.
Uma nova técnica desenvolvida por geólogos da UCLA que usa inteligência artificial para prever melhor onde e por que os deslizamentos de terra podem ocorrer pode reforçar os esforços para proteger vidas e propriedades em algumas das áreas mais propensas a desastres do mundo.
O novo método, descrito em um artigo publicado na revista Comunicações Terra e Meio Ambientemelhora a precisão e a interpretabilidade das técnicas de aprendizado de máquina baseadas em IA, requer muito menos poder de computação e é mais amplamente aplicável do que os modelos preditivos tradicionais.
A abordagem seria particularmente valiosa em lugares como a Califórnia, dizem os pesquisadores, onde secas, incêndios florestais e terremotos criam a receita perfeita para desastres de deslizamentos de terra e onde a situação deve piorar à medida que a mudança climática traz tempestades mais fortes e úmidas.
Muitos fatores influenciam onde ocorrerá um deslizamento de terra, incluindo a forma do terreno, sua inclinação e áreas de drenagem, as propriedades materiais do solo e do leito rochoso e condições ambientais como clima, chuva, hidrologia e movimento do solo resultante de terremotos. Com tantas variáveis, prever quando e onde um pedaço de terra provavelmente perderá sua aderência é tanto uma arte quanto uma ciência.
Os geólogos tradicionalmente estimam o risco de deslizamento de uma área incorporando esses fatores em modelos físicos e estatísticos. Com dados suficientes, esses modelos podem obter previsões razoavelmente precisas, mas os modelos físicos consomem muito tempo e recursos e não podem ser aplicados em áreas amplas, enquanto os modelos estatísticos fornecem poucos insights sobre como eles avaliam vários fatores de risco para chegar às suas previsões .
Usando inteligência artificial para prever deslizamentos de terra
Nos últimos anos, os pesquisadores treinaram modelos de aprendizado de máquina de IA conhecidos como redes neurais profundas, ou DNNs, para prever deslizamentos de terra. Quando alimentados com resmas de variáveis relacionadas a deslizamentos de terra e informações históricas de deslizamentos de terra, essas grandes redes interconectadas de algoritmos podem processar e “aprender” muito rapidamente com esses dados para fazer previsões altamente precisas.
No entanto, apesar de suas vantagens no tempo de processamento e no poder de aprendizado, como acontece com os modelos estatísticos, as DNNs não “mostram seu trabalho”, tornando difícil para os pesquisadores interpretar suas previsões e saber quais fatores causais visar na tentativa de evitar possíveis deslizamentos de terra no futuro.
“Os DNNs fornecerão uma probabilidade percentual de um deslizamento de terra que pode ser precisa, mas não conseguimos descobrir por que e quais variáveis específicas foram mais importantes para causar o deslizamento de terra”, disse Kevin Shao, estudante de doutorado em ciências da Terra, planetárias e espaciais. e co-primeiro autor do artigo da revista.
O problema, disse o co-primeiro autor Khalid Youssef, ex-aluno de engenharia biomédica e pesquisador de pós-doutorado na UCLA, é que as várias camadas de rede de DNNs constantemente se alimentam umas das outras durante o processo de aprendizado, e desvendar sua análise é impossível. O novo método dos pesquisadores da UCLA visava resolver isso.
“Procuramos permitir uma separação clara dos resultados das diferentes entradas de dados, o que tornaria a análise muito mais útil para determinar quais fatores são os contribuintes mais importantes para os desastres naturais”, disse ele.
Youssef e Shao se uniram aos autores correspondentes Seulgi Moon, professor associado da UCLA de ciências da Terra, planetárias e espaciais, e Louis Bouchard, professor de química e bioengenharia da UCLA, para desenvolver uma abordagem que pudesse dissociar o poder analítico das DNNs de seus natureza adaptativa complexa, a fim de fornecer resultados mais acionáveis.
Seu método usa um tipo de IA chamada rede neural superponível, ou SNN, na qual as diferentes camadas da rede são executadas ao lado entre si — mantendo a capacidade de avaliar as relações complexas entre entradas de dados e resultados de saída — mas convergindo apenas no final para produzir a previsão.
Os pesquisadores alimentaram os dados do SNN com cerca de 15 variáveis geoespaciais e climáticas relevantes para as montanhas do leste do Himalaia. A região foi selecionada porque a maioria das perdas humanas devido a deslizamentos de terra ocorre na Ásia, com uma porção substancial no Himalaia. O modelo SNN foi capaz de prever a suscetibilidade a deslizamentos de terra nas áreas do Himalaia com uma precisão que rivaliza com a dos DNNs, mas, o mais importante, os pesquisadores puderam separar as variáveis para ver quais desempenhavam papéis maiores na produção dos resultados.
“Assim como as autópsias são necessárias para determinar a causa da morte, identificar o gatilho exato para um deslizamento de terra sempre exigirá medições de campo e registros históricos de solo, condições hidrológicas e climáticas, como quantidade e intensidade das chuvas, que podem ser difíceis de obter. em lugares remotos como o Himalaia”, disse Moon. “No entanto, nosso novo modelo de previsão de IA pode identificar variáveis-chave e quantificar suas contribuições para a suscetibilidade a deslizamentos de terra”.
O novo programa de IA dos pesquisadores também requer muito menos recursos de computador do que DNNs e pode ser executado de forma eficaz com relativamente pouco poder de computação.
“O SNN é tão pequeno que pode ser executado em um Apple Watch, ao contrário dos DNNs, que exigem servidores de computador poderosos para treinar”, disse Bouchard.
A equipe planeja estender seu trabalho a outras regiões propensas a deslizamentos de terra no mundo. Na Califórnia, por exemplo, onde o risco de deslizamento de terra é agravado por incêndios florestais e terremotos frequentes, e em áreas semelhantes, o novo sistema pode ajudar a desenvolver sistemas de alerta precoce que respondem por uma infinidade de sinais e predizem uma série de outros perigos de superfície, incluindo inundações.
.
