O presente trabalho aplica Técnicas de Séries Temporais em R para investigar dados de acidentes ambientais registrados no SIEMA – Sistema Nacional de Emergências Ambientais, instituído pela Instrução Normativa IBAMA nº 15, de 06 de outubro de 2014 (Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis, 2014).
O SIEMA disponibiliza registros datados e georreferenciados de ocorrências ambientais em todo o território brasileiro, possibilitando a análise de padrões temporais de frequência, gravidade e tipologia desses acidentes. Essas informações são fundamentais para monitorar metas dos Objetivos de Desenvolvimento Sustentável (ODS), em especial as metas 12.4 (gestão de resíduos), 13.1 (resiliência a desastres), 14.1 (redução da poluição marinha) e 15.5 (proteção da biodiversidade) (United Nations, 2015).
stats::decomposeou STL);Relevância
Compreender a evolução temporal dos acidentes ambientais auxilia na formulação de políticas públicas de prevenção, resposta e mitigação de impactos socioambientais.
O registro sistemático e a análise temporal de acidentes ambientais são etapas cruciais para prevenir danos socioambientais, otimizar o uso de recursos públicos e cumprir compromissos internacionais assumidos pelo Brasil. A Instrução Normativa IBAMA nº 15/2014 instituiu o SIEMA justamente para consolidar essas informações (Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis, 2014). Entretanto, lacunas de classificação e ausência de dicionário de dados dificultam a extração de indicadores confiáveis.
Nesse sentido, aplicar técnicas de séries temporais em R oferece três benefícios principais:
Identificação de tendências e sazonalidade
Ferramentas clássicas como forecast e fpp2 permitem decompor séries e detectar picos ou períodos críticos, fornecendo subsídios à gestão preventiva (Hyndman; Athanasopoulos, 2018; Hyndman; Khandakar, 2008).
Apoio às políticas públicas
Ao quantificar padrões de frequência e gravidade, os resultados direcionam investimentos em fiscalização e mitigação, alinhando‐se às metas 12.4, 13.1, 14.1 e 15.5 da Agenda 2030 (United Nations, 2015).
Transparência e reprodutibilidade
O uso de pacotes abertos (readr, dplyr, ggplot2, entre outros), além da disponibilização do código no formato Quarto, favorecem auditoria e reutilização por órgãos públicos, pesquisadores e sociedade civil.
Assim, o presente estudo se justifica tanto pela relevância ambiental e econômica dos acidentes investigados quanto pela necessidade de aprimorar a base de evidências que sustenta decisões governamentais voltadas à sustentabilidade.
No âmbito metodológico, a implementação e a replicação dos resultados foram conduzidas na versão mais recente do ambiente R (R Core Team, 2024), assegurando reprodutibilidade e transparência. A preparação dos dados foi conduzida com pacotes do ecossistema tidyverse – readr, dplyr, tidyr e ggplot2 – que oferecem uma gramática consistente para importação, transformação e visualização (Wickham; Grolemund, 2019).
Para modelagem utilizamos:
forecast – funções clássicas de suavização exponencial, ARIMA e suas variantes (Hyndman; Khandakar, 2008);fpp2 – conjunto de dados e funcionalidades didáticas (Hyndman; Athanasopoulos, 2018);stats – decomposição STL (Seasonal-Trend decomposition) (Cleveland et al., 1990).Já a decomposição sazonal foi realizada via STL (Seasonal-Trend Decomposition) (Cleveland et al., 1990), técnica robusta para separar componentes de tendência, sazonalidade e ruído em dados ambientais.
Os resultados gráficos foram produzidos com ggplot2 e convertidos em visualizações interativas via plotly; as tabelas são formatadas com knitr. Para exportação do documento em PDF e captura de widgets em PNG emprega-se webshot2. Todo o código foi executado na versão do ambiente R 4.4.3 (R Core Team, 2024).
# principais pacotes utilizados
required_pkgs <- c(
"readr",
"dplyr",
"stats",
"ggplot2",
"fpp2",
"forecast",
"ggplot2",
"tidyr",
"plotly",
"lubridate",
"knitr",
"webshot2"
)
# instalação automática (opcional)
for (p in required_pkgs) if (!require(p, character.only = TRUE)) install.packages(p)A função read.csv() é uma variação da função read.table() da base do R, já configurada para ler arquivos .csv no formato padrão com separador de vírgula. Contudo, o CSV que estamos utilizando está formatado com a separação em ponto e vírgula.
csv_file = "adm_comunicacidente_p.csv"
dados_acidentes = read.csv(csv_file, ";", header = TRUE)
cat("Quantidade de registros: ", nrow(dados_acidentes), "\n")Quantidade de registros: 13755 Apesar do conjunto de dados fornecido não estar atrelado a um dicionário de dados, infere-se que a coluna legado caracteriza registros que foram realizados por meio de um sistema legado ou não. Considerando o exposto, para fins de análise, optou-se pela utilização apenas dos dados do SIEMA, desconsiderando-se, consequentemente, os dados legados.
