Dashboard CIEX — Análise de Impacto de Inundações em Rio Grande/RS
Dashboard web interativo para análise geoespacial do impacto socioeconômico e de infraestrutura de cenários de inundação no município de Rio Grande/RS, desenvolvido pelo Centro de Inteligência em Eventos Extremos (CIEX).
Objetivos
- Quantificar o impacto de cenários de inundação sobre empresas, estabelecimentos de saúde, escolas, infraestrutura urbana, agricultura e uso e cobertura da terra no município de Rio Grande/RS.
- Oferecer uma ferramenta visual e interativa para análise espacial de áreas atingidas, comparando cenários de diferentes magnitudes.
- Apoiar a tomada de decisão em gestão de riscos climáticos e formulação de políticas públicas.
Descrição
A aplicação é um dashboard de página única construído com Next.js + TypeScript, exibindo dados geoespaciais sobre um mapa base vetorial (MapLibre GL). O usuário pode alternar entre cenários de inundação e visualizar, para cada camada, o total de pontos/áreas atingidos e indicadores agregados (KPIs) no painel lateral.
Funcionalidades:
- Alternância entre cenários de inundação com carregamento assíncrono por demanda
- Painel de análise com abas por setor (Empresas, Saúde, Educação, Patrimônio Histórico, Infraestrutura, Agricultura, Cobertura da Terra)
- Heatmap de população (WorldPop) exibido como camada alternável pelo botão "População" no cabeçalho, com KPI de população total e atingida por cenário no topo do painel
- Filtros por setor econômico (CNAE), dependência administrativa, tipo de estabelecimento e tipologia de patrimônio
- Permalink via parâmetro
?cenario=<código> na URL (mais lat/lng/zoom para a posição do mapa)
Base de Dados
| Camada | Fonte | Descrição |
|---|
| Empresas | RAIS (MTE) | Microdados de vínculos empregatícios formais (empregados, massa salarial, CNAE) |
| Educação | Censo Escolar (INEP) | Escolas, matrículas por modalidade, professores e dependência administrativa |
| Saúde | CNES (Ministério da Saúde) | Unidades de saúde, tipo de estabelecimento e quadro de pessoal por categoria |
| Logradouros | Prefeitura de Rio Grande | Arruamento com atributos de drenagem e iluminação pública |
| Quadras | Prefeitura de Rio Grande | Quadras urbanas com código e área |
| Terrenos | Prefeitura de Rio Grande | Lotes com informações de saneamento (água, esgoto, coleta de lixo) |
| Patrimônio Histórico | Levantamento de Patrimônio Histórico — Rio Grande/RS | Bens tombados/inventariados (355 pontos) com nome, endereço e tipologia arquitetônica |
| Uso e Cobertura da Terra | MapBiomas Coleção 10 (2024) | Classes: Silvicultura, Campo Alagado, Formação Campestre, Mosaico de Usos, Restinga Arbórea, Restinga Herbácea |
| Agricultura | MapBiomas Coleção 10 (2024) | Culturas: Soja, Arroz, Outras Lavouras Temporárias |
| População | WorldPop | Grade populacional (hab./pixel) renderizada como heatmap raster; população total e atingida por cenário pré-computadas |
| Cenários de inundação | Modelagem hidrológica | Manchas de inundação vetoriais dos eventos de Setembro de 2023, Maio de 2024 e cenário de sensibilidade "Maio 2024 + 50%" (Maio 2024 com a água 60 cm mais alta; o "+50%" é só o nome herdado do cenário) |
| Mancha de altura da lâmina d'água | Simulação hidrológica por bacias — plataforma Economia Azul (GPEA/FURG) | Nível da Lagoa (16/05/2024, 20h) + Chuva Acumulada (60,8mm) combinados: rasters de profundidade por bacia hidrográfica, estilizados por rampa de cor QGIS (.qml) |
Metodologia
1. Seleção dos atingidos (Python / GeoPandas)
Todos os cruzamentos espaciais são pré-computados offline via junção espacial ponto-em-polígono (ou polígono-em-polígono), utilizando o predicado intersects:
atingidos = gpd.sjoin(camada_base, mancha_inundacao, how="inner", predicate="intersects")
O resultado — apenas as feições que intersectam a mancha de inundação — é exportado como GeoJSON ou FlatGeobuf (.fgb) e servido estáticamente pelo Next.js. Não há processamento espacial no browser.
2. Cálculo dos indicadores por setor
Notação geral: $N$ = conjunto total de feições no município; $\hat{N} \subseteq N$ = conjunto das feições atingidas pelo cenário selecionado. O percentual de impacto para qualquer métrica $m$ é:
$$%,\text{atingido} = \frac{m_{\hat{N}}}{m_N} \times 100$$
Empresas
Cada feição é um estabelecimento com os campos Empregados ($E_i$), Massa_Salarial ($W_i$) e Média Salarial ($\bar{S}_i$):
$$\text{Estabelecimentos} = |\hat{N}|$$
$$\text{Vínculos} = \sum_{i ,\in, \hat{N}} E_i \qquad \text{Massa salarial} = \sum_{i ,\in, \hat{N}} W_i \qquad \text{Média salarial} = \frac{1}{|\hat{N}|}\sum_{i ,\in, \hat{N}} \bar{S}_i$$
Educação
Cada feição é uma escola com os campos qtd_prof ($p_i$) e qtd_matri_k ($m_{k,i}$) para cada modalidade $k$ ∈ {infantil, fundamental, médio, profissional, EJA, especial}:
$$P = \sum_{i ,\in, \hat{N}} p_i \qquad M_k = \sum_{i ,\in, \hat{N}} m_{k,i}$$
Saúde
Cada feição é uma unidade com categoria co_tipo_estabelecimento e colunas de staff staff_k ($c_{k,i}$) para cada categoria $k$ (médicos, enfermagem, farmácia etc.):
$$\text{Unidades por tipo} ;t = |{i \in \hat{N} : \text{tipo}_i = t}|$$
$$C_k = \sum_{i ,\in, \hat{N}} c_{k,i} \qquad %,\text{staff}k = \frac{C{k,,\hat{N}}}{C_{k,,N}} \times 100$$
Logradouros
Cada feição é um segmento de via. A chave de deduplicação é o par (campo tipo, campo nome):
$$R = |{(t_i,, n_i) : i \in \hat{N}}|$$
onde $R$ é o número de ruas únicas atingidas. Os flags drenagem e iluminacao são atributos binários ${0, 1}$:
$$F_s = |{i \in \hat{N} : s_i = 1}|, \quad s \in {\text{drenagem},;\text{iluminacao}}$$
Quadras e Terrenos
Cada feição é uma quadra ou um lote. Contagem simples:
$$\text{Quadras} = |\hat{N}|$$
Para terrenos, os atributos de saneamento são flags binários (agua, coleta_lix, esgoto_plu, condominio):
This is the beginning of the README. Read the rest at the original. Read the full README ↗
