Integração de drones, modelagem de redes de evacuação e deep learning para gestão operacional em eventos extremos

Abstract

Desastres causados por fenômenos hidrológicos têm se intensificado globalmente, ampliando perdas humanas e desencadeando uma série de efeitos sistêmicos, como ruptura de equipamentos urbanos, paralisação de serviços essenciais, prejuízos econômicos persistentes e danos ambientais. Nesse contexto, esta tese investiga como produtos de sensoriamento remoto de alta resolução (GSD ≤ 5cm), obtidos por drones com sensores RGB e integrados a métodos de geoprocessamento, análise espacial e inteligência artificial, podem apoiar a gestão operacional em eventos extremos, do diagnóstico inicial à tomada de decisão em campo. A questão central é avaliar em que medida essa combinação gera informações acionáveis, comparáveis e replicáveis para o cenário brasileiro. O estudo estrutura-se em três frentes complementares: (i) avaliação de bases cartográficas de acesso aberto para caracterização rápida do ambiente ocupado em áreas afetadas por desastres hidrológicos, por meio da comparação com produtos aerofotogramétricos; (ii) um framework de criação de rotas para evacuação pedestre sob inundação urbana, com correção topológica da rede viária e incorporação de variáveis topográficas como custo de deslocamento; e (iii) desenvolvimento e teste de um fluxo de segmentação semântica em ortofotos para detecção e mapeamento de detritos pós-inundação, com redes neurais convolucionais (U-Net). Os resultados indicam que, apesar de limitações espectrais, imagens RGB de drones, quando combinadas à validação explícita e fluxos metodológicos consistentes, geram produtos úteis para resposta a desastres. Conclui-se que a tese responde à questão central ao demonstrar a viabilidade técnica e operacional da integração proposta e ao oferecer um arcabouço replicável para instituições públicas e pesquisa aplicada, fortalecendo ações de preparação, resposta e recuperação em desastres hidrológicos urbanos.

Disasters caused by extreme hydrological events have intensified globally, increasing human losses and leading to a range of systemic effects, such as the disruption of urban infrastructure, the paralysis of essential services, persistent economic losses, and environmental damage. In this context, this thesis investigates how high resolution remote sensing products (GSD ≤ 5cm), acquired by drones equipped with RGB sensors and integrated with geoprocessing methods, spatial analysis, and artificial intelligence, can support operational management during extreme events, from initial diagnosis to field decision-making. The central question is to evaluate the extent to which this combination generates actionable, comparable, and replicable information for the Brazilian scenario. The study is structured into three complementary fronts: (i) the evaluation of open-access cartographic databases for the rapid characterization of the built environment in areas affected by hydrological disasters, through comparison with aerial photogrammetric products; (ii) a framework for creating pedestrian evacuation routes during urban flooding, featuring the topological correction of the road network and the incorporation of topographic variables as displacement costs; and (iii) the development and testing of a semantic segmentation workflow on orthomosaics for the detection and mapping of post-flood debris, using Convolutional Neural Networks (U Net). The results indicate that, despite spectral limitations, RGB drone imagery, when combined with explicit validation and consistent methodological workflows, yields useful products for disaster response. The thesis concludes by answering the central question, demonstrating the technical and operational feasibility of the proposed integration, and offering a replicable framework for public institutions and applied research, thereby strengthening preparedness, response, and recovery actions in urban hydrological disasters.