Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.ufpe.br/handle/123456789/67757
Comparte esta pagina
Registro completo de metadatos
| Campo DC | Valor | Lengua/Idioma |
|---|---|---|
| dc.contributor.advisor | SANTOS, Sylvana Melo dos | - |
| dc.contributor.author | LEONARDO, Haylla Rebeka de Albuquerque Lins | - |
| dc.date.accessioned | 2026-01-21T14:02:50Z | - |
| dc.date.available | 2026-01-21T14:02:50Z | - |
| dc.date.issued | 2026-01-14 | - |
| dc.identifier.citation | LEONARDO, Haylla Rebeka de Albuquerque Lins. Análise hidrológica e econômica da difusão de técnicas compensatórias de drenagem urbana na Cidade do Recife, Pernambuco. 2026. Tese (Doutorado em Engenharia Civil) - Universidade Federal de Pernambuco, Recife, 2026. | pt_BR |
| dc.identifier.uri | https://repositorio.ufpe.br/handle/123456789/67757 | - |
| dc.description.abstract | 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 incentivos fiscais necessários à implementação das técnicas compensatórias representam, no máximo, 17,61% dos custos em consequência aos alagamentos, evidenciando 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. | pt_BR |
| dc.language.iso | por | pt_BR |
| dc.publisher | Universidade Federal de Pernambuco | pt_BR |
| dc.rights | openAccess | pt_BR |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | pt_BR |
| dc.subject | Modelagem hidrológica | pt_BR |
| dc.subject | Machine learning | pt_BR |
| dc.subject | SWMM | pt_BR |
| dc.title | Análise hidrológica e econômica da difusão de técnicas compensatórias de drenagem urbana na Cidade do Recife, Pernambuco | pt_BR |
| dc.type | doctoralThesis | pt_BR |
| dc.contributor.advisor-co | OLIVEIRA, Leidjane Maria Maciel de | - |
| dc.contributor.authorLattes | http://lattes.cnpq.br/1048859922511937 | pt_BR |
| dc.publisher.initials | UFPE | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.degree.level | doutorado | pt_BR |
| dc.contributor.advisorLattes | http://lattes.cnpq.br/8105189048452016 | pt_BR |
| dc.publisher.program | Programa de Pos Graduacao em Engenharia Civil | pt_BR |
| dc.description.abstractx | Accelerated urban growth generates significant challenges for land use and water resources management, requiring effective urban planning. Compensatory techniques, such as green roofs and rainwater harvesting and storage systems, are highly relevant for mitigating the negative impacts of urbanization by reducing surface runoff and improving air quality, thus playing a fundamental role in sustainable urban stormwater management. Therefore, this study aims to evaluate the hydrological and economic performance of implementing green roofs and rainwater storage tanks in an urban area with a high risk of flooding, based on the application of modeling techniques and simulations using machine learning (ML) methods and the Storm Water Management Model (SWMM). The study area was selected and characterized using clustering techniques and remote sensing, employing Python and JavaScript programming and the open-source software QGIS 3.16.16. The green roof and the reference roof were hydrologically modeled at a local scale using ML and the Hydrus-1D software to assess their performance. Subsequently, hydrological modeling at the urban watershed scale was performed for the study area, considering the current scenario and scenarios with the implementation of the techniques (green roofs and rainwater storage tanks), using SWMM version 5.0 and machine learning. Finally, a financial analysis was conducted considering governmental costs related to flood damages and the potential benefits of providing tax incentives for the implementation of the techniques. The results showed that local-scale hydrological modeling using machine learning exhibited superior performance (R² = 0.86; r = 0.93) compared to Hydrus-1D, standing out for its accuracy and generalization capacity in predicting surface runoff, especially in scenarios with green infrastructure. At the urban watershed scale, impermeabilization was found to intensify peak flows, whereas the adoption of green roofs and rainwater storage tanks reduced peak discharge by up to 35%, demonstrating high hydrological effectiveness. The economic results indicated that the tax incentives required for the implementation of compensatory techniques represent, at most, 17.61% of the costs associated with flooding, evidencing their financial and environmental feasibility. Thus, the integration of hydrological modeling, machine learning, and nature-based solutions proves to be an efficient strategy for flood mitigation and for promoting more sustainable and resilient cities. | pt_BR |
| dc.contributor.advisor-coLattes | http://lattes.cnpq.br/0036923505084083 | pt_BR |
| dc.contributor.authorORCID | https://orcid.org/0000-0001-6404-3366 | pt_BR |
| dc.contributor.advisorORCID | https://orcid.org/0000-0003-3106-5301 | pt_BR |
| dc.contributor.advisor-coORCID | https://orcid.org/0000-0003-1251-6998 | pt_BR |
| Aparece en las colecciones: | Teses de Doutorado - Engenharia Civil | |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| TESE Haylla Rebeka de Albuquerque Lins Leonardo.pdf | 9.6 MB | Adobe PDF | ![]() Visualizar/Abrir |
Este ítem está protegido por copyright original |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons

