China propõe uso de inteligência artificial para previsão de inundações

Cientistas chineses propõe um novo modelo de inteligência artificial (IA) para abordar a previsão de fluxo de rio e enchentes em escala global para bacias hidrográficas com e sem monitoramento.

Diante das mudanças climáticas globais, a frequência e intensidade de eventos extremos de chuva aumentaram significativamente, levando a desastres de enchentes mais frequentes e riscos de enchentes mais intensos. Assim, a previsão eficaz da descarga de enchentes se torna um fator crucial para reduzir os riscos de desastres de enchentes.

É o caso do que ocorre neste momento no Rio Grande do Sul, que enfrenta uma tragédia climática e humanitária que já atinge mais de 1,4 milhão de pessoas.

Apesar do progresso significativo que foi feito na previsão da descarga de enchentes baseada em processos físicos ao longo das últimas décadas, os resultados das previsões usando métodos atuais ainda dependem fortemente de dados de monitoramento e calibração de parâmetros.

O progresso recente e a expansão em aprendizado profundo tornaram os modelos baseados em dados de tecnologia de IA uma solução alternativamente nova para previsão de fluxo de rio e enchentes na ciência hidrológica.

Proposta chinesa baseada em IA

Uma equipe de pesquisa chinesa liderada por Ouyang Chaojun, um pesquisador do Instituto de Perigos de Montanha e Ambiente da Academia Chinesa de Ciências, propôs um modelo inovador baseado em IA para solucionar os problemas de previsão de fluxo de rio e enchentes em escala global para bacias hidrográficas com e sem monitoramento.

"Modelos baseados em dados dependem criticamente da qualidade dos dados históricos. A equipe de pesquisa tem aproveitado conjuntos de dados históricos de 2.089 bacias hidrográficas dos EUA, Canadá, Europa Central e Reino Unido com frequência de coleta de dados de 24 horas e o intervalo de tempo entre 1 de janeiro de 1981 e 31 de dezembro de 2009 para treinar o modelo, enquanto também usa conjuntos de dados históricos entre 1 de janeiro de 2010 e 1 de janeiro de 2012 para verificar a capacidade de previsão do modelo", explica Ouyang

De acordo com Ouyang, em geral, examinar um período mais longo resulta em conjuntos de dados mais ricos, apesar de ter custos de treinamento mais altos.

A diversidade significativa na distribuição dos dados nessas bacias garante variedade de dados e testa a precisão e confiabilidade do modelo nas previsões para períodos futuros.

Os resultados da verificação mostram que o modelo apresenta um coeficiente de eficiência médio de Nash-Sutcliffe (NSE) de 0,75 - uma pontuação comumente usada para avaliar o poder preditivo de modelos de descarga hidrológica - em 2.089 bacias hidrográficas, destacando melhorias pelo aprendizado de máquina de última geração em relação aos modelos hidrológicos tradicionais.

O coeficiente de eficiência de Nash-Sutcliffe é uma estatística usada para avaliar a precisão de modelos hidrológicos, principalmente na simulação de vazões em rios e corpos de água. Ele foi desenvolvido por J. E. Nash e J. V. Sutcliffe em 1970, e é amplamente utilizado para quantificar o desempenho preditivo de modelos de água.

Com base nos modelos pré-treinados no hemisfério norte, os pesquisadores conduziram previsões em 160 novas bacias hidrográficas completamente novas no Chile, no hemisfério sul, sem usar nenhum dado de monitoramento, para testar a capacidade de previsão do modelo em bacias sem monitoramento. Os resultados da previsão de diferentes modelos pré-treinados mostram forte consistência na distribuição espacial.

O modelo aplicado a 160 bacias hidrográficas não monitoradas no Chile mostra que 76,9% das bacias obtêm NSE superior a zero na melhor situação, demonstrando o potencial dos métodos de aprendizado profundo para superar a falta ubíqua de informações hidrológicas e deficiências na estrutura do modelo físico e parametrização.

O modelo foi recentemente publicado online pela revista interdisciplinar The Innovation. Este modelo de aprendizado profundo pode capturar de forma mais eficaz os atributos espaciais e físicos dentro das bacias.

Em um mundo cada vez mais acostumado com oscilações climáticas extremas causadas pela mudança climática, as últimas semanas levaram esses extremos ambientais a um novo nível.

Centenas de pessoas foram mortas durante o fim de semana após uma série de enchentes mortais no Brasil, Afeganistão e Indonésia, os últimos desastres após tempestades severas e enchentes que mataram centenas de pessoas no Brasil, Quênia e Tanzânia, e devastaram Dubai e Omã, nas últimas duas semanas.

