Análise de características das inundações no extremo sul do Brasil

Abstract

Inundações são desastres naturais, capazes de causar danos catastróficos a depender de sua magnitude, e que têm ocorrido com maior frequência. Eventos de inundações ocorridos em 2020, 2023 e 2024 no Rio Grande do Sul (RS), região localizada ao sul do Brasil, quebraram recordes históricos de registro dos níveis de diversos rios da região. Compreender o comportamento e a variabilidade das inundações é uma forma da humanidade se manter resiliente frente aos desastres, seja para entender como as inundações se deram no passado, seja para se preparar para futuras, ainda mais considerando o contexto atual de mudanças climáticas. Essa pesquisa foca no estudo das inundações em escala regional e tem por objetivo identificar suas causas, compreender sobre a sazonalidade e a influência de fenômenos climáticos, reconhecer diferenças na morfologia das bacias e mapear as áreas inundadas na região do RS. No RS, ocorre 1,6 inundação em média anual por localidade. Ao investigar as causas das inundações ocorridas entre 1980 e 2018, identificou-se que a principal é o excesso de chuvas, quando há chuvas acima da média e o solo está com saturação acima de 90%, inclusive sendo a causa dos eventos de inundações em 2023 e 2024 nas bacias do rio Taquari e do Guaíba. Outras causas como chuvas de curta ou de longa duração foram registradas, principalmente em afluentes do Taquari e do rio Uruguai. Não foram identificados padrões sazonais de inundação na região. Sobre a influência dos fenômenos climáticos, em anos de El Niño há mais eventos de inundação em média, mas nos dez anos com mais inundações registradas, há um equilíbrio entre os anos de neutralidade e El Niño. Analisando diferenças entre bacias hidrográficas, foi identificado que bacias com maior área, perímetro e extensão da rede de drenagem foram as mais expostas a inundações. O perfil da planície de inundação delas é mais próximo da letra “U”, com um crescimento maior da área com baixos tempos de retorno (TR), e uma vazão específica menor para o mesmo TR, em comparação com as menos expostas. Foi implementado o modelo de aprendizado de máquina Naive Bayes para mapeamento com variabilidade espaço-temporal de áreas inundadas, em escala regional, utilizando, principalmente, dados de sensoriamento remoto. O modelo foi treinado para simular inundações na porção oeste do RS, no rio Uruguai. Os resultados obtidos foram satisfatórios, atingindo um índice de sucesso crítico (CSI) de 0,53 e uma acurácia (AC) de 0,95. Quando extrapolado e utilizado para simular inundações na região do Guaíba, no leste do RS, os resultados foram 0,45 para CSI e 0,94 para AC. O modelo demonstrou potencial para prever extensões de inundação com relevância local. A pesquisa realizada pode apoiar o planejamento urbano e a gestão de riscos, contribuindo com a resiliência da sociedade às inundações e aos efeitos das mudanças climáticas.

Floods are natural disasters capable of causing catastrophic damage depending on their magnitude, and they have been occurring more frequently. The recent floods that occurred in 2020, 2023 and 2024 in Rio Grande do Sul (RS), a region located in southern Brazil, have broken historical records for water levels of various rivers in the region. Therefore, understanding the behavior and variability of floods is a way for humanity to remain resilient in the face of disasters, whether to understand how floods occurred in the past or to prepare for future ones, especially considering the current context of climate change caused by global warming. Thus, this research focuses on the study of floods on a regional scale and aims to identify their causes, understand seasonality and the influence of climatic phenomena, recognize differences in basin morphology, and map flooded areas in the hydrological RS region. In RS, an average of 1.6 floods occur annually per locality. By investigating the causes of floods in RS that occurred between 1980 and 2018, it was identified that the main cause is excessive rainfall, when there is above-average rainfall and soil saturation above 90%, which was also the cause of the flood events in 2023 and 2024 in Taquari and Guaíba watersheds. Other causes such as short or long-duration rainfall were recorded in river sections in the Taquari valley and in tributaries of the Uruguay river. No seasonal patterns were identified in flood events in the region. Regarding the influence of the El Niño and La Niña climatic phenomena, El Niño years showed a higher average number of flood events, but in the ten years with the most recorded floods, there is a balance between neutrality and El Niño years. Analyzing differences between flood-prone and non-flood-prone basins, it was identified that basins with larger area, perimeter, and drainage network were more prone to flooding. Their floodplain profile is closer to the letter “U,” with greater area at low return periods (RP) and a lower specific discharge for the same RP compared to non-flood-prone basins. The Naive Bayes machine learning model was implemented for mapping with spatiotemporal variability of flooded areas on a regional scale, mainly using remote sensing data. The model was trained to simulate floods in the western portion of RS, in the Uruguay river. The results obtained were satisfactory, achieving a critical success index (CSI) of 0.53 and an accuracy (AC) of 0.95. When extrapolated to simulate floods in the Guaíba region, in eastern RS, the results were 0.45 for CSI and 0.94 for AC. The model showed potential for predicting flood extents with relevance close to the local scale. This research can support urban planning and risk management, contributing to society’s resilience to floods and climate change effects.