Mudança, Detecção De Inundações No Norte Do Cazaquistão

Panorama Geral: As Inundações Da Primavera No Cazaquistão

O início da Primavera no Cazaquistão traz todos os anos um rápido degelo da neve. Devido ao súbito aumento da temperatura, as águas de escoamento descem as montanhas, inundando as ruas das povoações locais e os terrenos agrícolas. Em 13 de Março de 2023, a inundação da Primavera no Cazaquistão atingiu um nível tão extremo que o governo local declarou um regime de emergência natural. Verifique a lista de outros desastres naturais em 2023.

O Ministério das Situações de Emergência do Cazaquistão declarou que foram tomadas medidas preventivas contra as inundações na região ocidental do Cazaquistão antes do início da época das cheias. Essas medidas incluíram a construção e o reforço de barragens e de barreiras de protecção, a instalação de condutas, a limpeza do sistema de canais, a remoção de neve, a abertura de buracos e o corte de gelo em zonas propensas a congestionamentos fluviais. Esta abordagem global permitiu às autoridades atenuar a ameaça de inundações.

No entanto, um outro problema significativo persistiu mesmo após a adopção de medidas preventivas. Os transbordamentos e a destruição das estradas provocaram a interrupção da circulação e o isolamento das povoações. A ameaça é agravada pelo estado técnico de 1806 estruturas hidráulicas, que é altamente questionável, incluindo 471 que necessitam de uma revisão profunda. Ao mesmo tempo, a avaliação exacta do estado técnico destas estruturas é difícil devido à falta de apoio do Estado e à propriedade privada dos terrenos.

A situação em 2023 também foi complicada pela queda de neve na região do Turquestão (em 12 de Janeiro de 2023, a sua cobertura era de 94% do território). As reservas de neve nas montanhas foram registadas como sendo 47-49% superiores ao normal. Previa-se que o degelo primaveril desta massa de neve provocasse um aumento desregulado da descarga das águas de degelo ao longo do rio Arys no rio Syr Darya e o risco de inundação de povoações nas zonas baixas do rio Syr Darya no Cazaquistão ^{In Kazakhstan, spring floods can affect 255 settlements. (2023, January 24). Karavan.}.

A avaliação do impacto da erosão revelou que, partindo do princípio de que o rendimento total do planalto (área plana) no Cazaquistão é de 100%, em caso de inundação incontrolada da Primavera, as encostas do norte produziriam 80% desse volume, enquanto as encostas do sul produziriam apenas 40-60% ^{Buyanov S. (2015, May 19). Kazakhstan: The sunken earth. Kazakh-Seed.}.

Problema: O Impacto Das Inundações No Norte Do Cazaquistão

Para treinar um modelo de detecção de inundações, escolhemos uma área de interesse (AOI) numa das regiões do norte do Cazaquistão. Esta área estendia-se ao longo do rio Zhabay (um dos afluentes do rio Ishim), ao longo de um posto hidroeléctrico na foz do rio e da cidade de Atbasar, com uma população de 29 673 habitantes.

Esta região é caracterizada por intensas inundações de Primavera que se têm verificado nos últimos 10 anos, complicando significativamente o desenvolvimento socioeconómico das povoações desta bacia.

As principais causas das inundações são:

• Forte precipitação (cobertura de neve) que derrete
• Formação de congestionamentos nos cursos de água, contribuindo para uma subida acentuada do nível das águas
• A rápida fusão dos gelos fluviais no território plano da zona temperada, causada por um aumento súbito da temperatura na primavera.

As inundações mais intensas foram observadas em:

1. 2014 – mais de 550 casas foram inundadas em 12 ruas da cidade. Centenas de pessoas foram evacuadas;
2. 2016 – foi observada uma ameaça de inundação de casas próximas e 70 pessoas foram evacuadas. Como resultado da construção do aterro de terra a uma altura de 7 m, o transbordamento foi eliminado;
3. Em 2017, verificou-se uma subida elevada da água, quase o dobro da altura crítica, e a barragem de protecção foi arrastada em quatro locais. Mais de 600 casas foram inundadas e quase 1.500 pessoas foram evacuadas. O nível da água foi 80 centímetros mais alto do que o nível da cheia de 2014;
4. Em 2019, em Atbasar, duas escolas e cerca de 80 edifícios residenciais estavam sob a ameaça de inundações devido a um aumento de 70 centímetros no nível da água do rio Zhabai, perto da cidade.

Os especialistas da EOSDA treinaram um modelo de rede neural personalizado com base em dados de detecção remota e dados verídicos extraídos desta região. Ao incluir variáveis como a temperatura e a profundidade da neve, conseguiram obter análises de previsão das inundações da Primavera com 90% de exactidão.

Solução: Modelo De Regressão Múltipla

Para predecir la zona inundada, nuestros científicos utilizaron un modelo de regresión lineal múltiple. Consideraron dos tipos de datos de entrada:

1. Variáveis independentes, como dados meteorológicos
2. Variável dependente, ou seja, a própria inundação.

Suponhamos que é uma cooperativa agrícola que está a tentar prever a época das cheias da Primavera para a estação seguinte. Sabe que vários factores – desde o clima à profundidade da neve e à posição geográfica – podem ter impacto na altura das cheias, o que pode acabar por ser decisivo para os seus rendimentos. Talvez existam também alguns factores menos óbvios, como as formações de neve nos estados vizinhos, as condições técnicas das barragens próximas e os congestionamentos dos cursos de água que afectam as inundações.

Para fazer previsões exactas, soluções genéricas como uma biblioteca Python não lhe darão um resultado fiável. A solução é optar por um modelo ML construído com base num algoritmo matemático cuidadosamente escolhido e treinado especificamente para as condições únicas da sua área. Para detectar as inundações da Primavera no Norte do Cazaquistão, os cientistas da EOSDA decidiram optar por uma análise de regressão linear múltipla baseada em factores de previsão meteorológicos.

