Engenheiros do MIT desenvolveram uma ferramenta de inteligência artificial capaz de prever eventos climáticos extremos regionais sem recorrer a dados de desastres registrados no passado. O método, desenvolvido por Kai Chang e pelo Prof. Themis Sapsis e denominado Extreme Event Aware ou η-learning (eta-learning), foi publicado em 20 de agosto na revista Nature Communications. O modelo consegue gerar mapas e valores de probabilidade para eventos que não aparecem nos registros históricos de uma região, mas que são estatisticamente prováveis de ocorrer.
Limitações dos Modelos Tradicionais de Risco
Companhias de seguros, planejadores urbanos e operadores de redes geralmente querem saber como seria uma tempestade que poderia ocorrer uma vez por século em determinada região. As simulações atuais costumam utilizar conjuntos de dados que já contêm eventos extremos. Isso limita os cenários que os modelos podem produzir. Os pesquisadores afirmam que os métodos existentes se baseiam em desastres observados anteriormente nos conjuntos de dados, mas são insuficientes para avaliar possíveis cenários extremos que nunca ocorreram.
Dois Tipos de Dados Combinados
O algoritmo desenvolvido utiliza conjuntamente dois tipos principais de dados. As estatísticas pontuais mostram com que frequência determinado nível de intensidade, como a precipitação máxima registrada no mapa, aparece no conjunto de dados. Já os mapas espaciais refletem como o impacto de um evento varia em diferentes partes da região. Ao aprender a conexão estatística entre esses dois tipos de dados, o sistema consegue criar padrões espaciais relacionados a eventos extremos que não estão presentes nos dados de treinamento.
Registro de 25 Anos e Experimento de Treinamento de 6 Meses
Os pesquisadores testaram o modelo com registros de precipitação do território continental dos Estados Unidos. No estudo, dados horários de precipitação de 25 anos foram transformados em mapas diários, e as estatísticas pontuais foram extraídas. Já o conjunto de treinamento usado para o modelo espacial foi mantido bastante limitado. Essa parte do algoritmo foi treinada com pares de mapas de baixa e alta resolução obtidos apenas dos primeiros 6 meses do registro de 25 anos. Embora não houvesse nenhum exemplo de precipitação intensa nesse período de 6 meses, o sistema aprendeu como os padrões de baixa resolução correspondiam aos detalhes de alta resolução. Em seguida, criou cenários extremos usando as estatísticas pontuais.
Cenários de Precipitação de 300 Milímetros e Testes de Infraestrutura
Embora a maior quantidade de precipitação já medida na cidade de New York seja de 200 milímetros, o novo método consegue produzir mapas estatisticamente plausíveis para uma tempestade de 300 milímetros que não aparece nos registros observacionais. Esses mapas permitem que as cidades testem seus muros de proteção costeira contra ondas de tempestade de níveis recordes, avaliem a resistência das redes elétricas a ondas de calor prolongadas e meçam a capacidade dos recursos dos bombeiros diante de grandes incêndios.
Sistemas Globais e Resiliência
Para que o modelo possa ser adaptado a um novo tipo de perigo, são necessárias estatísticas pontuais e dados espaciais relacionados à área em questão. A metodologia também pode ser usada no estudo de eventos meteorológicos, da navegação robótica e de colapsos repentinos nos mercados financeiros.
Os pesquisadores afirmam que os sistemas de infraestrutura globais são projetados com base na eficiência e que um único evento extremo provoca efeitos em cadeia, no prazo de semanas, nas cadeias de abastecimento e nos mercados de energia. Eles destacam que a capacidade de atribuir uma probabilidade a um evento que ainda não ocorreu é de importância crítica para a resiliência econômica e nacional.