Estudo mostra que IA pode prever cheias sem dados locais.
Uma pesquisa publicada nesta sexta-feira na revista Machine Learning: Earth demonstra que modelos de inteligência artificial treinados com grandes volumes de dados globais conseguem prever a vazão de rios nos Estados Unidos com precisão próxima à de sistemas tradicionais — mesmo em regiões onde registros hidrológicos são escassos ou inexistentes.
Como funciona a tecnologia
O estudo, conduzido por pesquisadores da Universidade do Texas em Austin e da empresa Hydrotify LLC, avaliou modelos conhecidos como “time-series foundation models” (TSFMs), originalmente treinados com dados de séries temporais de setores como energia, transporte e clima. Os testes foram realizados em mais de 500 bacias hidrográficas nos Estados Unidos.
Entre os sistemas avaliados, o modelo chamado Sundial apresentou desempenho próximo ao de um modelo LSTM treinado com décadas de registros históricos de vazão de rios. Os melhores resultados apareceram em bacias com padrões sazonais bem definidos, como aquelas influenciadas pelo derretimento de neve.
Implicações para regiões sem monitoramento
Em muitas partes do mundo, estações de medição de rios são escassas, registros são incompletos e redes de monitoramento são difíceis de manter. Sem dados confiáveis de longo prazo, comunidades frequentemente têm pouco aviso antes de enchentes e poucos recursos para planejar a gestão de recursos hídricos.
“Informação confiável sobre água é essencial para comunidades em todos os lugares, mas muitas regiões ainda não têm os registros de longo prazo necessários para sustentar métodos tradicionais de previsão”, afirmou o Dr. Alexander Sun, da Universidade do Texas em Austin e da Hydrotify LLC. “Abordagens como essa mostram como novas ferramentas de IA podem ajudar a fechar essa lacuna, dando a mais lugares acesso a previsões baseadas em dados”.
Próximos passos e limitações
Os autores reconhecem que a tecnologia ainda precisa evoluir para responder melhor em sistemas fluviais mais complexos. Sun pondera que “ainda há progresso a ser feito, especialmente em sistemas fluviais mais complexos, mas este trabalho aponta para um futuro onde previsões melhores são possíveis mesmo em áreas que foram mal atendidas por décadas”. A capacidade dos modelos, segundo o estudo, tende a crescer à medida que futuras gerações incorporem mais dados de ciências da Terra, incluindo registros hidrológicos e climáticos.
A pesquisa se soma a outros avanços recentes na área. Na semana passada, estudos da Universidade de Minnesota demonstraram que modelos híbridos de aprendizado de máquina guiado por conhecimento também podem superar métodos tradicionais de previsão de enchentes nos EUA. O Google, por sua vez, divulgou em março um novo método que usa IA para prever enchentes-relâmpago urbanas com até 24 horas de antecedência em mais de 150 países.
#MachineLearning #ia #TSFMs
