Detecção Antecipada de Maré de Tempestade Utilizando Dados Multimodais

A Nova Fronteira das Marés de Tempestade

No cenário desafiador das mudanças climáticas, a antecipação de eventos extremos torna-se uma ferramenta crucial para a proteção de comunidades vulneráveis. Em nenhum lugar essa necessidade é mais evidente do que em Santos, cidade costeira do Brasil, que enfrenta regularmente as fúrias das marés de tempestade, localmente conhecidas como “ressacas”, representando uma ameaça tanto para a infraestrutura urbana quanto para os ecossistemas marinhos.

Dados multimodal

Uma pesquisa inovadora, centrada em Santos, empregou uma abordagem híbrida, combinando parâmetros físicos tradicionais com técnicas avançadas de aprendizado de máquina para aprimorar a previsão desses eventos extremos. O estudo, intitulado “Detecção Antecipada de Eventos de Maré de Tempestade Extrema Utilizando Processamento de Dados Multimodais”, publicado nos Proceedings of the AAAI Conference on Artificial Intelligence, é fruto do trabalho conjunto de uma equipe multidisciplinar liderada pela renomada professora Anna Helena Reali Costa, da Escola Politécnica da Universidade de São Paulo (Poli-USP), e pelo pesquisador Marcel Barros, do Departamento de Engenharia de Computação e Sistemas Digitais da mesma instituição.

Os modelos tradicionais de previsão de maré e ondas baseiam-se em equações físicas complexas, considerando uma variedade de variáveis, desde o relevo até o regime de ventos e a maré astronômica. No entanto, esses modelos enfrentam desafios na integração de novos dados observacionais e na complexidade computacional para lidar com a imprevisibilidade dos eventos extremos.

Por outro lado, o aprendizado de máquina oferece uma abordagem promissora para identificar padrões em dados e aprimorar as previsões. No entanto, requer um grande volume de dados para treinamento, o que nem sempre está disponível em contextos de previsão de eventos extremos.

O estudo pioneiro realizado em Santos conseguiu superar esses desafios ao desenvolver um modelo baseado em aprendizado de máquina, que utiliza os modelos físicos como ponto de partida e os aprimora com dados observacionais. Essa abordagem, denominada “Aprendizado de Máquina Informado pela Física”, representa uma síntese inovadora entre os dois mundos, prometendo previsões mais precisas e confiáveis.

Contribuição do estudo

Uma das principais contribuições do estudo é uma técnica inovadora para representar a passagem do tempo em redes neurais, permitindo a integração de dados irregulares e a consideração de lacunas e variações temporais. Isso não apenas melhora a precisão das previsões de maré e ondas, mas também tem o potencial de ser aplicado em uma variedade de contextos além da meteorologia, incluindo saúde, manufatura e finanças.

Além disso, o modelo proposto combina diferentes tipos de dados, incluindo imagens de satélite e previsões de modelos numéricos, em uma arquitetura multimodal flexível. Essa abordagem representa um avanço significativo em direção a sistemas de previsão mais robustos e adaptáveis, capazes de lidar com a complexidade e a variabilidade dos eventos climáticos extremos.

O estudo recebeu apoio da FAPESP por meio do Centro de Inteligência Artificial (C4AI), destacando a importância da colaboração entre instituições acadêmicas e parceiros industriais para impulsionar a inovação e enfrentar os desafios urgentes colocados pelas mudanças climáticas. Ao oferecer uma metodologia para melhorar a precisão das previsões de eventos extremos, este trabalho destaca o potencial transformador do conhecimento científico aplicado na proteção de comunidades vulneráveis em todo o mundo.