Banca de DEFESA: HAYLLA REBEKA DE ALBUQUERQUE LINS LEONARDO

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: HAYLLA REBEKA DE ALBUQUERQUE LINS LEONARDO
DATA : 03/02/2026
HORA: 09:00
LOCAL: Pós-Graduação Engenharia Civil
TÍTULO:

DIFUSÃO DE TÉCNICAS COMPENSATÓRIAS DE DRENAGEM URBANA UTILIZANDO SENSORIAMENTO REMOTO – CASO DA CIDADE DO RECIFE, PERNAMBUCO

PALAVRAS-CHAVES:

Modelagem hidrológica, Machine Learning, Técnicas compensatórias.

PÁGINAS: 144
RESUMO:

O crescimento urbano acelerado gera desafios significativos para o uso do solo e a gestão dos recursos hídricos, exigindo um planejamento urbano eficaz. Técnicas compensatórias, como telhados verdes e sistemas de captação e armazenamento de água da chuva, são de grande relevância para mitigar os impactos negativos da urbanização, reduzindo o escoamento superficial e melhorando a qualidade do ar, desempenhando um papel fundamental na gestão sustentável das águas pluviais urbanas. Portanto, este trabalho tem por objetivo avaliar o desempenho hidrológico e econômico da implementação de telhados verdes e tanques de armazenamento de água de chuva em área urbana com grandes riscos de alagamentos, a partir da aplicação de técnicas de modelagem e simulações, utilizando métodos de aprendizagem de máquina (Machine Learnnig - ML) e o software Storm Water Management Model (SWMM). A área de estudo foi selecionada e caraterizada a partir de técnicas de clusterização e sensoriamento remoto, utilizando programação em Python e JavaScript, e o software livre QGis 3.16.16. O telhado verde e o telhado de referência foram modelados hidrologicamente, em escala localizada, utilizando ML e o software Hydrus – 1D para avaliar seu desempenho. Em seguida realizou-se a modelagem hidrológica, em escala de bacia urbana, da área de estudo considerando o cenário atual e os cenários com a implementação das técnicas (telhados verdes e tanques de armazenamento de água de chuva), a partir do software SWMM versão 5.0 e do Machine Learning. Por fim, realizou-se a análise financeira considerando os custos governamentais relacionados a danos por alagamentos e os benefícios potenciais do fornecimento de incentivos fiscais para implementação da técnica. Os resultados evidenciaram que a modelagem hidrológica, em escala localizada, com Machine Learning apresentou desempenho superior (R² = 0,86; r = 0,93) ao Hydrus-1D, destacando-se pela precisão e capacidade de generalização na previsão do escoamento superficial, especialmente em cenários com infraestrutura verde. Em escala de bacia urbana, verificou-se que a impermeabilização intensifica picos de vazão, enquanto a adoção de telhados verdes e tanques de armazenamento reduziu em até 35% a vazão de pico, mostrando alta eficácia hidrológica. Os resultados econômicos indicaram que os custos de alagamentos superam amplamente os incentivos fiscais necessários à implementação das técnicas compensatórias, comprovando sua viabilidade financeira e ambiental. Assim, a integração entre modelagem hidrológica, aprendizado de máquina e soluções baseadas na natureza demonstra-se uma estratégia eficiente para mitigação de inundações e promoção de cidades mais sustentáveis e resilientes.

MEMBROS DA BANCA:
Presidente - 2726911 - ANDERSON LUIZ RIBEIRO DE PAIVA
Externo à Instituição - DIEGO CEZAR DOS SANTOS ARAÚJO - UFPE
Interno - 1130841 - JAIME JOAQUIM DA SILVA PEREIRA CABRAL
Externo à Instituição - JAIRO LIZANDRO SCHMITT - UFAL
Externo à Instituição - MARCOS ANTONIO BARBOSA DA SILVA JUNIOR