Inundações em grande escala, que causam mortes e deslocam milhares de residentes, servem como um severo lembrete do poder imprevisível e destrutivo da água. Essa vulnerabilidade impulsionou pesquisadores do Instituto de Tecnologia Indiano (IIT) de Bombaim a criar um complexo sistema de inteligência artificial (IA) de dupla operação. Este sistema é projetado não apenas para identificar onde a próxima grande inundação pode ocorrer, mas também para prever com precisão o nível da subida da água.
Metodologia e Precisão do Sistema
A equipe combinou dados de radar de satélite com aprendizado de máquina avançado para criar um mapa altamente detalhado que identifica zonas suscetíveis a inundações com uma precisão superior a 93%. Este sistema abrange uma área de 55.000 quilômetros quadrados, estendendo-se de Tadri no distrito de Uttara Kannada, estado de Karnataka, até Kanyakumari ao longo da costa dos Ghats Ocidentais, no sul da Índia. A nova ferramenta visa ser um poderoso meio de proteção para milhões de pessoas vivendo nas áreas costeiras mais vulneráveis da Índia.
Tradicionalmente, a previsão de inundações dependia de vastos dados históricos de precipitação e sensores físicos. No entanto, a equipe do IIT de Bombaim, incluindo o pesquisador Dr. Kashish Sadhwani e o professor T.I. Eldho, concentrou-se no reconhecimento de padrões, analisando vários fatores chave. É notável que o estudo mostrou que o escoamento superficial foi um preditor mais importante do que o volume de precipitação em si.
Princípios de Funcionamento do Modelo de IA
Como explica o Dr. Sadhwani, embora a precipitação seja o principal gatilho para inundações, ela nem sempre leva diretamente à inundação em um local específico. O escoamento superficial reflete a resposta hidrológica complexa da paisagem, levando em consideração o efeito combinado da intensidade da precipitação, umidade do solo, uso da terra, capacidade de infiltração e características de drenagem.
Um procedimento de duas etapas foi usado para processar esses dados. Primeiro, um modelo de classificação determina se uma área está em zona de risco. Em seguida, um modelo de regressão avalia a profundidade prevista da água acumulada, criando um mapa contínuo de potencial inundação. Imagens do satélite Sentinel-1 da Agência Espacial Europeia (ESA) no modo de abertura sintética (SAR) foram usadas para treinar este modelo, pois são capazes de penetrar nuvens de monções e registrar observações. O modelo foi treinado para reconhecer tons escuros nas imagens que indicam água parada, comparando fotos tiradas antes e durante inundações passadas.
Limitações e Aplicações Práticas
Em última análise, o modelo fornece um mapa altamente detalhado com resolução de até 30 metros, mas atualmente possui um erro (RMSE) de cerca de 0,99 metro. Embora um desvio de aproximadamente um metro possa ser significativo para o planejamento urbano, o Dr. Sadhwani observa que o valor atual do sistema reside em sua amplitude de cobertura e velocidade. O Dr. Sadhwani enfatiza que o modelo foi projetado para análise regional rápida de inundações, garantindo alta eficiência computacional e a capacidade de gerar rapidamente informações sobre a área e profundidade de inundação em grandes territórios. Isso é particularmente útil para o planejamento em estágios iniciais, priorização de zonas vulneráveis e apoio à resposta de emergência.
Atualmente, o sistema foca em terrenos com inclinação inferior a 7%. Esta foi uma escolha metodológica consciente, pois o estudo indica que os cálculos de profundidade de inundação foram limitados a áreas com inclinação inferior a 7% para garantir um mapeamento preciso da inundação usando imagens SAR, considerando o possível movimento da água durante a aquisição. Além disso, em terrenos mais íngremes, os sinais de radar são distorcidos por deformações geométricas, como sombra e sobreposição, e o movimento da água durante a coleta de dados pode levar a imprecisões na determinação das fronteiras e da profundidade da inundação. Assim, o estabelecimento de um limite de inclinação ajuda a garantir a confiabilidade e a consistência física dos dados de profundidade de inundação obtidos.
Significado para a Costa Sul da Índia
Para Kerala e Karnataka, esta ferramenta pode mudar drasticamente a situação. Mapas de 30 metros em áreas onde solos argilosos retêm água e predominam planícies costeiras baixas permitirão que as autoridades locais determinem com precisão qual hospital, escola ou estrada provavelmente será inundado. O Dr. Sadhwani destaca que essa estrutura é capaz de 'identificar áreas suscetíveis a inundações, orientando o planejamento urbano e o uso da terra' e desempenha um 'papel crítico na preparação e resposta a desastres, permitindo que as autoridades aloquem recursos de forma eficaz e priorizem regiões vulneráveis para evacuação e assistência'.
Embora o estudo atual tenha se concentrado na parte sul da costa oeste da Índia do Sul, os pesquisadores acreditam que essa base está pronta para ser escalonada para centros urbanos complexos, como Mumbai ou a Costa Leste. No entanto, a transição para essas áreas exigirá a consideração de novas variáveis e, possivelmente, o recalibramento e o retreinamento do modelo. O Dr. Sadhwani explica que 'as condições costeiras introduzem complexidades adicionais, como variações de maré, tempestades e mudanças no nível do mar e efeitos de refluxo. A metodologia pode ser adaptada de forma eficaz incorporando esses parâmetros específicos da costa na estrutura existente.'
Como as mudanças climáticas aumentam a frequência de eventos climáticos extremos, este sistema de IA oferece mais do que apenas uma previsão; ele ajuda grupos de gestão de desastres a se prepararem e planejarem medidas adequadas para reduzir perdas por inundações e aumentar a resiliência da região.
Devido ao aceleramento das mudanças climáticas e à imprevisibilidade das condições meteorológicas, Bangalore enfrenta graves inundações repentinas causadas por precipitações extremas. Pesquisadores do CSIR Fourth Paradigm Institute e AcSIR criaram uma simulação hidrológica de alta precisão, utilizando o modelo de gerenciamento de escoamento pluvial da United States Environmental Protection Agency (SWMM). Este modelo foi construído com base em um complexo 'gêmeo digital' da bacia hidrográfica Koramangala-Challaghatta. A equipe modelou eventos históricos de inundação para analisar como as águas pluviais sobrecarregam a infraestrutura de concreto da cidade. Agora, a administração pode usar este modelo como um sistema de apoio à decisão para prever áreas inundadas e otimizar a capacidade de drenagem. Foi observado que a transformação de Bangalore em um centro tecnológico levou a problemas ambientais, e a ausência de paisagem natural contribui para o rápido transbordamento dos antigos sistemas de drenagem.
