Data Lakehouse Sismológico: Uma Arquitetura para Curadoria, Governança e Reprodutibilidade de Dados Sísmicos no Nordeste Brasileiro
Data Lakehouse Sismológico; Princípios FAIR; Governança de dados; Linhagem de dados; Rastreabilidade; Gestão de dados sísmicos
A gestão de dados sismológicos envolve desafios significativos relacionados à integração, governança, rastreabilidade e reuso ao longo dos fluxos de trabalho científicos. Em ambientes tradicionais, esses processos são frequentemente fragmentados e dependentes de procedimentos manuais, o que limita a reprodutibilidade, a escalabilidade e a eficiência operacional.
Esta dissertação propõe uma arquitetura de Data Lakehouse orientada ao domínio, projetada para suportar todo o ciclo de vida dos dados sismológicos. A arquitetura integra ingestão, armazenamento, processamento e acesso em um ambiente unificado e escalável, complementado por uma camada transversal de governança responsável pelo gerenciamento de metadados e pela linhagem de dados ponta a ponta. Essa abordagem possibilita rastreabilidade, interoperabilidade e alinhamento com os princípios FAIR.
A solução foi implementada utilizando tecnologias de Big Data de código aberto, incluindo Apache Hadoop, Apache Spark, Apache Airflow e Apache Atlas, combinadas com ferramentas específicas do domínio, como ObsPy e o formato MiniSEED para o processamento de dados sísmicos.
A avaliação foi conduzida por meio de uma abordagem multimétodo, combinando validação experimental com dados sísmicos reais, análise quantitativa, avaliação baseada em especialistas e Avaliação Fuzzy Composta (FCE). Os resultados demonstram que a arquitetura proposta melhora a organização dos dados, reduz a intervenção manual e amplia a rastreabilidade quando comparada a fluxos de trabalho tradicionais.
Os especialistas reportaram elevado nível de aceitação, com médias superiores a 4,6 (em uma escala de 5 pontos), e 90\% indicaram intenção de adoção da solução. Esses achados confirmam que o Data Lakehouse proposto constitui um arcabouço robusto, escalável e alinhado aos princípios FAIR para a gestão de dados sismológicos.