A análise de regressão múltipla é uma forma de prever matematicamente quando, onde e como todas as variáveis importantes resultam numa cheia de Primavera. A execução de uma análise deste tipo com base em preditores exactos pode ajudar a eliminar o trabalho de adivinhação ao responder a questões importantes. Por exemplo, podemos estimar quais os factores mais importantes e quais os que podemos ignorar. Depois, a análise de regressão múltipla mostrará como esses factores interagem uns com os outros no espaço e no tempo. E, talvez o mais importante, quais os locais que mais provavelmente sofrerão com a inundação quando todos os efeitos desses factores se juntarem.

Aleksey Kryvobok

Director Científico da EOS Data Analytics

Selecção De Preditores Para A Justificação Física Da Construção De Um Modelo De Previsão

Em primeiro lugar, os nossos cientistas tiveram de determinar quais os factores que mais contribuíam para as inundações da Primavera na AOI e quais os factores que podiam ser descartados.

O degelo intenso da neve na AOI ocorre normalmente no final de Março e início de Abril. Por conseguinte, tivemos de avaliar os factores que afectam as reservas de neve e a intensidade da sua fusão, que provoca as inundações da Primavera, nomeadamente:

• A profundidade máxima do manto de neve para o período frio do ano, de Dezembro a Março;
• A temperatura mínima durante o período frio do ano, que afecta a profundidade de congelamento do solo.
• Durante o degelo rápido, o solo congelado não permite que a humidade seja absorvida pelo solo, o que agrava a inundação;
• A profundidade do manto de neve no início de uma temperatura positiva constante, que mostra a quantidade de neve que permanece no momento da fusão intensiva;
• A soma das temperaturas desde a data do início da temperatura positiva até à data em que o manto de neve desaparece. Quanto mais baixa for a soma das temperaturas, mais intenso é o processo de fusão, ou seja, é necessário um menor número de dias para que a neve derreta completamente e o seu volume total caia no rio. Outros processos, como a evaporação e a absorção da água pelo solo, neste caso, não têm grande importância porque não têm tempo suficiente para reduzir o volume de água que entra no rio;
• A temperatura máxima positiva, que se observa antes do início de um período constante de temperatura positiva. Este aumento de temperatura contribui para um aumento do teor de humidade do manto de neve, o que leva a uma fusão mais intensa quando se inicia um período de temperatura positiva constante.

Resultados: Previsão Exacta Das Inundações, Mais Oportunidades

Os resultados da detecção da área de inundação de acordo com o modelo em comparação com os reais, ou seja, determinados a partir de dados de satélite no momento da cheia máxima do rio para 2016 – 2019 são apresentados na tabela abaixo. A análise dos resultados mostrou que a diferença média entre os valores reais e calculados é de 79,5 km2, e o erro relativo apresentado na coluna [abs(Sf – Sm)/Sf] é de 0,10, o que corresponde a 10% de erro estatístico, ou seja, 90% de precisão da previsão. Esta comparação mostra que os valores previstos corresponderam aos valores reais das cheias, o que comprova a viabilidade do modelo.

Factor Chave: Dados Meteorológicos

O resultado do treino de um modelo de ML depende muito da precisão de preditores independentes como a temperatura, a precipitação, a humidade do ar, etc. Isto deve-se ao facto de a rápida fusão da neve e do gelo, que está na origem de todo o problema, depender de um aumento acentuado da temperatura. As consequências da inundação, por sua vez, dependem da quantidade de neve e de gelo que derretem e da quantidade de neve e de gelo que atinge efetivamente a área de interesse.

Este modelo de detecção de inundações é uma prova de conceito (PoC) baseada em dados meteorológicos históricos, que são ligeiramente mais precisos do que as previsões meteorológicas. No caso de treinar o modelo para a previsão de inundações na vida real, escolheríamos valores de previsão meteorológica de 1 a 2 semanas antes do momento atual, dependendo da tarefa em questão. Para o efeito, recorreríamos a dados meteorológicos provenientes de modelos de prognóstico regionais e globais. Por exemplo, o ICON apresenta um dos melhores níveis de precisão de previsão de temperatura de cerca de 10С.

Se algum dos valores do preditor tiver desvios, as previsões resultantes parecem estar demasiado longe da verdade. Por isso, os nossos especialistas treinaram um modelo baseado nos preditores mais impactantes e precisos.

Outras Oportunidades Do Modelo

A nossa área de interesse no Norte do Cazaquistão incluía muitos pequenos objectos de infra-estruturas que estavam em perigo de destruição devido às cheias da Primavera. É importante mencionar que as capacidades potenciais dos nossos modelos treinados à medida podem ser alargadas em função de um determinado objectivo.

Por exemplo, pode querer mitigar os riscos de danos causados por cheias numa pequena cidade, mas também pode encomendar um modelo que se centre em preocupações agrícolas, como a previsão da erosão do solo e das zonas de produtividade dos campos.

Eis algumas das implementações possíveis dos nossos modelos ML personalizados:

• Monitorização do progresso dos objectos de construção (por exemplo, fundações, paredes, telhado). O modelo pode detectar milhares de objectos deste tipo.
• Determinação das zonas mais adequadas para a construção nas zonas propensas a inundações de Primavera.
• Previsão de séries temporais com base em índices de vegetação para empresas agrícolas.

Não hesite em contactar-nos para uma consulta pessoal e os nossos especialistas informá-lo-ão sobre a forma como podem afinar os nossos algoritmos para corresponder ao seu caso de utilização específico.