A previsão de eventos extremos é crucial para a proteção de comunidades vulneráveis em face das mudanças climáticas. Em um esforço para aprimorar essa capacidade de previsão, uma pesquisa liderada por professores da Escola Politécnica da Universidade de São Paulo (Poli-USP) tem utilizado técnicas avançadas de inteligência artificial para otimizar os sistemas de previsão de eventos extremos, com foco na cidade de Santos, no litoral paulista.
O estudo, liderado pela professora Anna Helena Reali Costa e pelo pesquisador Marcel Barros, do Departamento de Engenharia de Computação e Sistemas Digitais da Poli-USP, teve como objetivo combinar modelos físicos tradicionais com dados medidos em tempo real, utilizando métodos de aprendizado de máquina para aprimorar as previsões de marés e ondas.
Publicado no Proceedings of the AAAI Conference on Artificial Intelligence sob o título “Early Detection of Extreme Storm Tide Events Using Multimodal Data Processing”, o estudo é um marco na busca por previsões mais precisas e confiáveis de eventos extremos.
++ Ipam e Banco Mundial criam modelo para prever desmatamento na Amazônia
Os modelos utilizados atualmente são baseados em equações físicas complexas, que muitas vezes dependem de hipóteses simplificadoras e não conseguem integrar novas fontes de dados de maneira eficiente. Por outro lado, os métodos de aprendizado de máquina têm demonstrado capacidade de identificar padrões em grandes conjuntos de dados, mas necessitam de uma quantidade de exemplos para treinamento.
Utilizando os modelos físicos como ponto de partida, o estudo os aprimora com dados medidos em tempo real. Essa abordagem, conhecida como “Aprendizado de Máquina Informado pela Física” (Physics-Informed Machine Learning – PIML), permite uma melhor modelagem de fenômenos naturais complexos.
++ Belém irá receber mais de R$ 1,3 bilhão em investimentos para a COP 30
Um dos principais desafios enfrentados foi lidar com a natureza irregular dos dados medidos, que podem apresentar lacunas de informações e variações nas frequências de amostragem. Para contornar esse problema, os pesquisadores desenvolveram uma técnica que representa a passagem do tempo em redes neurais, permitindo que o modelo leve em consideração dados faltantes nas previsões.
Além disso, o modelo proposto combina diferentes tipos de redes neurais para integrar dados multimodais, como imagens de satélite, informações tabulares e previsões de modelos numéricos, tornando mais robusto e adaptável a diferentes tipos de dados associados a eventos o climáticos extremos.
Não deixe de curtir nossa página no Facebook , no Twitter e também no Instagram para mais notícias do 111Next.
