The use of machine learning to address floods

a case study of the Municipality of Pelotas

Autores

  • Rodrigo Nobre Fernandez Universidade Federal de Pelotas (UFPEL), Pelotas – RS, Brasil 0000-0001-8596-2898
  • Gabrielito Rauter Menezes Universidade Federal de Pelotas (UFPEL), Pelotas – RS, Brasil 0000-0001-7649-5132
  • Greike Maia Aguiar Universidade Federal de Pelotas (UFPEL), Pelotas – RS, Brasil 0009-0009-7605-4850
  • Naurienni Dutra Freitas Universidade Federal de Pelotas (UFPEL), Pelotas – RS, Brasil 0000-0002-9170-9669

DOI:

https://doi.org/10.21874/rsp.v76i3.11285

Palavras-chave:

machine learning, artificial neural networks, disaster management, public policy, decision-making

Resumo

This study evaluates the effectiveness of applying artificial neural networks as a decision-support tool during natural disasters, focusing on the floods that occurred in Pelotas, Rio Grande do Sul, in 2024. Using a machine learning approach, the study analyzes whether the decisions made by the municipal government were conservative or flexible by comparing water level forecasts with the implemented actions. Based on time series data from the São Gonçalo Channel, the results indicate that the model's predictions generally aligned with public policies, though they slightly overestimated water levels. The findings suggest that integrating predictive models based on artificial intelligence can enhance the effectiveness of public policies and risk management during climate emergencies. This study contributes to the literature by demonstrating the potential of data science techniques for public managers, aiding in damage mitigation and the formulation of proactive civil protection strategies.

Downloads

Não há dados estatísticos.

Biografia do Autor

Rodrigo Nobre Fernandez, Universidade Federal de Pelotas (UFPEL), Pelotas – RS, Brasil

Doutor em Economia (ênfase: Economia Aplicada) pela Universidade Federal do Rio Grande do Sul (UFRGS). Professor do Departamento de Economia da Universidade Federal de Pelotas (UFPEL) e do Programa de Pós-Graduação em Organizações e Mercados (Mestrado/Doutorado em Economia Aplicada).

Gabrielito Rauter Menezes, Universidade Federal de Pelotas (UFPEL), Pelotas – RS, Brasil

Doutor em Economia Aplicada pela Universidade Federal do Rio Grande do Sul (UFRGS). Professor Adjunto e Líder do grupo de pesquisa LabReg da Universidade Federal de Pelotas (UFPel)

Greike Maia Aguiar, Universidade Federal de Pelotas (UFPEL), Pelotas – RS, Brasil

Doutorando no Programa de Pós-Graduação em Economia (PPGOM) na Universidade Federal de Pelotas. Bacharel em Sistemas de Informação pela Faculdade Santa Maria de Recife (FSM). MBA em em Administração de Banco de Dados pela Associação de Docentes da Universidade Estácio de Sá. (ADESA). Pesquisador no LabReg (Laboratório de Economia Regional).

Naurienni Dutra Freitas, Universidade Federal de Pelotas (UFPEL), Pelotas – RS, Brasil

Doutor em Economia (ênfase: Economia Aplicada) pela Universidade Federal do Rio Grande do Sul (UFRGS). Professor do Departamento de Economia da UFPEL e do Programa de Pós-Graduação em Organizações e Mercados (Mestrado/Doutorado em Economia Aplicada).

Referências

Aguilar, A., & Vicarelli, M. (2022). El niño and children: Medium-term effects of early-life weather shocks on cognitive and health outcomes. World Development, v. 150, p. 105690.

Benson, C., & Clay, E. (2004). Understanding the economic and financial impacts of natural disasters. [s.l.] The World Bank.

Brasil. (2011). Lei nº 12.527, de 18 de novembro de 2011. Regula o acesso a informações previsto no inciso XXXIII do art. 5º, no inciso II do § 3º do art. 37 e no § 2º do art. 216 da Constituição Federal. Diário Oficial da União: seção 1, Brasília, DF, ano CXLVIII, n. 221, p. 1, 18 nov. 2011. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2011-2014/2011/lei/l12527.htm. Acesso em: 9 jun. 2025.

