NASA utiliza aprendizado de máquina para aprimorar avisos de inundações repentinas

O Artefato Transiente e o Sistema de Aprendizagem Contínua (TACLS), desenvolvido pela NASA, representa um avanço significativo na previsão de inundações repentinas. Este sistema inovador integra dados de redes de satélite em operação contínua com modelos sofisticados de aprendizado de máquina para auxiliar os meteorologistas do Serviço Meteorológico Nacional (NWS) a identificar e prever esses eventos climáticos extremos com maior precisão e antecedência. A capacidade de processar vastas quantidades de dados em tempo real permite ao TACLS detectar padrões e anomalias que podem indicar a iminência de inundações, oferecendo uma ferramenta crucial para a proteção de comunidades e infraestruturas.

A complexidade dos fenômenos meteorológicos e o volume massivo de dados a serem analisados frequentemente dificultam a detecção de sinais sutis que precedem inundações repentinas. O TACLS foi projetado especificamente para superar esses desafios, identificando eventos críticos como rios atmosféricos, convecção de monções e remanescentes de ciclones tropicais, que são precursores comuns de inundações. Por exemplo, o sistema pode analisar as condições atmosféricas que levam a um ciclone atingindo a costa da Califórnia, como o ocorrido em 19 de novembro de 2024, fornecendo insights valiosos que podem ser cruciais para a emissão de alertas.

Este projeto de ponta é fruto de uma colaboração estratégica entre instituições de pesquisa e agências governamentais. O desenvolvimento do TACLS é resultado de um esforço conjunto do Laboratório de Propulsão a Jato (JPL) da NASA, da Universidade da Califórnia, San Diego (UCSD), e do Serviço Meteorológico Nacional (NWS), que faz parte da Administração Oceânica e Atmosférica Nacional (NOAA). Essa parceria multidisciplinar reúne a expertise em engenharia espacial e ciência de dados do JPL, a pesquisa acadêmica avançada da UCSD e a experiência operacional em previsão do tempo do NWS, garantindo que o sistema seja cientificamente robusto e aplicável às necessidades práticas dos meteorologistas.

A eficácia do TACLS foi rigorosamente testada em simulações que utilizaram dados de diversos eventos climáticos severos ocorridos entre 2017 e 2023. Esses eventos incluíram uma variedade de cenários, como rios atmosféricos, convecção de monções e remanescentes de ciclones tropicais, que são conhecidos por desencadear inundações repentinas. Os resultados foram notáveis: o sistema capturou com sucesso 93% dos avisos de inundações repentinas que foram emitidos durante esse período. Essa alta taxa de sucesso demonstra o potencial do TACLS para aprimorar significativamente a capacidade de alerta e resposta a desastres naturais, oferecendo uma camada adicional de segurança para as populações em risco.

A base tecnológica do TACLS reside na análise de dados de sistemas globais de navegação por satélite (GNSS). O vapor d'água presente na troposfera, a camada mais baixa da atmosfera terrestre, provoca um atraso nos sinais desses satélites à medida que eles viajam em direção à Terra. Ao analisar precisamente esse atraso de sinal, os cientistas podem calcular a quantidade exata de vapor d'água na atmosfera em um determinado local. Essa medição é crucial, pois a concentração de vapor d'água é um indicador primário para a formação de chuvas intensas e, consequentemente, para o risco de inundações repentinas.

No coração do TACLS está um modelo de aprendizado de máquina avançado, que compõe o pacote de software analítico de back-end. Este modelo foi meticulosamente treinado utilizando um vasto conjunto de dados históricos do GNSS, abrangendo mais de 30 anos de observações. A riqueza e a profundidade desses dados permitiram que o algoritmo aprendesse padrões complexos associados a condições atmosféricas que levam a inundações. Além disso, o TACLS integra e aproveita várias inovações desenvolvidas anteriormente no JPL, otimizando o processamento dos dados GNSS e a apresentação dos resultados de forma eficiente e compreensível para os meteorologistas.

Em suma, o Artefato Transiente e o Sistema de Aprendizagem Contínua representa um salto qualitativo na capacidade de previsão meteorológica, especialmente no que tange a eventos de inundações repentinas. Ao combinar a precisão dos dados de satélite com a inteligência artificial, o TACLS oferece aos meteorologistas uma ferramenta poderosa para antecipar e mitigar os impactos desses fenômenos devastadores. A contínua evolução e implementação de sistemas como o TACLS são fundamentais para fortalecer a resiliência das comunidades frente às crescentes ameaças climáticas, salvaguardando vidas e propriedades em um cenário de mudanças ambientais.