Modelo preditivo para avaliar a demanda de itens humanitários em casos de desastres associados a eventos climáticos extremos

Abstract

O estado de Santa Catarina (SC) apresenta uma vulnerabilidade significativa de eventos climáticos extremos, como enchentes, deslizamentos de terra e tempestades severas. Neste contexto, a Logística Humanitária (LH) assume um papel imprescindível na mitigação das perdas humanas e materiais, visando proporcionar um atendimento rápido e eficiente às áreas atingidas. A falta da aplicação de sistemas de previsão precisos e metodologias de resposta eficazes exacerba a vulnerabilidade dessas regiões, tornando-as mais suscetíveis a danos catastróficos. O objetivo deste trabalho é propor um modelo preditivo baseado em Machine Learning (ML) para estimar a demanda de itens de assistência humanitária solicitados à Secretaria de Defesa Civil de Santa Catarina (SEDEC/SC) em casos de desastres naturais. A partir desta proposta pretende-se o planejamento da LH frente ao aumento previsto de desastres hidroclimatológicos no estado. A metodologia adotada segue uma adaptação do processo de Descoberta de Conhecimento em Bases de Dados (KDD) , utilizando dados históricos de solicitações da SEDEC/SC , registros de eventos de desastre (CEMADEN) e dados meteorológicos (INMET). Os dados foram modelados dimensionalmente para integrar os indicadores climáticos com os registros de desastres e as solicitações de itens. A análise exploratória indicou predominância de eventos climatológicos e meteorológicos, como Chuvas Intensas e Estiagem, levando à exclusão dos eventos hidrológicos no treinamento. O modelo final é um pipeline preditivo de quatro etapas — previsão da ocorrência, tipo de evento, itens e quantidade — executado pelo algoritmo XGBoost em todas as fases. O XGBoost foi selecionado por apresentar métricas superiores de acurácia e F1-Score, além da melhor capacidade de captar a distribuição das quantidades solicitadas na previsão das variáveis contínuas.