Com o aumento dos eventos climáticos extremos, governos e tomadores de decisão se veem diante de situações críticas, que demandam decisões rápidas. As tragédias naturais têm preocupado tanto pela intensidade quanto pela duração e número de ocorrências. Um exemplo disso foi a dificuldade de prever o calor extremo em grandes eventos, assim como as chuvas intensas que ocorreram em praticamente todo o ano de 2023 e início deste ano, em diferentes regiões do País.
De acordo com levantamento da Secretaria Nacional de Proteção e Defesa Civil, 4.255 pessoas morreram em razão de desastres ambientais nos últimos 20 anos, no Brasil, em decorrência de desastres naturais. Outras 8 milhões de pessoas ficaram desabrigadas. Esse índice representa perdas de R$24 bilhões por ano. Os dados incluem chuvas intensas, estiagens, inundações e ondas de calor. Só em 2022, o país teve um prejuízo de mais de R$68 bilhões, com o maior número de mortes causadas por desastres naturais desde 2011, fechando com 957 óbitos registrados.
As fortes chuvas, no ano passado, tiveram enormes impactos sociais, especialmente em áreas urbanas, com quedas de energia, perdas de casas, interdição de ruas e avenidas, dificuldade de acesso a serviços básicos e desmoronamentos. Em áreas rurais, as perdas de lavouras afetaram inúmeras famílias. Sem contar os danos em áreas críticas, como redes elétricas e oleodutos, aeroportos, sistemas hospitalares etc, que podem afetar milhares de pessoas em um curto espaço de tempo.
Com base nesse cenário, empresas de tecnologia têm buscado soluções de Inteligência Artificial (IA) que auxiliem na previsão de desastres e na mitigação de riscos, especialmente em áreas críticas como instituições de saúde, redes elétricas e grandes vias.
Os modelos para previsão de catástrofes naturais utilizam algoritmos de machine learning, como redes neurais, para analisar grandes conjuntos de dados, como padrões climáticos, dados geoespaciais e históricos, tudo em tempo real. Os sistemas de alerta utilizam técnicas para o processamento e análise de sinais precursores de desastres. Isso inclui sensores, estações meteorológicas, sistemas de monitoramento de rios ou reservatórios. Quando os sinais de perigo são detectados, os algoritmos de IA processam esses dados e acionam os alertas, ajudando os gestores na tomada de decisão.
Também é possível utilizar algoritmos de análise de dados e modelagem preditiva, considerando fatores como densidade populacional, áreas críticas, características de relevo, histórico, etc. Para monitorar mudanças ambientais, valem as imagens de satélite, sensores, e outros dados geoespaciais. A IA pode, então, detectar áreas de desmatamento, erosão, aumento do padrão de chuvas e nível do mar. Todos os sinais de que algo não vai bem e de que riscos precisam ser mitigados.
Outra alternativa é utilizar modelos computacionais complexos e algoritmos de simulação para prever efeitos de diferentes cenários de desastres. Com uma ideia melhor dos padrões de comportamento humano, e das consequências dos desastres em determinada área, é possível planejar melhor a alocação de recursos em caso de emergência. Além disso, podem ser utilizados sistemas para integração de dados em tempo real, vindos de diversas fontes: sensores, satélites e relatórios de campo, tudo para uma melhor gestão de crise. Com os algoritmos de IA, fica mais fácil priorizar atividades como resgate de vítimas e distribuição de suprimentos.
É inegável que os dados de satélites e radares, sensores e as redes sociais por si só podem ser bastante assertivos na prevenção de desastres, sem optar pelo uso de soluções de IA, mas quando se fala em grande número de dados e informações, a demanda por processamento aumenta exponencialmente. Humanamente, seria impossível analisar e resumir esse alto volume de informações, extraindo insights relevantes para a tomada de decisões. É aí que entram as técnicas de ciência de dados e aplicações de inteligência artificial tanto para forecasting quanto nowcasting.
Com origem em várias áreas da ciência, os conceitos de nowcasting e forecasting estão bastante presentes na meteorologia. A diferença entre esses dois conceitos está basicamente no tempo utilizado para cada previsão, assim como nos métodos utilizados em cada um deles.
O forecasting se refere à previsão para um longo período e utiliza equações matemáticas complexas para simular a atmosfera e prever a mudança de padrões ao longo do tempo. Ele leva em conta padrões mundiais, variações sazonais, status dos oceanos etc. Frentes frias, ondas de calor e chuvas prolongadas podem ser previstas com esse método. A Inteligência Artificial atua junto a esses modelos matemáticos. Técnicas como Physics-Informed Neural Networks (PINN), auxiliam no treinamento de redes neurais de uso específico, trazendo mais assertividade na previsão.
O nowcasting tem como foco a previsão do tempo para algumas horas ou um dia. Muitos eventos extremos ocorrem de forma abrupta e fogem das previsões dos modelos convencionais. Técnicas de machine learning analisam padrões atmosféricos e fazem previsões de curto prazo, como tempestades, nevascas, trovoadas etc.
A possibilidade de agregar esse potencial com o uso de sensores de regiões bem definidas, pode permitir que o nowcasting seja realizado de forma personalizada, focando os eventos em uma determinada região. O uso de técnicas de Natural Language Processing (NLP) e dos tão falados Large Language Models (LLMs) na construção de assistentes virtuais, auxiliam o acesso e análise de diversas informações, de modo rápido e fluido para os operadores. Com sistemas mais automatizados, que realizam análises e correlações ao longo do tempo ou em tempo real, os resultados podem ser ainda mais precisos. Os algoritmos podem realizar recomendações em segundos.
As mudanças climáticas já impactam o dia a dia das pessoas em diversas partes do mundo. Em 2023, de acordo com o Instituto Nacional de Meteorologia – INMET, o Brasil presenciou um aumento de 0,69oC em sua temperatura, em relação à média histórica, chegando a 24,92oC. Segundo a Organização Meteorológica Mundial – OMM, 2023 foi o ano mais quente da história.
Em suma, com o impacto das mudanças climáticas cada vez mais presentes no cotidiano das pessoas, será necessário criar estratégias de prevenção de crises, e nada melhor do que contar com a tecnologia para a eficiência desses planos.
João Santos, especialista de Soluções do SiDi.
