An Explainable Deep Learning Framework for Evapotranspiration Prediction Using Hydro-Meteorological Data

A água é o fio que costura a atmosfera à terra, movendo-se constantemente entre o céu e o solo. Quando a chuva cai, parte dela infiltra-se no solo, parte flui para os rios e parte desaparece de volta para o ar como vapor através de um processo chamado evapotranspiração. Isto é uma combinação da evaporação da água do solo e da libertação de humidade pelas plantas através das suas folhas. Compreender exatamente quanta água faz esta jornada é crítico. Isso diz aos agricultores quando irrigar, ajuda os engenheiros a projetar reservatórios e permite que os gestores de desastres prevejam quando os rios podem transbordar em cheias. Durante décadas, os cientistas confiaram em fórmulas complexas para estimar estes movimentos de água, mas estes métodos exigem frequentemente montanhas de dados meteorológicos e um ajuste cuidadoso que os torna difíceis de usar em locais onde os registos são incompletos.

Uma nova abordagem, detalhada numa investigação recente, sugere que os computadores podem aprender estes padrões de água diretamente do histórico, sem necessitarem de fórmulas rígidas. Este estudo introduz um framework que utiliza aprendizagem profunda (deep learning), um tipo de inteligência artificial capaz de encontrar padrões ocultos em vastas quantidades de informação. Os investigadores combinaram várias arquiteturas de computador diferentes para atuarem como uma equipa: algumas para detetar padrões locais na paisagem, outras para recordar como o tempo muda ao longo do tempo, e um sistema especial para explicar exatamente por que razão o computador fez uma previsão específica. Ao tecer dados meteorológicos, localização geográfica e este novo tipo de inteligência artificial, o estudo oferece uma forma mais clara e transparente de prever como a água se move através da Terra, um passo vital para a gestão de recursos num clima em mudança.

Os investigadores propuseram-se a construir um sistema que pudesse prever a evapotranspiração e a evapotranspiração potencial, que é a quantidade máxima de água que poderia evaporar se a água fosse ilimitada. Para o fazer, reuniram dados secundários sobre precipitação, temperatura, humidade, velocidade do vento, radiação solar e a latitude e longitude específicas de um local. Em vez de dependerem de um único modelo de computador, treinaram quatro tipos diferentes de redes de aprendizagem profunda para analisar esta informação. Um tipo, conhecido como rede neuronal, serviu como base para encontrar relações gerais. Outro, uma rede convolucional, foi desenhado para analisar os dados como se fossem uma imagem, ajudando a identificar como características como a temperatura ou a precipitação variam através de diferentes partes de uma paisagem. Outros dois tipos, conhecidos como redes recorrentes, foram construídos especificamente para compreender o tempo. Eles podiam observar uma sequência de eventos meteorológicos e recordar como a chuva ou a humidade de ontem influenciaram as condições de hoje.

O estudo descobriu que estas diferentes mentes de computador tinham forças distintas. As redes desenhadas para lidar com o tempo, que podem recordar eventos meteorológicos passados, provaram ser melhores a capturar o fluxo de padrões hidrológicos do que as redes padrão que apenas olham para o momento presente. Isto faz sentido, pois o movimento da água é uma história que se desenrola ao longo de dias e semanas, não apenas num único instantâneo. As redes que analisaram características espaciais também melhoraram as previsões ao reconhecerem que um pedaço de terra quente e seco se comporta de forma diferente de um vale húmido, mesmo que a temperatura do ar seja a mesma. Ao combinar estas abordagens, o framework criou um quadro mais completo de como a água se move através do ambiente.

No entanto, um grande obstáculo para a inteligência artificial é que ela frequentemente atua como uma "caixa preta", dando uma resposta sem explicar como chegou a essa conclusão. Em campos como a gestão da água, onde as decisões afetam milhões de vidas, saber o "porquê" é tão importante quanto o "quê". Para resolver isto, os investigadores integraram uma ferramenta chamada SHAP, que atua como uma lupa para a tomada de decisão do computador. Esta ferramenta decompõe a previsão final para mostrar exatamente quanto cada fator contribuiu. A análise revelou que a precipitação, a temperatura e a radiação solar eram os principais motores da evapotranspiração, enquanto a humidade e a velocidade do vento também desempenhavam papéis significativos. Crucialmente, o sistema mostrou que a própria localização geográfica importava, confirmando que onde um lugar se situa no mapa influencia o seu ciclo da água.

Os resultados foram visualizados em mapas que mostravam como a evapotranspiração varia através de uma região. Áreas com temperaturas mais altas e luz solar intensa mostraram taxas mais elevadas de perda de água, enquanto locais mais húmidos retiveram mais humidade. Esta visão espacial permitiu aos investigadores ver o ciclo da água não apenas como um número, mas como uma paisagem que se desloca e muda. O estudo sugere que, ao integrar estes diferentes modelos de computador com mapas geográficos e ferramentas explicáveis, os cientistas podem ir além da simples adivinhação. O framework não apenas prevê o futuro; ele explica a lógica por trás da previsão, tornando-o uma ferramenta fiável para os planeadores.

Esta investigação não afirma ter resolvido todos os problemas da previsão da água. O estudo baseou-se em dados existentes e ofereceu uma comparação qualitativa de como estes diferentes modelos de computador desempenharam, em vez de fornecer um conjunto definitivo de números para todos os cenários possíveis. Os autores observam que trabalhos futuros precisarão de testar estes métodos com conjuntos de dados maiores e variáveis mais complexas, tais como a humidade do solo e a saúde da vegetação. No entanto, o trabalho estabelece um caminho claro a seguir. Demonstra que podemos construir sistemas inteligentes que não são apenas precisos, mas também compreensíveis. Para os gestores dos nossos recursos hídricos, isto significa ter uma ferramenta que pode prever cheias e secas, enquanto mostra claramente o tempo e a geografia que impulsionam essas previsões, transformando dados complexos em conhecimento acionável para um futuro mais resiliente.