Técnicas de Machine Learning, ou Aprendizado de Máquina, foram utilizadas para analisar padrões históricos de seca e criar previsões futuras, ajudando a mitigar os impactos das secas na região norte de Minas Gerais

Diante dos crescentes desafios impostos pelas mudanças climáticas, uma nova pesquisa acadêmica emergiu com o objetivo de auxiliar no enfrentamento de um problema particularmente grave no semiárido brasileiro: as secas. A dissertação desenvolvida por Peterson Logullo Ribeiro, mestre em Gestão e Regulação de Recursos Hídricos pela Universidade Federal de Itajubá e Analista na Agência Peixe Vivo, utilizou técnicas de inteligência artificial para analisar e prever eventos de seca na região norte de Minas Gerais. Com base em dados climáticos coletados ao longo de seis décadas, a pesquisa oferece uma abordagem inovadora para a gestão de recursos hídricos, contribuindo para a mitigação dos impactos socioeconômicos das secas.

A escolha do tema da dissertação foi orientada pela relevância do estudo dos eventos de seca na mesorregião norte de Minas Gerais, que faz parte do semiárido brasileiro. “A região é particularmente vulnerável aos impactos da seca, o que torna essencial o planejamento e a gestão eficazes dos recursos hídricos. A seleção dos municípios com maior ocorrência de secas, baseada em decretos de emergência e calamidade pública entre 2003 e 2015, serviu como base para a análise e a execução de um modelo de previsão de secas utilizando algoritmos de Machine Learning​” explica Peterson. A principal questão da pesquisa foi compreender melhor os padrões de frequência, intensidade, magnitude e duração das secas no norte de Minas Gerais e desenvolver um modelo preditivo utilizando Machine Learning que fornecesse previsões sobre futuros eventos de seca.

Para isso, Peterson utilizou o Índice Padronizado de Precipitação e Evapotranspiração (SPEI) para analisar a ocorrência e severidade das secas, e uma Rede Neural Recorrente (RNN), uma técnica de Machine Learning, para desenvolver modelos de previsão. A coleta de dados envolveu a obtenção de dados diários de precipitação e evapotranspiração potencial de 25 dos 89 municípios da área de estudo, abrangendo o período de 1961 a 2020. Esses dados foram transformados para calcular o balanço hídrico de cada localidade e, em seguida, utilizados para determinar o índice SPEI na escala de 12 meses (SPEI-12).

Posteriormente, foi realizada uma análise de agrupamento com os dados de precipitação média anual para refinar a seleção dos municípios para a previsão de secas. O método K-means foi utilizado para determinar o número ideal de agrupamentos, resultando na formação de cinco grupos distintos. Assim, foram escolhidos cinco municípios representativos, um de cada grupo: Espinosa, Rio Pardo de Minas, São Francisco, São João da Ponte e Lassance. Esses municípios foram selecionados para testar a adaptabilidade do modelo de previsão de secas a diferentes características climáticas.

“Um dos maiores desafios foi a coleta e tratamento de um grande volume de dados históricos”, destaca Peterson. “Além disso, desenvolver um modelo de previsão que fosse aplicável e preciso para todos os municípios analisados apresentou dificuldades significativas devido às variações nas características físicas e climáticas entre os locais.”

A pesquisa demonstrou que a frequência dos períodos secos aumentou a partir da primeira metade da década de 1990, um fenômeno possivelmente associado a mudanças significativas no uso e ocupação da terra desde então. A análise das características de precipitação e evapotranspiração na área de estudo revelou padrões que influenciam a ocorrência de secas nos municípios analisados. Essas características foram fundamentais para calibrar e validar o modelo de previsão de secas.

O modelo de previsão de secas desenvolvido, baseado em uma RNN, foi bem-sucedido na previsão desses eventos, especialmente para o município de São João da Ponte. A aplicação do SPEI se mostrou eficaz na análise de dados históricos e na previsão de secas futuras. Esses resultados podem ser utilizados para aprimorar os sistemas de monitoramento e alerta de secas, contribuindo para a gestão eficaz dos recursos hídricos e mitigação dos impactos socioeconômicos.

Segundo Peterson, foi surpreendente notar a variação na eficácia do modelo de previsão entre os diferentes municípios. Enquanto o modelo funcionou muito bem para prever secas em alguns municípios, como São João da Ponte, sua precisão foi menor em outros locais. Isso destacou a influência significativa das características físicas e climáticas específicas de cada município na precisão das previsões, indicando a necessidade de ajustes e personalizações do modelo para diferentes áreas.

As previsões de seca geradas pelo modelo podem auxiliar gestores públicos na implementação de estratégias preventivas e mitigatórias, como a conservação de água e o planejamento de cultivos resistentes à seca. Além disso, as prefeituras locais podem usar essas informações para desenvolver políticas de gestão de recursos hídricos mais eficazes e preparar a infraestrutura necessária para enfrentar períodos de seca. Essas aplicações práticas podem aumentar significativamente a resiliência da região aos impactos adversos das secas.

A pesquisa contribui para a segurança hídrica em regiões propensas à seca, ajudando no planejamento de contingência e na redução de impactos negativos em atividades agrícolas, geração de energia, e outros setores dependentes da água. Além disso, oferece uma metodologia que pode ser adaptada e aplicada em outras regiões semiáridas, ampliando seu impacto e relevância.

Peterson também destaca seu crescimento pessoal e profissional ao longo do processo de pesquisa. “Desenvolvi minhas habilidades em análise de dados, Machine Learning e gestão de recursos hídricos, além de fortalecer minha capacidade de resolver problemas complexos. No âmbito pessoal, aprendi a ser mais adaptável e persistente, enfrentando e superando diversos desafios ao longo do processo.”

A pesquisa de Peterson foi realizada com apoio da Coordenação de Aperfeiçoamento de Pessoal Nível Superior – Brasil (CAPES) e do Programa de Mestrado Profissional em Rede Nacional em Gestão e Regulação de Recursos Hídricos – ProfÁgua, Projeto CAPES/ANA AUXPE Nº. 2717/2015. A orientação recebida da Prof.ª Drª. Ana Carolina Vasques Freitas e do coorientador Prof. Dr. Sandro Carvalho Izidoro foi fundamental para o sucesso do projeto, garantindo a precisão e relevância dos resultados obtidos.

O que é Machine Learning?

Machine learning, ou aprendizado de máquina, é uma subárea da inteligência artificial que se concentra no desenvolvimento de algoritmos e modelos estatísticos que permitem aos computadores “aprenderem” a partir de dados e fazerem previsões ou decisões sem serem explicitamente programados para cada tarefa. No caso da pesquisa de Peterson, técnicas de Machine Learning foram utilizadas para analisar padrões históricos de seca e criar previsões futuras, ajudando a mitigar os impactos das secas na região norte de Minas Gerais.

Assessoria de Comunicação APV
Texto: Daniel Brito
Imagens: Peterson Logullo