Cavallo, E. et al. (2013). Catastrophic natural disasters and economic growth. Review of Economics and Statistics, v. 95, n. 5, p. 1549–1561.

Goodfellow, Ian, Bengio, Yoshua, & Courville, Aaron. (2016). Deep learning. Cambridge: MIT Press.

Greene, William H. (2012). Econometric analysis. 7. ed. Upper Saddle River, NJ: Pearson Education.

Gujarati, D. N., & Porter, D. C. (2022). Basic econometrics. 6. ed. New York: McGraw-Hill Education.

Hallegatte, Stéphane, Hourcade, Jean-Charles, & Dumas, Patrice. (2007). Why economic dynamics matter in assessing climate change damages: illustration on extreme events. Ecological Economics, v. 62, n. 2, p. 330–340.

Horwich, G. (2000). Economic lessons of the Kobe earthquake. Economic development and cultural change, v. 48, n. 3, p. 521–542.

Hsiang, Solomon M., & Jina, Amir S. (2014). The causal effect of environmental catastrophe on long-run economic growth: evidence from 6,700 cyclones. NBER Working Paper.

IBGE. (2024). Instituto Brasileiro de Geografia e Estatística. Panorama do município de Pelotas, RS. Disponível em: https://cidades.ibge.gov.br/brasil/rs/pelotas/panorama. Acesso em: 24 jul. 2024.

Imberman, S. A., Kugler, A. D, & Sacerdote, B. I. (2012). Katrina’s children: Evidence on the structure of peer effects from hurricane evacuees. American Economic Review, v. 102, n. 5, p. 2048–2082.

Lima, Marcelo, & Barbosa, João. (2018). The economic impact of the 2008 flood in Santa Catarina, Brazil: Direct and indirect effects. Journal of Environmental Economics, v. 12, n. 2, p. 345–367,.

Liu, W., Ouyang, C., Tang, Y., & He, S. (2024). Reproduction of the chain process of debris flow blocking river at a catchment scale: a numerical study. Bulletin of Engineering Geology and the Environment, 83(12), 1–16.

Martínez, Francisco, Charte, Francisco, Frías, Maria Pílar, & Martínez-Rodriguez, Ana María. (2022). Strategies for time series forecasting with generalized regression neural networks. Neurocomputing.

Melecky, Martin, & Raddatz, Claudio. (2015). Fiscal responses after catastrophes and the enabling role of financial development. World Bank Economic Review, v. 29, n. 1, p. 129–149.

Mori, Hiroshi, Kimura, Ryo, & Tanaka, Koji. (2020). Flood forecasting with machine learning: A case study in Japan. Natural Hazards and Earth System Sciences.

Niquito, Teresa et al. (2021). Human-made disasters and economic impact for a developing economy: evidence from Brazil. Natural Hazards, v. 35, n. 1, p. 89–101.

Noy, I. (2009). The macroeconomic consequences of disasters. Journal of Development economics, v. 88, n. 2, p. 221–231.

Oliveira, V. H. de, Lee, I., & Quintana-Domeque, C. (2023). Natural disasters and early human development: Hurricane Catarina and infant health in Brazil. Journal of Human Resources, v. 58, n. 3, p. 819–851.

Pelotas. (2024). Decreto nº 6.871, de 11 de maio de 2024. Autoriza a comunicação entre sistemas e o consumo automatizado de dados para acesso e compartilhamento, regulamentando a identificação de pessoas, gestão de informações e necessidades de desabrigados, no âmbito do Município de Pelotas. Pelotas: Prefeitura Municipal de Pelotas, 2024.

Pelotas. (2024). Decreto nº 6.873, de 13 de maio de 2024. Dispõe sobre medidas complementares em razão do estado de calamidade pública no Município de Pelotas, pelo evento adverso Chuvas Intensas, conforme Decreto Municipal nº 6.872, de 13 de maio de 2024. Pelotas: Prefeitura Municipal de Pelotas, 2024.

