Modelo utiliza parâmetros físicos e machine learning para prever tempestades de marés

A previsão de eventos extremos é essencial para a preparação e proteção de regiões vulneráveis, especialmente em cenários de mudança climática. No litoral paulista, a cidade de Santos tem sido um estudo de caso relevante devido às ameaças das marés de tempestade, também conhecidas como “ressacas”, que impactam tanto a infraestrutura quanto os ecossistemas locais.

Uma pesquisa realizada em Santos utilizou ferramentas avançadas de aprendizado de máquina para aprimorar os sistemas de previsão de eventos extremos. O estudo, publicado no Proceedings of the AAAI Conference on Artificial Intelligence, focou em “Early Detection of Extreme Storm Tide Events Using Multimodal Data Processing”. A liderança dessa pesquisa foi da professora Anna Helena Reali Costa, da Poli-USP, com o pesquisador Marcel Barros como autor principal.

Os modelos atuais de previsão da altura da maré e das ondas são baseados em equações físicas complexas que consideram diversas variáveis. No entanto, esses modelos exigem simplificações e não incorporam facilmente novos dados medidos que poderiam melhorar as previsões.

Para enfrentar esses desafios, a pesquisa combinou métodos de aprendizado de máquina com modelos físicos tradicionais. Essa abordagem, conhecida como “Aprendizado de Máquina Informado pela Física”, visa aperfeiçoar as previsões ao integrar dados adicionais medidos.

O estudo apresenta uma técnica inovadora para representar a passagem do tempo em redes neurais, o que permite lidar melhor com dados irregulares. Essa abordagem não apenas melhora as previsões de alturas de marés e ondas, mas também tem potencial para ser aplicada em diversos contextos além da meteorologia.

A pesquisa recebeu apoio da FAPESP por meio do Centro de Inteligência Artificial (C4AI), um projeto conjunto com a IBM Brasil sediado na Poli-USP. Esse estudo representa um avanço significativo na integração de modelos físicos e dados sensoriais para previsão de eventos extremos, contribuindo para aprimorar a preparação e resiliência de áreas vulneráveis.