A Hybrid AI–Ontology Framework for Tropical Cyclone Forecasting, Risk Assessment, and Intelligent Disaster Decision Support

Os ciclones tropicais estão entre as forças mais poderosas da Terra, intensificando-se sobre águas oceânicas quentes para desencadear ventos, chuvas e tempestades de maré que podem remodelar o litoral e ameaçar milhões de vidas. Durante décadas, os meteorologistas têm trabalhado para prever para onde essas tempestades irão e quão fortes elas se tornarão. Essas previsões dependem de modelos computacionais complexos que rastreiam o movimento e a intensidade da tempestade, dando às autoridades uma vantagem vital. No entanto, saber o caminho de uma tempestade é apenas metade da batalha. Uma previsão que diz a uma cidade para esperar ventos fortes é útil, mas não diz automaticamente aos oficiais quais bairros são mais vulneráveis, quantas pessoas precisam sair ou quais perigos específicos — como inundações versus danos estruturais — as aguardam. A lacuna entre uma previsão meteorológica bruta e um plano claro e acionável para salvar vidas tem sido, há muito tempo, um desafio para os gestores de desastres.

Para preencher essa lacuna, uma equipe de pesquisadores desenvolveu um novo sistema que combina o poder preditivo da inteligência artificial com uma forma estruturada de compreender o mundo, conhecida como ontologia. Pense em uma ontologia como um mapa digital de conhecimento que conecta fatos sobre a tempestade a fatos sobre a terra e as pessoas que nela vivem. Embora a inteligência artificial seja excelente em identificar padrões em quantidades massivas de dados para prever o futuro, ela frequentemente atua como uma "caixa preta", oferecendo um número ou um caminho sem explicar o raciocínio por trás dele. Os pesquisadores queriam construir um sistema que não apenas previsse para onde um ciclone iria, mas que também traduzisse essa previsão em uma história clara e lógica sobre o risco. Ao ensinar um computador a entender as relações entre velocidade do vento, precipitação, densidade populacional e resistência das edificações, eles criaram uma ferramenta que pode gerar conselhos específicos e compreensíveis para os tomadores de decisão.

Os pesquisadores testaram este framework híbrido usando três ciclones reais que atingiram a Baía de Bengala: Amphan em 2020, Yaas em 2021 e Remal em 2024. O sistema opera em duas etapas principais. Primeiro, utiliza um tipo de inteligência artificial chamado rede de Memória de Longo Prazo (Long Short-Term Memory) para analisar dados meteorológicos históricos. Este modelo observa uma sequência de observações passadas — como a localização, velocidade e pressão da tempestade — para prever seu trajeto para as próximas vinte e quatro horas. Simultaneamente, um segundo modelo de inteligência artificial estima o tamanho da zona de impacto da tempestade, determinando quão longe do centro as condições perigosas alcançarão. Essas previsões não são apenas números; elas são alimentadas na segunda etapa do sistema, o motor de raciocínio baseado em ontologia.

Este motor de raciocínio atua como o tradutor. Ele pega o caminho previsto e o tamanho da tempestade e os sobrepõe a um perfil digital detalhado da região afetada. Este perfil inclui informações estáticas que não mudam, como a localização de cidades, a densidade da população, o tipo de edifícios na área e a geografia local. O sistema então aplica um conjunto de regras lógicas a esses dados combinados. Por exemplo, se a IA prevê ventos fortes e a ontologia sabe que uma área específica possui muitas estruturas antigas e frágeis, o sistema infere um alto risco de danos estruturais. Se a previsão inclui chuvas intensas e a área é de baixa altitude, o sistema infere um alto risco de inundação. O resultado é uma avaliação de risco abrangente que vai além dos simples dados meteorológicos para responder a perguntas críticas: Qual é a gravidade da ameaça? Quais áreas estão na zona vermelha? Quantas pessoas estão em risco?

Quando a equipe aplicou este framework ao Ciclone Amphan, o mais destrutivo dos três, o sistema apresentou alto desempenho de precisão. A IA previu a trajetória da tempestade com um erro médio de cerca de 72 quilômetros em um período de vinte e quatro horas, um nível de precisão comparável a outros métodos avançados de aprendizado profundo. Mais importante ainda, o motor de raciocínio identificou corretamente o evento como uma ameaça "Severa", atribuindo-lhe uma zona de risco vermelha e recomendando uma resposta de alto alerta. O sistema estimou que aproximadamente 640.000 pessoas estavam em risco, um número que se alinhou de perto com a enorme resposta de emergência que foi realmente lançada durante o evento real. O sistema distinguiu com sucesso o perigo extremo do Amphan dos riscos ligeiramente menores, embora ainda significativos, representados pelos ciclones Yaas e Remal. Para o Yaas, o sistema também sinalizou uma zona vermelha e alto alerta, enquanto para o Remal, avaliou corretamente um risco moderado, sugerindo uma zona amarela e um nível de urgência menor.

O estudo demonstra que combinar a inteligência artificial preditiva com o raciocínio de conhecimento estruturado cria uma ferramenta mais útil para a gestão de desastres do que qualquer uma das abordagens isoladamente. A inteligência artificial lida com a matemática difícil de prever o futuro da tempestade, enquanto a camada de ontologia garante que essas previsões sejam interpretadas através da lente da realidade local. Isso permite que o sistema produza resultados que não são apenas números precisos, mas conselhos inteligíveis, como diretrizes específicas de evacuação ou avisos de abrigo. Os pesquisadores descobriram que esta abordagem transformou com sucesso dados meteorológicos brutos em informações de risco semânticas estruturadas que os tomadores de decisão poderiam confiar e utilizar. Embora o sistema atual dependa de dados históricos e regras pré-definidas, os autores sugerem que versões futuras poderiam incorporar dados em tempo real de satélites e estações meteorológicas para tornar o sistema ainda mais responsivo. Em última análise, este trabalho oferece um caminho promissor para sistemas de gestão de desastres que não são apenas inteligentes o suficiente para prever a tempestade, mas sábios o suficiente para compreender o seu verdadeiro impacto sobre as pessoas e os lugares que ameaçam.