Autoridades locais alertaram sobre eventos climáticos cada vez mais impactantes e cientistas relacionaram as enchentes mortais aos impactos climáticos causados pelo homem, agravados pelo El Niño em curso, que causou mudanças climáticas significativas na esfera global.

Por meio deste estudo, o modelo demonstrou um enorme potencial para previsão de fluxo de rio e enchentes em regiões em escala global. Espera-se que ele aprimore significativamente os esforços de prevenção e mitigação de desastres, se for integrado aos sistemas de previsão de desastres existentes para estabelecer uma plataforma de alerta em tempo real em várias escalas de tempo, de dias a horas a minutos.

Inteligência Artificial para previsão de enchentes

A inteligência artificial (IA) pode desempenhar um papel fundamental na previsão de enchentes e inundações de várias maneiras inovadoras e eficientes. Aqui estão algumas das principais abordagens e técnicas utilizadas:

• Modelagem e Simulações Predicitivas - Algoritmos de IA, especialmente aqueles baseados em aprendizado de máquina e redes neurais profundas, podem analisar grandes volumes de dados de variáveis meteorológicas e hidrológicas para prever quando e onde as enchentes podem ocorrer. Esses modelos podem aprender padrões complexos de dados históricos para fazer previsões precisas sobre o comportamento futuro da água.
   
• Processamento de Dados em Tempo Real - IA pode processar e analisar dados em tempo real de sensores climáticos, estações hidrológicas, satélites e outros dispositivos IoT para fornecer alertas imediatos sobre as condições que podem levar a inundações. Isso permite uma resposta mais rápida em situações de emergência.
   
• Otimização de Modelos Hidrológicos: A IA pode ajudar a calibrar e otimizar modelos hidrológicos tradicionais, ajustando parâmetros automaticamente para melhorar a precisão das previsões de fluxos de água e níveis de enchente.
   
• Análise de Imagens de Satélite: Algoritmos de visão computacional podem analisar imagens de satélite para identificar mudanças nos corpos d'água e nas linhas de costa que indicam potenciais riscos de enchente. Essa análise pode ser crucial para monitorar áreas remotas ou de difícil acesso.
   
• Previsão de Chuvas Extremas: Utilizando grandes conjuntos de dados climáticos, a IA pode prever eventos de chuvas intensas que são frequentemente precursores de inundações. Isso inclui a identificação de padrões atmosféricos que podem não ser evidentes para métodos de previsão tradicionais.
   
• Integração e Análise de Dados Diversificados: A capacidade da IA de integrar e analisar dados de diferentes fontes (como dados meteorológicos, geográficos, urbanísticos e sociais) ajuda na compreensão abrangente das dinâmicas que influenciam as enchentes, facilitando previsões mais precisas e contextualizadas.
   
• Desenvolvimento de Sistemas de Alerta: A IA pode ajudar no desenvolvimento de sistemas de alerta avançados que preveem o impacto das enchentes em infraestruturas específicas, como estradas, pontes e áreas residenciais, permitindo ações preventivas mais eficazes e evacuações planejadas.

Ao utilizar essas técnicas, a IA contribui significativamente para o aprimoramento dos esforços de prevenção de enchentes e gestão de desastres, resultando em proteção mais efetiva de vidas e propriedades.

Desafios para a hidrologia

A capacidade de prever enchentes e inundações é um dos desafios para a hidrologia, pois mais de 95% das bacias hidrográficas de pequeno e médio porte em todo o mundo não contam com dados de monitoramento.

Hidrologia é o ramo da ciência que estuda a água na Terra, incluindo sua distribuição, movimento e propriedades químicas e físicas nos ciclos de água atmosférica e terrestre. Esta disciplina examina como a água interage com o meio ambiente em diversos estados (líquido, vapor e gelo), e como ela afeta e é afetada por diversas atividades humanas e naturais.

Os hidrologistas investigam aspectos como o ciclo hidrológico, que abrange processos como a precipitação, infiltração, escoamento superficial, evaporação e transpiração. Eles também estudam a ocorrência e movimento da água em subsuperfícies, em rios, lagos e reservatórios, e sua relação com outros recursos naturais.

A hidrologia tem aplicações práticas importantes, como no gerenciamento de recursos hídricos para o abastecimento de água potável, agricultura, geração de energia, prevenção de enchentes e proteção ambiental.