Tal opção justifica-se pelas insconsistências e lapsos temporais identificados nos dados analisados. O processo de recorte dos dados desejados acontece conforme segue, por meio da função filter.
dados_siema <- dados_acidentes %>% filter(legado == "f") Uma vez que os dados foram filtrados e os registros de sistema legado foram descartados, optou-se, na sequência, por selecionar apenas os registros que possuem data de ocorrência, considerando que este dado tem caráter temporal e é essencial para uma análise de séries temporais.
Nesse processo, aproveitou-se para formatar os campos de datas com o formato adequado para as análises futuras. Além disso, também identificamos a necessidade de correção de 9 (nove) campos de datas, pois, os anos das datas registradas foram notóriamente digitados incorretamente. Por meio da análise das datas de lançamento dos registros no sistema, datas estas que são registradas automaticamente pelo própróprio sistema, pode-se proceder com a correção.
dados_siema <- dados_siema %>%
filter(!is.na(dt_ocorrencia) & dt_ocorrencia != "") %>%
arrange(dt_ocorrencia) %>%
mutate(dt_ocorrencia = as.Date(dt_ocorrencia, format = "%Y-%m-%d"))A partir do recorte de dados supracitado, obtemos a seguinte contagem de acidentes ambientais por dia:
acidentes_por_dia <- dados_siema %>%
count(dt_ocorrencia, name = "total_acidentes_por_dia") # conta quantos acidentes por data
total_acidentes <- sum(acidentes_por_dia$total_acidentes_por_dia)
cat("Total absoluto de acidentes: " , total_acidentes, "\n")Total absoluto de acidentes: 7385 Assim, considerando o total de 13.755 registros de acidentes ambientais planilhados, apenas 7.385 registros foram efetivamente utilizados no presente estudo, o que representa apenas 53,69% dos dados absolutos.
Antes de analisar tendências mensais ou sazonais, é útil obter uma visão panorâmica ano a ano. O agrupamento por ano serve para:
No bloco de código a seguir:
dt_registro é convertida para o tipo Date, garantindo que o R reconheça corretamente o campo temporal.lubridate::year().ano > 2014) para focar na fase em que o SIEMA já estava plenamente operacional.group_by(ano) e resumidos com summarise(total = n()), produzindo uma tabela com o total de acidentes por ano.# Converte a coluna dt_registro para Date
dados_siema$dt_registro <- as.Date(dados_siema$dt_registro)
acidentes_por_ano <- dados_siema %>%
mutate(ano = year(dt_registro)) %>%
filter(!is.na(ano) & ano > 2014) %>%
group_by(ano) %>%
summarise(total = n()) %>%
arrange(ano)| Ano | Total de acidentes |
|---|---|
| 2015 | 493.00 |
| 2016 | 669.00 |
| 2017 | 857.00 |
| 2018 | 1000.00 |
| 2019 | 1187.00 |
| 2020 | 847.00 |
| 2021 | 913.00 |
| 2022 | 963.00 |
| 2023 | 423.00 |
| Média | 816.89 |
| Desvio padrão | 246.36 |
A visualização da Figura 1 tem como base os dados tabulados na Tabela 1, que coloca cada total anual de acidentes ao lado de três referências estatísticas: a média do período (≈ 803 ocorrências) em linha tracejada vermelha e a faixa média ± 1 DP (≈ 566 a 1 041) em linhas pontilhadas cinza. O enquadramento em questão facilita identificar anos “normais” e “atípicos”.
Anos dentro da faixa (2016, 2017, 2018, 2020, 2021, 2022)
A maior parte da série oscila dentro de ±1 desvio-padrão, sugerindo variação considerada “esperada” para o sistema. Embora 2020 marque a queda pandêmica, o valor (847) ainda permanece dentro do intervalo estatístico previsto.
