MIT AI forecasts extreme weather without historical data

Pesquisadores do MIT desenvolveram uma ferramenta de inteligência artificial capaz de prever eventos climáticos extremos sem depender de dados históricos de desastres. O estudante de engenharia mecânica Kai Chang e o professor Themis Sapsis, ambos do MIT Center for Computational Science and Engineering, apresentaram a metodologia, chamada de η-learning ou Extreme Event Aware, em um artigo publicado na revista Nature Communications em 20 de agosto. Essa inovação permite a geração de mapas de eventos que, embora não tenham sido registrados anteriormente em uma determinada região, são estatisticamente possíveis. Os mapas incluem estimativas sobre a duração e a intensidade dos eventos, além de uma avaliação da área que pode ser afetada. Tradicionalmente, modelos de risco existentes, utilizados por seguradoras, planejadores urbanos e operadores de redes elétricas, dependem de dados que já contêm eventos extremos. Esses modelos tentam prever a ocorrência de fenômenos como tempestades que acontecem uma vez a cada cem anos, baseando-se em padrões históricos. Chang critica essa abordagem, afirmando que ela limita o que os modelos podem mostrar, uma vez que se baseiam em eventos já conhecidos. O professor Sapsis complementa, usando o exemplo do furacão Katrina, para ilustrar a dificuldade em prever eventos raros e severos que não têm precedentes claros. A nova metodologia combina estatísticas pontuais com detalhes espaciais. As estatísticas pontuais capturam a frequência de um determinado nível de intensidade, como a máxima precipitação registrada, enquanto os mapas espaciais mostram como o impacto de um evento varia em uma região. Essa combinação permite que o algoritmo construa padrões espaciais para eventos que vão além do que foi observado anteriormente, sem a necessidade de exemplos prévios. Os pesquisadores testaram a abordagem utilizando dados de precipitação dos Estados Unidos, especificamente 25 anos de dados de chuva, e conseguiram gerar mapas plausíveis de tempestades com intensidades que não foram registradas anteriormente. Por exemplo, o método pode criar mapas de tempestades que geram 300 milímetros de chuva, um nível que nunca foi registrado em Nova Iorque, onde a maior precipitação medida foi de 200 milímetros. Essa capacidade de gerar cenários extremos pode ser crucial para que cidades testem suas infraestruturas, como muros de contenção contra inundações ou a resistência de redes elétricas durante ondas de calor prolongadas. No entanto, a aplicação da metodologia a novos tipos de riscos requer dados estatísticos e espaciais relevantes para esses riscos específicos. A importância dessa pesquisa se estende além da academia e pode ter implicações significativas para a resiliência nacional e econômica. Sapsis observa que a infraestrutura global foi otimizada para eficiência, deixando pouco espaço para manobras em caso de eventos extremos. Portanto, a capacidade de prever eventos que ainda não ocorreram pode ser um fator decisivo na preparação para desastres futuros, especialmente em um contexto de mudanças climáticas e aumento da frequência de eventos extremos. Essa inovação pode abrir novas possibilidades para o planejamento urbano e a gestão de riscos, especialmente em países como o Brasil, que enfrentam desafios significativos relacionados a desastres naturais.