Pesquisadores (as) do Cemaden publicam estudo de revisão científica sobre previsão de secas e o uso da Inteligência Artificial

Pesquisadores (as) do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden) – unidade de pesquisa do Ministério da Ciência, Tecnologia e Inovação (MCTI) - tiveram o artigo aceito na revista científica internacional Natural Hazards, no trabalho científico intitulado “Forecasting Drought Using Machine Learning: a Systematic Literature Review”, (Previsão de Secas Usando Aprendizado de Máquina: uma Revisão Sistemática da Literatura”).

O primeiro autor do artigo é o pesquisador do Cemaden, Ricardo S. Oyarzabal, bolsista do projeto Inteligência Artificial para Previsão de Condição de Seca em Áreas de Produção Agrícola Familiar, sob a supervisão do pesquisador do Cemaden, Leonardo Santos. O projeto faz parte do Projeto Institucional: Monitoramento dos Impactos das Secas: Estratégias para Redução de Risco em Setores Produtivos no Brasil, coordenado pela pesquisadora do Cemaden e especialista em seca, Ana Paula Cunha, uma das autoras do artigo.

Importância do aprimoramento da previsão de secas, diante do contexto das mudanças climáticas e eventos extremos

O estudo das secas é essencial para o planejamento e a gestão dos recursos hídricos, especialmente em um contexto de mudanças climáticas e eventos extremos cada vez mais frequentes. A previsão desses eventos com antecedência é fundamental para tomadores de decisão e para a sociedade como um todo.

“Além de organizar e sintetizar o conhecimento existente, a revisão destaca as múltiplas possibilidades de aplicação da inteligência artificial na previsão desses eventos.”, afirma o pesquisador do Cemaden, Ricardo Oyarzabal. Ele enfatiza que, diante das mudanças climáticas - que vêm alterando os padrões de eventos extremos ao redor do mundo -  uma revisão sistemática como essa se torna uma ferramenta essencial para orientar novas pesquisas, impulsionar estudos na área e ampliar a visibilidade do tema.

O número de publicações científicas sobre previsão de secas utilizando métodos de Machine Learning aumentou, significativamente, nos últimos anos, evidenciando que essa é uma área promissora para pesquisas futuras

“O Cemaden realiza pesquisa e monitoramento operacional de secas há pouco mais de uma década. No entanto, esta publicação representa um marco significativo para o grupo de secas do Centro, não apenas por se tratar de um material de referência sobre os conceitos fundamentais relacionados a secas, mas, sobretudo, por apresentar uma revisão do estado da arte sobre no uso de Inteligência Artificial para o monitoramento e previsão de secas”, afirma a pesquisadora do Cemaden, Ana Paula Cunha. “Essa é uma linha de pesquisa que vem ganhando destaque no Centro e, sem dúvida, contribuirá para aprimorar nosso sistema de monitoramento e previsão, trazendo avanços importantes para a área”, destaca Cunha.

Segundo Ricardo, “nos debruçamos na sistematização desse conhecimento, pois, além de fornecer insights para nossas pesquisas sobre previsão de secas no semiárido brasileiro, isso nos ajudará a identificar lacunas e potenciais métodos para aprimorar os estudos na área”.

Estudo sobre secas envolve pesquisadores multidisciplinares

Pesquisas sobre secas exigem a colaboração de especialistas de diferentes áreas, tornando a padronização de conceitos um elemento crucial para o avanço do conhecimento. O estudo contou com a participação de pesquisadores de diversas áreas, incluindo Ciências da Computação, Física, Engenharia, Matemática, Meteorologia e Geografia.

“Por ser um tema multidisciplinar, foi um processo gradual. No início, tivemos que alinhar o vocabulário, definir atributos e esclarecer objetivos entre diferentes áreas, unificando termos e conceitos técnicos fundamentais”, comenta o pesquisador do Cemaden, físico Leonardo Santos, também um dos autores do artigo.

Metodologia da revisão de publicações sobre previsão de secas e aprendizado da máquina

A revisão utilizou o protocolo PRISMA 2020 para garantir rigor na seleção e análise dos artigos. O estudo investigou os principais atributos dos trabalhos sobre previsão de secas que utilizam modelos de aprendizado de máquina, abrangendo o período de 2011 a 2023.

De quase 1.000 artigos inicialmente identificados, apenas 105 foram selecionados para análise detalhada. Os dados extraídos desses trabalhos científicos foram organizados em tabelas, disponíveis no repositório público GitHub. Após a extração e tratamento dos dados, foram gerados gráficos que permitiram uma análise mais aprofundada das tendências e desafios da área.

Os autores organizaram essa sistematização do conhecimento em duas abordagens principais: uma visão bibliométrica geral e uma análise quantitativa. Na visão bibliométrica, foram analisadas questões como a distribuição temporal dos artigos e os periódicos que publicaram mais estudos sobre o tema.

Já na análise quantitativa, foram considerados fatores como a localização geográfica das pesquisas, os tipos de seca estudados, o horizonte de previsão (lead time), os índices e indicadores de seca, os dados utilizados como entrada nos modelos de aprendizado de máquina e as metodologias predominantes para previsão de secas.

Os pesquisadores explicam, utilizando como exemplo, os tipos de seca :Meteorológica, Agrícola e Hidrológica, considerados atributos fundamentais, pois envolvem diferentes escalas temporais, essenciais para o desenvolvimento de modelos de aprendizado de máquina e para a mitigação dos impactos desses eventos. Além disso, os índices de seca são calculados a partir de variáveis hidroclimáticas essenciais, como precipitação, vazão, temperatura e evapotranspiração. A escolha adequada desses dados de entrada influencia, diretamente, a precisão dos modelos, possibilitando a identificação de novos padrões e tendências de seca.

Os autores do artigo são: Ricardo S. Oyarzabal¹*, Leonardo B. L. Santos¹ , Christopher Cunningham¹ , Elisangela Broedel¹, Glauston R. T. de Lima¹ , Gisleine Cunha-Zeri² , Jerusa S. Peixoto¹ , Juliana A. Anochi² , Klaifer Garcia¹ , Lidiane C. O. Costa¹ , Luana A. Pampuch³ , Luz Adriana Cuartas¹ , Marcelo Zeri¹, Marcia R. G. Guedes¹ , Rogério G. Negri³ , Viviana A. Muñoz¹ , Ana Paula M. A. Cunha¹.

¹ - Cemaden/MCTI

Fonte: Ascom/Cemaden (MRO)