Alta atípica: 2019
O valor observado ultrapassa média + DP, chegando a 1.187 acidentes registrados. Isso reforça a hipótese de um pico extraordinário — possivelmente a combinação de um evento de grande magnitude com intensificação na notificação pelo SIEMA já amadurecido.
Baixas atípicas: 2015 e 2023
Ambos ficam abaixo de média − DP (493 e 423, respectivamente). A contagem de 2015 reflete o primeiro ano completo pós-instituição do SIEMA, quando os fluxos de registro ainda estavam em implantação. Já 2023 provavelmente sofre de base incompleta, pois parte dos registros costuma ser homologada com atraso.
Tendência implícita
O gradativo crescimento 2015 → 2018, seguido do ponto máximo em 2019, indica fase de ampliação do sistema; a queda em 2020 sugere impacto das restrições da COVID-19 ou sub-notificação, com posterior recuperação em 2021-2022.
Em suma, o gráfico confirma que apenas três anos se desviam estatisticamente do comportamento médio, justificando investigações específicas:
(1) 2019 pela alta incomum, (2) 2015 pela fase de adoção do sistema, e (3) 2023 pela provável defasagem de dados. Os demais anos apresentam flutuações compatíveis com a variabilidade normal do processo.
O histograma anual evidencia três movimentos distintos ao longo da série:
| Fase | Período | Comportamento observável | Possíveis fatores explicativos |
|---|---|---|---|
| Crescimento acentuado | 2015-2019 | Total sobe de 493 para o pico de 1 187 (+141 %). | Consolidação do SIEMA e maior adesão ao registro; crescimento de atividades de risco. |
| Recuo brusco | 2020 | Queda para 847 (-29 % vs. 2019). | Pandemia: redução de atividades econômicas e/ou sub-notificação por restrição operacional. |
| Oscilação de recuperação | 2021-2022 | Retomada parcial (913 → 963), ainda abaixo de 2019. | Reativação econômica gradual e retomada da fiscalização. |
| Queda acentuada (parcial) | 2023 | 423 acidentes – menos da metade de 2022. | Provável base incompleta (registros ainda em processamento). |
Inicialmente, a ideia é agruparmos os registros de acidentes ambientais por UF. Nesse agrupamento, precisamos somar o total de acidentes registrados por UF. O código-fonte a seguir realiza tal procedimento de contagem.
acidentes_por_uf <- dados_acidentes %>%
group_by(uf) %>%
summarise(total_acidentes = n(), .groups = "drop") %>%
arrange(desc(total_acidentes)) # opcional: ordena do maior para o menoracidentes_por_uf = acidentes_por_uf %>%
mutate(regiao = case_when(
uf %in% c("MS", "MT", "GO", "DF") ~ "Centro-Oeste",
uf %in% c("SP", "RJ", "MG", "ES") ~ "Sudeste",
uf %in% c("PR", "SC", "RS") ~ "Sul",
uf %in% c("BA", "PE", "CE", "MA", "PI", "PB", "RN", "AL", "SE") ~ "Nordeste",
uf %in% c("AM", "PA", "RR", "RO", "AC", "AP", "TO") ~ "Norte",
TRUE ~ "Indefinido"
))| UF | Total de acidentes | Região |
|---|---|---|
| MS | 216 | Centro-Oeste |
| DF | 202 | Centro-Oeste |
| GO | 201 | Centro-Oeste |
| MT | 139 | Centro-Oeste |
| 953 | Indefinido | |
| BA | 545 | Nordeste |
| SE | 228 | Nordeste |
| CE | 193 | Nordeste |
| MA | 157 | Nordeste |
| RN | 153 | Nordeste |
| AL | 136 | Nordeste |
| PE | 89 | Nordeste |
| PB | 49 | Nordeste |
| PI | 38 | Nordeste |
| AM | 131 | Norte |
| PA | 121 | Norte |
| TO | 64 | Norte |
| RO | 49 | Norte |
| AP | 12 | Norte |
| RR | 9 | Norte |
| AC | 6 | Norte |
| MG | 3474 | Sudeste |
| SP | 2462 | Sudeste |
| RJ | 2123 | Sudeste |
| ES | 416 | Sudeste |
| PR | 643 | Sul |
| RS | 509 | Sul |
| SC | 437 | Sul |
Como no conjunto de dados oficial não há uma coluna destinada para “região”, criamos a coluna regiao e a preenchemos de acordo com os estados (UFs) identificados para cada registro, conforme pode-se visualizar na Tabela 2.
