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):

$$F_s = |{i \in \hat{N} : s_i = 1}|$$

O tipo de esgoto (esgoto_clo) é verificado por equivalência de string — valores aceitos como cloacal: "esgoto_cloacal", "cloacal", "1"; valores aceitos como fossa: "fossa_septica", "fossa".

Uso e Cobertura da Terra / Agricultura

A área de cada feição vetorial $f_i$ é calculada pelo @turf/turf (elipsoide WGS 84, m²) e convertida para hectares:

$$a_i = \frac{\text{area}(f_i)}{10000}$$

O ruído de vetorização do raster MapBiomas (fragmentos $< 0{,}5;\text{ha}$) é removido offline, polígono a polígono e em hectares reais (EPSG:31982), por scripts/filtro_ruido.py, antes de dissolver por classe; o navegador não aplica mais corte. A área total atingida por classe ou cultura $k$ é:

$$A_k = \sum_{\substack{i ,\in, \hat{N},; k_i = k}} a_i \qquad %,\text{área}k = \frac{A{k,,\hat{N}}}{A_{k,,N}} \times 100$$

Patrimônio Histórico

Cada feição é um bem patrimonial (ponto) com os campos Nome, ENDEREÇO e Tipologia. A seleção dos atingidos usa a mesma junção espacial ponto-em-polígono (intersects) das demais camadas de ponto. O campo Tipologia é normalizado no cliente removendo o prefixo numérico de classificação (ex.: "6- Arquitetura Civil Privada" → "Arquitetura Civil Privada"), de modo que categorias duplicadas por prefixo sejam agregadas. As métricas são a contagem total e a distribuição por tipologia:

$$\text{Total} = |\hat{N}| \qquad T_k = |{i \in \hat{N} : \text{tipologia}_i = k}| \qquad %,\text{atingido} = \frac{|\hat{N}|}{|N|} \times 100$$

População

Diferente das demais camadas, a população não é um recorte vetorial: é uma grade populacional (WorldPop) exibida como heatmap raster sobreposto ao mapa. Os valores de população total do município e população atingida por cenário são pré-computados offline e servidos em um único populacao_atingida.json:

$$%,\text{pop. atingida} = \frac{\text{pop. atingida}}{\text{pop. total}} \times 100$$

O KPI de população é lido diretamente desse JSON (não é recalculado no cliente). A imagem raster (populacao.png) é posicionada pelas quatro coordenadas de canto presentes no JSON. A camada é ligada e desligada pelo botão "População" no cabeçalho do mapa; a legenda (gradiente de densidade) e o KPI no painel acompanham o cenário.

Nota sobre o cenário combinado (Nível da Lagoa + Chuva Acumulada). Setembro de 2023, Maio de 2024 e Maio de 2024 + 50% têm população atingida exata, de uma base externa ao CIEX (raster de 100 m). Para o 16/05/2024 não há valor exato: pop_atingida é estimado a partir do populacao.png já renderizado. O canal alfa da imagem correlaciona quase perfeitamente (r ≈ 0,998) com a posição de cada pixel na rampa de cor do heatmap, uma proxy da densidade. O alfa é usado como peso por pixel e o resultado é dividido por um fator de calibração $k$, medido nos três cenários com valor exato (a proxy subestima: razões de 0,52 a 0,61; $k = 0{,}545$ pela razão das somas):

$$\text{pop_atingida} \approx \frac{1}{k},\text{pop_total} \times \frac{\sum_{\text{pixel} ,\in, \text{mancha}} \text{alfa}}{\sum_{\text{pixel}} \text{alfa}}$$

Resultado: 18.000 hab. (9,1%), faixa de 15.900 a 19.000. Ver scripts/estimar_populacao_atingida.py. Um teste com o raster WorldPop de densidade a ~1 km (scripts/gerar_populacao_atingida.py, variável POP_RASTER) foi descartado: manchas pequenas dependem de poucos pixels de 1 km² (Setembro de 2023 saía 15,5% contra 4,0% exato).

Manchas de altura da lâmina d'água (Nível da Lagoa + Chuva Acumulada)

Um cenário adicional que combina duas simulações entregues como rasters de profundidade por bacia hidrográfica pela plataforma Economia Azul (GPEA/FURG), com estilo de visualização definido em QGIS (.qml). Processado por scripts/converter_manchas_altura.py (não altera os conversores dos demais cenários) e tratado como um cenário comum no restante do pipeline — mesma junção espacial intersects/overlay da seção 1, mesmos indicadores por setor da seção 2. A área atingida final é a união das duas simulações.

