institutional recommendations for COR.rio regarding base distribution, fleet sizing, and dispatch algorithm selection, demonstrating that UAVs can operate as strategic mobile sensors to complement fixed urban monitoring infrastructure during flood events.
Banca examinadora:
Prof. Luiz Satoru Ochi, UFF
Prof. Igor Machado Coelho, UFF
Prof. Esteban Walter Gonzalez Clua, UFF
Prof. Marcone Jamilson Freitas Souza, UFOP