Este artigo foi submetido a uma revisão minuciosa de acordo com o processo editorial e as políticas da Science X. Nossos editores identificaram as seguintes características notáveis enquanto garantiam que o conteúdo se mantivesse credível: Um estudo recente publicado na revista Nature revela que um modelo de inteligência artificial (IA) tem o potencial de aprimorar a precisão da previsão de enchentes. A pesquisa indica que esse sistema pode igualar ou superar os métodos existentes líderes, oferecendo avisos antecipados para eventos de enchentes significativas. Devido às mudanças climáticas induzidas pelo homem, certas regiões têm experimentado um aumento na frequência de enchentes. No entanto, os métodos de previsão atuais dependem muito de calhas de medição, estações de monitoramento situadas ao longo dos rios, que não estão distribuídas de forma uniforme em todo o mundo. Como resultado, a previsão de rios sem medição se torna mais desafiadora, especialmente afetando os países em desenvolvimento. Para abordar esse problema, Grey Nearing e sua equipe desenvolveram um modelo de IA.

Este modelo foi treinado usando dados de 5. 680 calhas de medição existentes, visando prever o fluxo diário de água em bacias hidrográficas não medidas durante um período de previsão de 7 dias. Posteriormente, o modelo de IA passou por testes em comparação com o GloFAS (Sistema Global de Conscientização de Enchentes), o software reconhecido mundialmente para previsão de enchentes em cenários de curto e longo prazo. De forma surpreendente, o modelo de IA forneceu previsões de enchentes cinco dias com a mesma confiabilidade, se não superior, em relação às previsões do mesmo dia do sistema atual. Além disso, ao prever eventos climáticos extremos com um período de retorno de cinco anos, o modelo de IA demonstrou precisão comparável ou melhor em comparação com as previsões do GloFAS para eventos com retorno de um ano. Essas descobertas indicam fortemente que o modelo de IA tem o potencial de oferecer avisos de enchentes para eventos tanto menores quanto graves em bacias não medidas, proporcionando um tempo de antecedência maior do que os métodos anteriores. Consequentemente, o acesso a previsões confiáveis de enchentes em regiões em desenvolvimento pode ser significativamente melhorado. Para obter mais informações, consulte o estudo original: Grey Nearing et al, "Global prediction of extreme floods in ungauged watersheds, " Nature (2024). DOI: 10. 1038/s41586-024-07145-1.