Nível da Lagoa – 16/05/2024, 20h. Simulação de elevação do nível da lagoa. Fonte: mosaico dos rasters de profundidade das bacias 1–5 e 7 (profundidade_Valor_21_cm_pontosNaMao.tif, EPSG:31982, ~1 m/pixel). Cada pixel é a profundidade da lâmina d'água em cm. Rampa de cor (extraída do .qml, classificationMode="DISCRETE"):

Faixa (cm)	Cor
< 45	transparente
45 – 64	#4b0082 (índigo)
65 – 84	#00ffff (ciano)
85 – 104	#00ff00 (verde)
105 – 124	#ffff00 (amarelo)
125 – 144	#ff7f00 (laranja)
≥ 145	#ff0000 (vermelho)

O limiar ≥ 45 cm (primeira classe visível do .qml) entra na área atingida.

Chuva Acumulada – 60,8 mm. Simulação de acúmulo de água de chuva sobre a área urbana central, para uma precipitação de 60,8 mm. Fonte: mosaico dos rasters das bacias 1–5 (bacia{N}_valor19.tif, EPSG:31982). O pixel armazena um valor de saída do modelo ("valor19"), não diretamente em cm. O .qml (renderizador paletted) classifica de forma quase binária: valor < 86 → transparente; valor 86–253 → lilás #ba82e6 (visível); valor ≥ 254 → transparente novamente (interpretado como água pré-existente — lagoa/canais — e não como alagamento novo pela chuva). Segundo a fonte, o corte inferior (86) corresponde a uma lâmina d'água de aproximadamente 10 cm. Essa classificação é replicada literalmente: apenas pixels com valor entre 86 e 253 entram na área atingida — valores ≥254 ficam de fora.

Combinação. As duas simulações são reprojetadas para uma grade compartilhada (compute_shared_grid/reproject_group). A "área atingida" final é a união booleana das duas máscaras (Lagoa ≥45cm OR Chuva 86–253) — vetorizada com rasterio.features.shapes, dissolvida e simplificada (tolerância sub-métrica, para preservar ruas estreitas alagadas), e usada como a mancha do cenário no cruzamento espacial com as demais camadas. No raster visual, a classificação de profundidade da Lagoa tem prioridade onde as duas simulações se sobrepõem — o lilás da Chuva Acumulada só aparece onde a Lagoa não tem cobertura.

Perdas operacionais. O cenário combinado foi incluído em CENARIOS/CENARIO_PERIODO de calcular_perdas_rio_grande.py, usando os mesmos parâmetros DaLA (dias agudo/recuperação) e coeficientes agrícolas do período "maio_2024".

Danos (/danos) e cotas. A antiga página /perdas virou /danos, com as abas Danos Operacionais (perdas DaLA) e Danos Físicos (exposição por cota; sem R$, porque as máscaras de Rio Grande não têm profundidade). O cenário "Todas as cotas" anima a água por cota (1,00 a 2,6215 m) a partir de arquivos de uma fonte externa ao CIEX. O cálculo de perdas normaliza o CNAE para 5 dígitos.

Renderização. Diferente dos demais cenários (preenchimento de cor única + contorno), este cenário é exibido como imagem raster colorida (Source type="image"), preservando o gradiente/classificação original — ver ALTURA_MANCHAS em app/page.tsx.

3. Formatos de arquivo e desempenho

Formato	Camadas	Motivo
.geojson	Empresas, Educação, Saúde, Patrimônio Histórico, Logradouros, Cenário	Tamanho reduzido, parsing nativo
.fgb (FlatGeobuf)	Cobertura, Agricultura, Quadras, Terrenos	Streaming binário eficiente para arquivos grandes
.png + .json	População	Imagem raster (heatmap) posicionada por coordenadas de canto + métricas pré-computadas por cenário

O FlatGeobuf é carregado em stream via flatgeobuf.geojson.deserialize, sem necessidade de carregar o arquivo inteiro na memória antes de renderizar. Terrenos (~17 MB) solicita confirmação do usuário antes do carregamento.

Dados de base são carregados uma única vez na inicialização. Dados atingidos são carregados sob demanda a cada troca de cenário, com AbortController para cancelar requisições em andamento.

4. Renderização e z-order

Camadas renderizadas em ordem crescente de z-index (determinada pela posição no JSX, sem uso de beforeId):

1. Polígono de inundação (cenário)
2. Heatmap de População (raster, ao fundo)
3. Uso e cobertura da terra
4. Agricultura
5. Infraestrutura (geometrias fill/line/point selecionadas por filtro de tipo)
6. Empresas, Saúde, Educação, Patrimônio Histórico (pontos clusterizados — renderizados por cima)

Pontos são clusterizados automaticamente pelo MapLibre GL (raio 50 px). A bounding box da mancha ativa é calculada via turf.bbox para reposicionamento automático do mapa.