Agora com as regiões adicionadas ao conjunto de dados, procedemos com o agrupamento dos dados por região, para que pudéssemos explorar a geração de gráficos com o conjunto em questão. Para tal, o percentual de acidentes por região foi calculado e o agrupamento foi reordenado.
acidentes_por_regiao <- acidentes_por_uf %>%
group_by(regiao) %>%
summarise(total = sum(total_acidentes), .groups = "drop") %>%
mutate(percentual = total / sum(total) * 100, label = paste0(round(percentual, 1), "%")) %>%
arrange(desc(percentual))# Gráfico de pizza com legenda por cor (regiões)
ggplot(acidentes_por_regiao, aes(x = "", y = total, fill = regiao)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
geom_text(aes(label = label), position = position_stack(vjust = 0.5), color = "white", size = 4) +
labs(title = "Distribuição de Acidentes Ambientais por Região", fill = "Região") +
theme_minimal() +
theme_void() + # remove eixo e fundo
theme(legend.position = "right", # legenda visível à direita
plot.title = element_text(hjust = 0.5, size = 16, face = "bold"))
# Reordenar fator para refletir a ordem no gráfico
acidentes_por_regiao$regiao <- factor(acidentes_por_regiao$regiao, levels = acidentes_por_regiao$regiao)
# Criar gráfico de barras
ggplot(acidentes_por_regiao, aes(x = regiao, y = percentual, fill = regiao)) +
geom_col(width = 0.7) +
geom_text(aes(label = label), vjust = -0.5, size = 3) +
labs(title = "Percentual de Acidentes Ambientais por Região",
x = "Região",
y = "Percentual (%)") +
theme_minimal() +
theme(legend.position = "none",
plot.title = element_text(hjust = 0.5, size = 16, face = "bold"))
acidentes_ms = dados_siema %>% filter(uf=="MS")Antes de detalhar categorias de dano, é importante observar como as ocorrências evoluem ao longo do tempo no Estado de Mato Grosso do Sul (MS), tanto na escala anual quanto na sazonalidade. Os gráficos a seguir explorar tal evolução.
Leitura rápida: a Figura 2 mostra a tendência anual, enquanto a Figura 3 destaca meses de maior risco (p. ex., picos recorrentes no outono), fornecendo base para alocação sazonal de recursos.
Conhecer quais tipos de dano predominam no estado nos permite priorizar ações de prevenção e resposta. A seguir, são dispostos os principais tipos de danos ambientes no estado de Mato Grosso do Sul.
| Tipo de dano | Ocorrências |
|---|---|
| Solo | 23 |
| Sem preenchimento | 8 |
| Outro(s) | 7 |
| Flora | 2 |
| Rio/córrego | 2 |
| Óbitos/feridos | 2 |
| Fauna | 1 |
A Tabela 3 e a Figura 4 revelam os dez tipos de dano mais recorrentes em MS, evidenciando, por exemplo, a prevalência de impactos em solo, rios/córregos ou categorias genéricas (Outro(s)). Esses achados guiam a definição de prioridades estaduais em fiscalização e políticas ambientais. É importante salientar que quinze registros não foram devidamente identificados e descritos no SIEMA.
A seguir, discutimos os tipos de danos mais frequentes identificados por meio da análise dos acidentes registrados no SIEMA. Os dados da Tabela 4 são dispostos ordenadamente na gráfico da Figura 5.
| Tipo de dano | Ocorrências |
|---|---|
| Outro(s) | 3753 |
| Solo | 3534 |
| Mar | 3442 |
| Atmosfera | 1603 |
| Rio/córrego | 1194 |
| Sem preenchimento | 941 |
| Óbitos/feridos | 836 |
| Fauna | 639 |
| Flora | 436 |
| População afetada/evacuada | 335 |
Identificar quais categorias de dano aparecem com maior recorrência cumpre três funções estratégicas:
Ao qualificar essas ocorrências com maior detalhe (via IA), aumentamos a precisão dos diagnósticos e, consequentemente, a efetividade das ações corretivas — em linha com as metas dos ODS 9, 12, 13, 14 e 15.(United Nations, 2015)
Os quatro primeiros grupos concentram aproximadamente 70% dos registros:
| Categoria | Registros | Interpretação | Ações recomendadas |
|---|---|---|---|
| Rio/córrego | 1.194 | Vazamentos em corpos d’água continentais. | Cruzar com dados hidrológicos para estimar extensão do impacto. |
| Sem preenchimento | 941 | Campo vazio; 7% da amostra. | Tornar o preenchimento obrigatório e/ou prever validação automática. |
| Óbitos/feridos | 836 | Ocorrências com vítimas humanas. | Integrar protocolos da saúde pública (ODS 3.9). |
| Fauna / Flora | 639 / 436 | Danos diretos à biodiversidade. | Ações de recuperação dentro e fora de UC (ODS 15). |
| População afetada / evacuada | 335 | Eventos que exigiram deslocamento de pessoas. | Reforçar planos de contingência (defesa civil + ODS 11). |
Essas observações reforçam a necessidade de classificação automatizada para aprimorar a qualidade dos dados e subsidiar políticas ambientais mais eficazes.
