Previsões de inundações com dados de bloco podem salvar vidas. Um novo método de aprendizado de máquina torna isso possível

As extremas inundações e deslizamentos de terra na Califórnia nas últimas semanas pegaram muitos motoristas de surpresa.Buracos engoliram carros, rodovias transformaram-se em rios de água velozes, bairros inteiros foram evacuados.Pelo menos 20 pessoas morreram nas tempestades, vários deles depois de ficar preso em carros em águas correntes.

Ao verificar as previsões meteorológicas nas aplicações meteorológicas dos meus telemóveis durante as semanas de tempestades no início de Janeiro de 2023, perguntei-me se as pessoas no meio das chuvas estariam a utilizar tecnologia semelhante ao decidirem se deveriam deixar as suas casas e determinar quais as rotas mais seguras.Eles sentiram que era suficiente?

eu sou um hidrologista que às vezes trabalha em áreas remotas, portanto, a interpretação dos dados meteorológicos e da incerteza das previsões sempre faz parte do meu planejamento.Como alguém que uma vez quase se afogou ao atravessar um rio inundado onde não deveria, também estou perfeitamente consciente da extrema vulnerabilidade humana decorrente de não saber exatamente onde e quando uma inundação ocorrerá.

Cerca de dois terços fatalidades relacionadas às enchentes nos EUA são classificados como “dirigindo” e “na água.” Se as pessoas soubessem da probabilidade de inundações nesses locais em tempo real – através de um aplicativo de celular ou site – é possível que algumas dessas mortes pudessem ter sido evitadas.

No entanto, mesmo o pessoal de gestão de emergências opera actualmente com surpreendentemente pouca informação sobre quando e onde é provável que ocorram inundações.Eles sabem onde podem ocorrer inundações, particularmente ao longo rios.Mas cada inundação é diferente e questões-chave, como quais as estradas que podem ser utilizadas com segurança e quais as populações que estão expostas, ainda requerem observação em primeira mão.

Tenho trabalhado com colegas para desenvolver um método que contorne os atuais obstáculos a esse tipo de previsão. Usando “aprendizagem probabilística”- um tipo de aprendizado de máquina - o método pode criar modelos locais de risco de inundação que podem identificar as condições rua por rua usando previsões de tempestades em tempo real.

O desafio da previsão de inundações

Programas de computador que podem prever o que acontece com a água da chuva depois que ela atinge o solo são as ferramentas definitivas para prever em tempo real onde e quando ocorrerão inundações.

No entanto, tal inundação modelos exigem quantidades imensas de poder de computação.Atualmente não há meios de prever rapidamente inundações em tempo real em qualquer lugar.O nível de detalhe relevante para as decisões humanas – representando edifícios, rotas de evacuação ou ativos de infraestrutura – está fora do alcance.

Um segundo desafio é o alta incerteza em previsões de precipitação e muitas outras entradas de modelos de inundações.

A investigação das últimas décadas explorou as possibilidades de resolver estes formidáveis ​​desafios utilizando abordagens de “força bruta”:computadores mais rápidos e mais computadores.Em última análise, sugere a necessidade de repensar a forma como prevemos as inundações.

Projetando previsões de inundações locais eficazes

A abordagem que desenvolvemos aborda esses desafios usando um modelo sofisticado de inundações para desenvolver e treinar modelos mais simples que podem então imitar o comportamento das inundações em ambientes locais com quase o mesmo nível de precisão que seu professor mais poderoso.É importante ressaltar que temos mostrado em estudos que mesmo um computador pessoal pode usar estes modelos mais simples para prever inundações em tempo real.Talvez até um celular.

Para prever inundações, é necessário prever como as inundações começam e evoluem nas comunidades urbanas – com um elevado nível de detalhe e uma compreensão dos limites de incerteza em torno da previsão.

Nossa abordagem se baseia em informações importantes que muitas cidades já possuem:dados detalhados sobre a topografia de suas comunidades e da bacia hidrográfica circundante, como a terra é usada, o layout dos edifícios e estradas e as características dos drenos e tubulações de águas pluviais, como a quantidade de água que podem transportar.O pavimento e a infra-estrutura obsoleta de águas pluviais, em particular, podem afectar a forma como a água flui e quais as áreas que inundam num ambiente urbano.

Em seguida, usamos um dos mais atualizados e sofisticados modelos de inundação disponíveis para treinar modelos mais simples.

Esses modelos mais simples são mais rápidos e exigem muito menos poder de computação porque usam funções extremamente simples e cada um se concentra em uma única variável em um determinado local e horário, como, por exemplo, nível de inundação ou velocidade do fluxo de água.Milhares deles podem fornecer uma imagem extremamente precisa de prováveis ​​inundações quando são adicionadas informações de previsão do tempo em tempo real.

O ponto crucial é que estes modelos mais simples são desenvolvidos no “tempo livre” – bem antes das tempestades.Essas análises podem ser realizadas usando um kit de ferramentas disponível gratuitamente desenvolvido pelo Departamento de Energia.

Esta abordagem substitui a carga quase impossível da computação em tempo real pela tarefa mais fácil de usar modelos simples e previamente treinados da comunidade local.

Nós demonstrou a abordagem em um estudo usando as inundações de 2017 em Houston causadas pelo furacão Harvey.Os resultados mostraram que um problema computacional que de outra forma levaria anos para ser executado em um computador típico pode ser executado em apenas alguns segundos com um nível comparável de precisão.

Olhando para frente

Como o aquecimento global aumenta a intensidade das chuvas e as populações crescerem, os riscos de inundações aumentarão.Outro problema cada vez mais reconhecido é que os padrões de como as comunidades gerenciam as águas pluviais são com base no clima do passado.Os drenos e tubulações existentes simplesmente não conseguem lidar com a água adicional, aumentando os custos dos danos causados ​​pelas inundações.

Embora seja necessário mais trabalho para colocar este método em ampla utilização, acreditamos que o método abre caminhos para tornar a previsão de cheias mais relevante, detalhada e precisa.Também oferece os meios de avaliar a adequação das infra-estruturas de águas pluviais existentes e pode ser remodelado para avaliar o impacto de outros perigos naturais difíceis de quantificar, tais como deslizamentos de terra e incêndios.

Cidades com altos valores residenciais é provável que vejam mais serviços de previsão de cheias do sector privado.No entanto, as agências governamentais poderiam utilizar este tipo de modelo inovador para expandir a sua missão de previsão para ajudar a todos.Poderíamos imaginar condados, com as competências e recursos adequados, a fornecer previsões locais de cheias.Quem, senão as comunidades locais, está mais empenhado na gestão eficaz da resposta às cheias e na mitigação?