O estudo recebeu apoio da Fapesp por meio do Centro de Inteligência Artificial (C4AI), um Centro de Pesquisa em Engenharia (CPE) constituído pela Fapesp e a IBM Brasil e com sede na Poli.
*Da Agência Fapesp
A previsão de eventos extremos é essencial para a preparação e proteção de regiões vulneráveis – especialmente no atual contexto de mudança climática. No Brasil, a cidade de Santos, no litoral paulista, tem proporcionado estudos de caso relevantes, pois enfrenta marés de tempestade, popularmente conhecidas por “ressacas”, que ameaçam tanto a infraestrutura quanto os ecossistemas locais.
Uma pesquisa, que utilizou como espaço amostral a realidade de Santos, empregou ferramentas avançadas de aprendizado de máquina para otimizar os sistemas atuais de previsão de eventos extremos. Artigo a respeito foi publicado no Proceedings of the AAAI Conference on Artificial Intelligence: Early Detection of Extreme Storm Tide Events Using Multimodal Data Processing. O trabalho, que mobilizou grande número de pesquisadores, foi coordenado por Anna Helena Reali Costa, professora titular da Escola Politécnica da USP (Poli), e teve, como primeiro autor, o pesquisador Marcel Barros, do Departamento de Engenharia de Computação e Sistemas Digitais da Poli.
Os modelos utilizados atualmente para realizar previsões da altura da maré e da altura média das ondas são baseados no equacionamento físico dos fenômenos envolvidos. São compostos de sistemas de equações diferenciais que contemplam variáveis como relevo, maré astronômica (determinada pela posição relativa de três corpos: Sol, Terra, Lua), regime de ventos, velocidade de correntes, índice de salinização da água etc.
Embora bem-sucedida em diversas áreas, essa modelagem é bastante complexa e depende de uma série de hipóteses simplificadoras. Além disso, é muitas vezes inviável integrar a ela novas fontes de dados medidos que poderiam contribuir para previsões melhores.
Por outro lado, estão em alta métodos de aprendizado de máquina capazes de identificar padrões em dados e realizar extrapolações para situações novas. Mas tais métodos, em geral, precisam de um grande número de exemplos para serem treinados em tarefas complexas como as demandadas por esse tipo de previsão.
“O nosso estudo une os dois mundos ao desenvolver um modelo baseado em aprendizado de máquina que utiliza os modelos físicos como ponto de partida, mas que consegue refiná-los agregando dados medidos. Essa área de estudo é conhecida como Aprendizado de Máquina Informado pela Física (Physics-Informed Machine Learning, na expressão em inglês, da qual deriva a sigla PIML)”, diz Barros.
A professora destaca as três maiores virtudes do modelo: combinar modelos físicos com modelos numéricos; representar de uma nova maneira o tempo para redes neurais; trabalhar com dados de formatos distintos, por meio de uma arquitetura multimodal. “O estudo oferece uma metodologia capaz de melhorar a precisão das previsões de eventos extremos, como as marés de tempestade em Santos. Ao mesmo tempo, destaca os desafios e potenciais soluções para a integração de modelos físicos e dados sensoriais em contextos complexos”, resume.
O estudo recebeu apoio da Fapesp por meio do Centro de Inteligência Artificial (C4AI), um Centro de Pesquisa em Engenharia (CPE) constituído pela Fapesp e a IBM Brasil e com sede na Poli.
*Da Agência Fapesp