Importância das investigações
Essas investigações ajudarão a discernir se as oscilações refletem variação real de risco ambiental ou mudanças no processo de notificação.
Os acidentes ambientais registrados pelo SIEMA formam uma sequência cronológica que conserva a ordem dos eventos; ignorar essa ordem significa perder informações sobre tendências, ciclos e efeitos sazonais. A modelagem de séries temporais permite:
Além disso, os métodos são implementados em pacotes maduros (forecast, fpp2, stats) com forte respaldo acadêmico, garantindo reprodutibilidade e facilidade de adoção pelos órgãos ambientais competentes (Hyndman; Athanasopoulos, 2018).
A análise anual revelou três regimes distintos:
A entrada de 2023 (423 acidentes) deve ser considerada preliminar, pois parte dos registros costuma ser homologada tardiamente. Nos dados mensais, a decomposição STL apontou sazonalidade moderada com picos recorrentes no segundo trimestre, coincidindo com o aumento de queimadas e operações de transporte de commodities agrícolas.
Estas evidências reforçam a necessidade de:
Em síntese, a abordagem de séries temporais proporciona evidências quantitativas para aprimorar políticas ambientais, otimizar a alocação de recursos e acompanhar o progresso rumo aos ODS pertinentes.
A seguir, disponibilizamos a decomposição STL realizada:
# Agregar por mês
serie_mensal <- dados_siema %>%
mutate(mes = floor_date(as.Date(dt_registro), "month")) %>%
count(mes)
# Converter para objeto ts
serie_ts <- ts(serie_mensal$n,
start = c(year(min(serie_mensal$mes)),
month(min(serie_mensal$mes))),
frequency = 12)
# Decompor com STL
decomp <- stl(serie_ts, s.window = "periodic")
fig_decomp <- subplot(
plot_ly(x = time(serie_ts), y = as.numeric(serie_ts), type = 'scatter', mode = 'lines', name = 'Série Original'),
plot_ly(x = time(decomp$time.series[, "trend"]), y = decomp$time.series[, "trend"], type = 'scatter', mode = 'lines', name = 'Tendência'),
plot_ly(x = time(decomp$time.series[, "seasonal"]), y = decomp$time.series[, "seasonal"], type = 'scatter', mode = 'lines', name = 'Sazonalidade'),
plot_ly(x = time(decomp$time.series[, "remainder"]), y = decomp$time.series[, "remainder"], type = 'scatter', mode = 'lines', name = 'Resíduo'),
nrows = 4,
shareX = TRUE,
titleX = FALSE
)
# Adiciona título
fig_decomp <- layout(fig_decomp, title = "Decomposição da Série Temporal")
# Exibe o gráfico
fig_decomp| Componente | Observações principais | Interpretação prática |
|---|---|---|
| Série original (azul) | Picos acentuados em 2017-2018 e um novo pico no final de 2023; média mensal estabilizada entre 60-80 ocorrências. | Indica eventos extremos que distorcem a média — grandes acidentes singulares ou intensificação da notificação. |
| Tendência (laranja) | Crescente de 2015 a 2018, queda em 2019-2020, retomada após 2021. | Confirma o ciclo pré-pandemia → queda em 2020 → recuperação. |
| Sazonalidade (verde) | Padrão quase sinusoidal anual, com picos recorrentes no 2.º trimestre (≈ abr-jun). | Sugere janela ideal de prevenção: reforçar fiscalização nos meses de pico. |
| Resíduo (vermelho) | Espigões em 2017-2018 e alguns outliers pós-2021; maioria próxima de zero. | Outliers representam acidentes atípicos ou possíveis erros de registro; demandam investigação individual. |
Em síntese, a tendência confirma que 2020 foi um ponto de inflexão. Atribuímos que a queda observada está ligada à pandemia ou à sub-notificação decorrente. Já a sazonalidade regular embasa ações preventivas sazonais, concentrando recursos no período de maior risco. Também assumimos que outliers residuais devem ser verificados para distinguir eventos raros de falhas de entrada, aprimorando a qualidade da base de dados do SIEMA.
