RESUMO O estudo propôs a elaboração de um índice de vulnerabilidade à propagação da COVID-19 utilizando análise multivariada associada à análise geoespacial. O método empregado considerou a vulnerabilidade como uma combinação de três fatores: exposição, susceptibilidade e capacidade de resposta. A metodologia foi composta de seis etapas: seleção e agrupamento de variáveis; definição dos indicadores; normalização; atribuição de pesos via análise dos componentes principais; estimativa e normalização do índice; e classificação por meio das técnicas Jenks, Kmeans, quantis e clusterização hierárquica (Hclust). Foi realizada uma caracterização da exposição da cidade de Fortaleza, Brasil, à COVID-19 por meio da densidade populacional, da quantidade de habitações subnormais e precárias, da porcentagem de idosos por residência e da proximidade a terminais de ônibus. O estudo procurou sobrepor fatores socioeconômicos e índices de abastecimento público e de esgotamento sanitário, para a classificação de setores censitários em cinco níveis de vulnerabilidade. Estes apresentaram, em sua maioria, classe de alta (Jenks e quantis) e moderada (K-means e Hclust) vulnerabilidade. As regiões de maior vulnerabilidade estão localizadas no sul e no oeste da cidade, onde há maior concentração de aglomerados subnormais. Os resultados podem auxiliar no desenvolvimento de estratégias de enfrentamento direcionadas para os grupos mais expostos aos riscos associados à COVID-19, assim como na preparação para futuras crises de saúde pública. A metodologia pode ser replicada para outras cidades e serve como ferramenta para os gestores públicos.

ABSTRACT The study proposes an index of vulnerability to the spread of COVID-19 using multivariate and geospatial analyses. Vulnerability was considered as a combination of exposure, susceptibility, and responsiveness of the population. The methodology consisted of six steps: selection and grouping of variables; definition of indicators; normalization of the variables; weight calculation using principal component analysis; index calculation and normalization; and classification using Jenks, Kmeans, Quantile, and Hclust techniques. The exposure of Fortaleza, Brazil, to COVID-19 was assessed by means of population density, number of subnormal and precarious housing, percentage of aged people per residence and proximity to bus terminals. The study integrates factors related to socioeconomic characteristics, public water supply and sanitation for the classification of census tracts in five levels of vulnerability. Most of them present high (Jenks and Quantile) and moderate (K-means and Hclust) vulnerability. The most vulnerable regions are in the South and West Zones of the city, where many subnormal agglomerates are located. The results can assist the development of coping strategies for the groups most exposed to the risks associated with COVID-19, as well as in the preparation for future public health crises. The methodology can be replicated in other cities and can be useful for public managers.

Resumo Este trabalho tem por objetivo realizar um comparativo de previsão de vazões para a bacia do Orós (Ceará, Brasil) utilizando redes neurais artificiais (RNA) e a técnica de reamostragem dos k-vizinhos. Os modelos foram desenvolvidos a partir da série histórica de 100 anos de dados hidrometeorológicos (temperatura da superfície do mar e vazões). Ambos utilizam como preditores climáticos as temperaturas dos oceanos Atlântico Norte, Atlântico Sul e Pacífico Equatorial e realizam a previsão em julho do regime de vazões do período chuvoso do ano seguinte (janeiro a junho). O modelo k-vizinhos foi elaborado a partir da identificação dos anos vizinhos mais próximos para reamostragem da aproximação, já o modelo de RNA foi formulado a partir dos pesos sinápticos e bias obtidos na etapa de treinamento da rede. Os modelos foram comparados considerando as previsões de vazões para a etapa de teste, utilizou-se como parâmetros comparativos: o coeficiente de eficiência Nash-Suttcliffe (E), o coeficiente de determinação (R²), o diagrama de Taylor (2001) e a razão de máxima verossimilhança. Para todas as variáveis comparativas o modelo neuronal apresentou melhores valores, indicando que este representa de forma mais eficiente o comportamento das vazões para o reservatório.

Abstract The objective of this work is to perform a comparative flow forecast for the Orós basin (Ceará, Brazil) using artificial neural networks (RNA) and k-neighbors re-sampling technique. The models were developed from the historical series of 100 years of hydrometeorological data (sea surface temperature and flows). Both use as predictors the temperatures of the North Atlantic, South Atlantic and Equatorial Pacific oceans, and forecast July in the next year’s rainy season (January to June). The k-neighbors model was elaborated from the identification of the closest neighbor years for the resampling of the approximation, since the RNA model was formulated from the synaptic and bias weights obtained in the training phase of the network. The Nash-Suttcliffe (E) efficiency coefficient, the coefficient of determination (R²), the Taylor diagram (2001) and the coefficient of determination (R²) were used for the validation step. maximum likelihood ratio. For all comparative variables, the neural model presented better values, indicating that this represents more efficiently the behavior of the flows to the reservoir.

A modelagem da previsão de vazões sazonais e interanuais no nordeste brasileiro representa um problema de grande relevância para o uso e gestão dos recursos hídricos; demandando-se dos modelos maior habilidade de previsão. Este ainda é um problema de difícil solução dada à variabilidade sazonal e interanual do clima semiárido. Neste trabalho é apresentada uma forma alternativa para modelagem da previsão climática sazonal a interanual, as redes neurais artificiais (RNA). Para o desenvolvimento do trabalho foi escolhida a bacia hidrográfica do açude Orós, devido a sua importância para os recursos hídricos no Estado do Ceará. Segundo estudos recentes, as temperaturas dos oceanos Atlântico Norte, Atlântico Sul e Pacífico Equatorial podem ser utilizados como preditores climáticos para a região Nordeste de forma satisfatória. O modelo proposto realiza em julho a previsão do regime de vazões do período chuvoso do ano seguinte (janeiro a junho). Este horizonte temporal é de grande relevância para a alocação de água. Dentre os modelos estudados, o que utilizou como entrada a média das anomalias de temperaturas dos meses de abril, maio e junho do ano anterior ao período previsto foi o que apresentou maior eficiência Nash-Suttcliffe (0,80).

The modeling of seasonal and interannual streamflow forecasting at northeastern Brazil represents a great relevance problem to the use and management of water resources; which demands greater prediction ability models. This is still a difficult task to solve due to the seasonal and interannual climate variability at the semi-arid region. This work presents the artificial neural networks (ANN) as an alternative for modeling the seasonal to interannual climate prediction,. For the development of this task the hydropraphic Oros weir Basin was chosen due to its importance as water resources in the State of Ceara. According to recent studies, the temperatures of the North Atlantic, South Atlantic and equatorial Pacific can be satisfactorily as predictors for the Northeast climate. The proposed model predicts, in July, the next rainy season (January to June) river flow regime. This time frame is of great relevance for the allocation of water resources. Among the studied models, those using the average temperature anomalies of April, May and June preceding the predicted year as input data showed the highest Nash-Suttcliffe efficiency (0.80).