5. Permalink

O cenário ativo é persistido na URL via ?cenario=<código> usando history.replaceState, junto com lat/lng/zoom para a posição do mapa. O código de cada cenário é um identificador curto e legível (CENARIO_URL_SLUGS em app/page.tsx), independente do slug interno usado nos nomes de arquivo (scenarioSlug/slugify) — desacopla a estética do link compartilhável da convenção de nomenclatura dos dados. O código é lido por ref na inicialização (não em useEffect) para evitar re-renderizações desnecessárias e para estar disponível a tempo de influenciar a primeira carga de dados.

---

Dependências

Aplicação (Node.js ≥ 18)

Pacote	Versão	Função
next	^16	Framework React com SSR e servidor estático
react / react-dom	^19	Biblioteca de UI
maplibre-gl	^6	Motor de renderização de mapas vetoriais
react-map-gl	^8	Wrapper React para MapLibre GL
@turf/turf	^7	Cálculos geoespaciais (área, bounding box)
flatgeobuf	^4	Leitura em stream de arquivos .fgb
radix-ui	^1	Primitivos de UI acessíveis (base do shadcn/ui)
lucide-react	^1	Biblioteca de ícones
tailwindcss	^4	Framework CSS utilitário
typescript	^5	Tipagem estática

Instalar com:

pnpm install

Scripts de conversão (Python ≥ 3.10)

Pacote	Função
geopandas	Leitura de shapefiles/GeoJSON e junção espacial (sjoin)
shapely	Operações geométricas (dependência do geopandas)
pandas	Manipulação tabular
numpy	Operações numéricas
rasterio	Leitura e vetorização de rasters GeoTIFF (MapBiomas)

Instalar com:

pip install geopandas shapely pandas numpy rasterio pillow scipy

---

Como Executar

pnpm install
pnpm dev        # http://localhost:3000

pnpm build      # Build de produção
pnpm typecheck  # Verificação de tipos (tsc --noEmit)
pnpm lint       # ESLint
pnpm format     # Prettier

Adicionando um novo cenário

1. Gere os arquivos _ATINGIDOS_ via scripts Python para o novo cenário.
2. Adicione o nome do cenário ao array CENARIOS em app/page.tsx.
3. Coloque os arquivos em public/dados_convertidos/rio_grande/cenarios/.

---

Estrutura do Projeto

app/
  page.tsx          — Componente único Dashboard (~6.250 linhas): todo o estado, lógica e UI
  layout.tsx        — Layout raiz Next.js
  globals.css       — Estilos globais e Tailwind
components/ui/      — Componentes shadcn/ui (card, donut-chart, dropdown, select, skeleton, tabs)
public/
  dados_convertidos/
    populacao_atingida.json — População total/atingida por cenário + coordenadas do raster
    rio_grande/     — GeoJSON, FGB e populacao.png prontos para consumo pelo browser

Os conversores Python (GeoPandas/Rasterio), seus testes e a documentação de processo ficam em scripts/ (converter_*.py, gerar_*.py, sincronizar_dados_externos.py, tests/) e docs/ (dados-externos-rio-grande.md, auditoria-2026-11-08.md, sensibilidade-limiares-mancha-16-05.md). Os insumos grandes (rasters do MapBiomas e outros) não estão no git: veja scripts/data/LEIA-ME.md. pnpm test roda os testes de lib/ e os de scripts/tests/.

---

Autores e Instituições

Grupo de Pesquisa em Economia Azul Instituto de Ciências Econômicas, Administrativas e Contábeis Universidade Federal do Rio Grande — FURG Av. Itália, KM 8, Rio Grande — RS

Centro Interinstitucional de Observação e Previsão de Eventos Extremos (CIEX) Universidade Federal do Rio Grande — FURG Av. Itália, KM 8, CIDEC-SUL, Rio Grande — RS

---

Alisson Tallys Geraldo Fiorentin Doutorando em Economia Aplicada — Universidade Federal do Rio Grande do Sul (UFRGS) ✉ [email protected]

---

Desenvolvido com apoio da Prefeitura Municipal de Rio Grande/RS.

Dados de uso e cobertura da terra: MapBiomas — Coleção 10 (2024). Dados de grade populacional: WorldPop.