O bloco a seguir cria quatro gráficos plotly — série original, tendência, sazonalidade e resíduo — e os empilha num único subplot.
A Figura Figura 6 separa a série mensal de acidentes ambientais em quatro camadas interpretáveis:
| Componente | Evidência | O que significa |
|---|---|---|
| Original | Picos claros em 2017–2018 e outro no fim de 2023; vale em 2020. | Espelha a dinâmica nacional – crescimento pré-pandemia, queda em 2020, retomada parcial. |
| Tendência | Trajetória ascendente até 2018, recuo 2019–2020, nova subida 2021–2022. | Fase de expansão de registros, impacto da COVID-19 e posterior recuperação do sistema de notificação. |
| Sazonalidade | Curva quase senoidal: máximos entre abril–junho, mínimos em dez–fev. | Outono concentra operações ou condições (queimadas, transporte) com maior propensão a acidentes; verão é período de menor risco. |
| Resíduo | Espigões positivos em 2017–2018 e 2023; dispersão próxima de zero no restante. | Outliers representam eventos extraordinários ou inconsistências na base – recomendam investigação individual. |
Implicações práticas
A decomposição evidencia padrões temporais que orientam intervenções preventivas e a alocação eficiente de recursos no Estado de Mato Grosso do Sul.
Importância da decomposição de séries temporais
As evidências mostraram, por meio dos estudos realizados, que a decomposição de séries temporais auxilia na separação de comportamento estrutural (tendência), padrões cíclicos (sazonalidade) e anomalias, orientando políticas de mitigação e alocação eficiente de recursos.
Por meio da análise e da manipulação dos dados abertos do SIEMA – Sistema Nacional de Emergências Ambientais, observou-se a insuficiência de dados e metadados relevantes para o processo de compreensão do todo. Cavagnari; Antiqueira (2024) também discutem a inexistência de um dicionário de dados.
Considerando o total de 13.755 registros de acidentes ambientais planilhados, apenas 7.385 registros foram efetivamente utilizados no presente estudo. Infelizmente, amostragem utilizável representa apenas 53,69% dos dados absolutos. Com isso, podemos inferir que, praticamente, metade dos registros foram descartados, fato este que demonstra fragilidade no processo de registro e planilhamento de acidentes ambientais.
A inexistência de um dicionário de dados, por exemplo, dificultou a identificação de algumas da colunas de dados, uma vez que a nomenclatura utilizada para os campos de entrada é característica do linguajar de programadores de sistemas.
Identificou-se, ainda, o preenchimento inadequado e insuficiente de colunas de dados como tipo de acidente. A categorização proposta e observada na análise dos dados elenca itens que não são suficientes para a descrição dos eventos/acidentes. Em diversas situações, os danos resultantes dos acidentes são genéricos, conforme demonstrado anteriomente na seção Tipos de danos mais frequentes
Como exemplo, ao criarmos o dataframe com os danos desdobrados para a indentificação dos tipos de danos únicos, nos deparamos com uma quantidade relevante de registros sem preenchimento. Para fins de tabulação os campos não preenchidos foram rotulados como Sem preenchimento. Sugere-se, nesse sentido, a utilização de algum método de inteligência artificial para a classificação dos eventos em categorias auto-explicativas, dado que o conjunto de dados disponibiliza uma descrição resumida dos acidentes registrados. Acredita-se que tais descrições podem ser classificadas de forma que seja factível uma identificação mais fiel e representativa da realidade.
Acredita-se que tais medidas são essenciais para o embasamento e validação de políticas públicas ambientais, considerando que o empenho de recursos públicos para a mitigação ou a prevenção de acidentes ambientais é custuso e, evidentemente, necessário.
Neste âmbito, é importante alinharmos o presente estudo à Agenda 2030 da ONU, por meio dos ODS - Objetivos para o Desenvolvimento Sustentável (United Nations, 2015). A seguir, elencamos os pontos de observação relevantes que reforçam a legitimidade do estudo em questão como base técnica para políticas públicas:
Desse modo, as recomendações supramencionadas justificam-se tecnicamente, assim como também se ancoram nas metas globais de desenvolvimento sustentável, legitimando o investimento público para a prevenção e a mitigação de acidentes ambientais.