O município de Petrópolis, RJ, devido ao seu clima, relevo e crescimento urbano desordenado, possui longo histórico de desastres. Dentre estes, destacam-se os deslizamentos de terra cujas deflagrações estão relacionadas a eventos pluviométricos de alta intensidade, sendo notórios os deslizamentos ocorridos nos anos de 2011 e de 2022, e que resultaram em 73 e 234 mortes, respectivamente. Importantes ferramentas para a mitigação dos impactos causados por este tipo de desastre, os sistemas de alerta antecipado para deslizamentos (LEWS) processam dados provenientes de sensores (e.g. pluviômetros, sensores de poro-pressão etc.) instalados em áreas de interesse e classificam a probabilidade de ocorrência de um deslizamento a partir das variáveis monitoradas. Esta classificação é utilizada a fim de embasar a tomada de decisão de autoridades e possibilitar a evacuação da área de risco em tempo hábil para a redução de danos. Este trabalho visou investigar a possibilidade de desenvolvimento de um LEWS para o município de Petrópolis, pautado em modelos de machine learning, avaliando o desempenho de diferentes algoritmos, dentre eles Support Vector Machine (SVM), Multilayer Perceptron (MLP) e Random Forest (RF). Também foi avaliada a performance do modelo em termos de generalização espacial, buscando entender a necessidade de treinamento específico para cada região da área de interesse. O treinamento dos modelos foi realizado cruzando as séries históricas de precipitação no período de 2015 a 2024 de uma estação pluviométrica automática do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (CEMADEN) e os registros de ocorrências relacionadas a deslizamentos da Defesa Civil do Município de Petrópolis neste mesmo período de tempo. A escolha do pluviômetro utilizado para o fornecimento da série histórica se deu a partir da análise de características como integridade dos dados, tempo de funcionamento e distância média das ocorrências registradas. Constatou-se que os modelos classificadores baseados em MLP obtiveram os melhores resultados, com os menores índices de falsos negativos e falsos positivos, seguidos pelos modelos baseados em SVM e Random Forest, respectivamente. A melhor configuração de rede neural testada apresentou recall de 1,0, f1-score de 0,8, precision de 0,67 e False Positive Rate (FPR) de 0,018. Além disso, também se constatou que o modelo treinado não era generalizável para todo o município, tendo sido observada expressiva perda de desempenho até mesmo para a estação pluviométrica mais próxima, onde se verificou um acréscimo do número de falsos positivos que refletiu no seu FPR de 0,019 e redução de suas demais métricas (recall = 0,98, f1-score = 0,69 e precision = 0,53). Perdas de desempenho ainda maiores foram observadas para estações mais distantes, sendo as métricas da estação mais distante testada: recall = 1,0, f1-score = 0,17 e precision = 0,09 e FPR = 0,047. Sendo assim, o uso de algoritmos de machine-learning apresentou potencial para a aplicação em LEWS no município de Petrópolis, no entanto ainda é necessário o aprimoramento da metodologia para a espacialização dos resultados.