Pelotas. (2024). Decreto nº 6.874, de 13 de maio de 2024. Institui medidas e procedimentos para recebimento de doações relacionadas à situação de anormalidade declarada no Município de Pelotas, visando a mitigação dos danos relacionados ao estado de calamidade, instituído pelo Decreto Municipal nº 6.872, de 13 de maio de 2024. Pelotas: Prefeitura Municipal de Pelotas, 2024.

Pelotas. (2024). Lei nº 7.354, de 17 de julho de 2024. Institui o programa de estímulo à recuperação dos danos sociais e materiais dos atingidos pelas adversidades decorrentes do estado de calamidade pública, denominado Força Pelotas. Regulamentada pelo Decreto nº 6.901/2024. Pelotas: Prefeitura Municipal de Pelotas, 2024.

R Core Team. (2024). R: A language and environment for statistical computing. Version 4.4.2. Vienna: R Foundation for Statistical Computing, 2024. Available at: https://www.r-project.org/.

Ribeiro, F. G. et al. (2014). O impacto econômico dos desastres naturais: o caso das chuvas de 2008 em Santa Catarina. Planejamento e Políticas Públicas, n. 43.

Skidmore, M., & Toya, H. (2002). Do natural disasters promote long‐run growth? Economic inquiry, v. 40, n. 4, p. 664–687.

Souza, R. M., & Cerqueira, D. (2019). Desastres e desempenho econômico: avaliação do impacto do rompimento da barragem de Mariana. Geosul, v. 34, n. 70, p. 406–423. Disponível em: <https://periodicos.ufsc.br/index.php/geosul/article/view/2177-5230.2019v34n70p406/38527>. Acesso em: 29 nov. 2024.

Toya, H., & Skidmore, M. (2007). Economic development and the impacts of natural disasters. Economics letters, v. 94, n. 1, p. 20–25.

Wink Junior, M. V. et al. (2023). Natural disasters and poverty: evidence from a flash flood in Brazil. Environment, Development and Sustainability, p. 1–22.

Zhang, B., Ouyang, C., Cui, P., Xu, Q., Wang, D., Zhang, F., & Zhang, Q. (2024). Deep learning for cross-region streamflow and flood forecasting at a global scale. The Innovation, 5(3).

Xu, Q., Shi, Y., Bamber, J. L., Ouyang, C., & Zhu, X. X. (2024). Large-scale flood modeling and forecasting with FloodCast. Water Research, 264.

Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data. 2. ed. Cambridge, MA: MIT Press.

Downloads

Publicado

2025-10-01

Como Citar

Nobre Fernandez, R., Rauter Menezes, G., Maia Aguiar, G., & Dutra Freitas, N. (2025). The use of machine learning to address floods: a case study of the Municipality of Pelotas. Revista Do Serviço Público, 76(3), 440-459. https://doi.org/10.21874/rsp.v76i3.11285

Edição

v. 76 n. 3 (2025): Revista do Serviço Público, v.76, n.3, 2025

Seção

Artigos

Licença

Copyright (c) 2025 Revista do Serviço Público

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.

- A RSP adota a licença Creative Commons (CC) do tipo Atribuição – Uso Não-Comercial (BY-NC).

- A licença permite que outros remixem, adaptem e criem obra licenciada, sendo proibido o uso com fins comerciais.

- As novas obras devem fazer referência ao autor nos créditos e não podem ser usadas com fins comerciais, porém não precisam ser licenciadas sob os mesmos termos dessa licença.

- Ao publicar o artigo na RSP, o autor cede e transfere para a ENAP os direitos autorais patrimoniais referentes ao artigo.

- O artigo publicado na RSP não poderá ser divulgado em outro meio sem a devida referência à publicação de origem.

- O autor que tiver o artigo publicado na RSP deverá assinar o Termo de Concessão de Direitos Autorais (em momento oportuno a editoria da Revista entrará em contato com o autor para assinatura do Termo).