Predictive value of current HEC-RAS 2D water levels for machine learning flood postprocessing in southeastern Louisiana

As inundações estão entre as forças mais destrutivas da Terra, remodelando paisagens e ameaçando comunidades com uma velocidade aterradora. Para proteger pessoas e propriedades, cientistas dependem de modelos computacionais que simulam como a água se move pelo terreno, através de rios e para dentro das planícies de inundação. Essas simulações digitais, conhecidas como modelos hidráulicos, levam em conta a chuva, o formato do solo e o fluxo dos rios para prever o quão alto a água subirá. No entanto, esses modelos não são perfeitos. Eles são construídos sobre uma física complexa e dados imperfeitos, o que significa que suas previsões frequentemente se afastam da realidade, às vezes errando o nível real da água por vários metros. Quando um modelo erra, a diferença entre a água prevista e a água real pode significar a diferença entre um aviso seguro e uma surpresa catastrófica. O desafio para os cientistas não é apenas executar essas simulações, mas descobrir como corrigir seus erros após o fato, usando as informações que o próprio modelo já gerou para fazer um palpite melhor sobre o que realmente aconteceu.

No sudeste da Louisiana, uma equipe de pesquisadores partiu para testar uma ideia específica: os níveis de água previstos por um modelo computacional agora, e o caminho que esses níveis percorreram para chegar lá, podem ajudar a corrigir os erros do modelo? Eles focaram no Hydrologic Engineering Center's River Analysis System, uma ferramenta amplamente utilizada que divide a paisagem em uma grade de células e calcula a profundidade e a elevação da água ao longo do tempo. Os pesquisadores reuniram dados de oito grandes inundações que já haviam ocorrido na região, variando de tempestades tropicais a eventos de chuvas intensas. Eles compararam os níveis de água previstos pelo computador contra medições reais feitas por medidores ao longo de rios e riachos. O objetivo era ver se um sistema de aprendizado de máquina — um tipo de programa de computador que aprende padrões a partir de dados — poderia usar a própria saída do modelo para aprender a corrigir seus erros, sem precisar saber a causa exata do erro.

Os pesquisadores desenharam um experimento cuidadoso para separar diferentes fontes de informação. Primeiro, eles construíram um modelo de correção que sabia sobre a chuva, a localização e o tempo, mas era proibido de olhar para o nível de água atual do modelo computacional. Isso serviu como uma linha de base para ver quanto o modelo poderia aprender apenas com o clima e a geografia. Em seguida, permitiram que o sistema visse o nível de água atual do modelo computacional no exato momento da observação. Por fim, deram ao sistema um breve histórico dos níveis de água que antecederam aquele momento, mostrando como a água subiu ou desceu nas horas anteriores. Ao testar essas diferentes versões em inundações que o computador nunca tinha visto antes, eles puderam medir exatamente quanto valor cada peça de informação adicionava.

Os resultados mostraram que o nível de água atual do modelo computacional era a ferramenta mais poderosa para corrigir erros. Quando os pesquisadores adicionaram o nível de água atual ao seu sistema de correção, o erro médio na previsão da altura da água caiu significativamente, de cerca de 1,63 metros para 0,67 metros. Essa melhoria ocorreu consistentemente em todas as oito inundações testadas. O sistema aprendeu que o estado atual do modelo continha um resumo oculto de tudo o que havia acontecido até aquele ponto — a chuva que caiu, a água armazenada no solo e a maneira como o rio roteou o fluxo. Mesmo que a previsão bruta do modelo estivesse errada, a forma específica como ela estava errada continha uma pista que o sistema de aprendizado de máquina poderia usar para ajustar o número final. Isso sugere que o estado interno do modelo, mesmo quando falho, carrega informações úteis sobre o comportamento da inundação que os dados meteorológicos simples não podem fornecer.

Adicionar o histórico dos níveis de água — o passado recente da inundação — proporcionou um impulso menor, embora ainda positivo. Reduziu o erro de 0,67 metros para 0,62 metros e melhorou as previsões para sete das oito inundações. No entanto, essa informação extra foi menos consistente do que o nível de água atual. Em alguns casos, saber o passado recente ajudou, mas em outros, fez pouca diferença. Os pesquisadores descobriram que o nível de água atual já continha a maior parte da informação necessária sobre a evolução da inundação, tornando o histórico algo redundante. O sistema não precisou de uma linha do tempo detalhada das últimas horas para fazer uma boa correção; o registro instantâneo do nível da água naquele momento foi suficiente para guiar o ajuste.

O estudo também testou o quão bem essas correções funcionariam no mundo real, onde as localizações específicas dos medidores poderiam não fazer parte dos dados de treinamento. Quando os pesquisadores removeram todos os dados de um medidor específico do conjunto de treinamento, forçando o sistema a aprender a partir de outros locais, a correção que dependia apenas do clima e da geografia falhou quase completamente. Não conseguiu prever o nível da água para um novo local sem ajuda. No entanto, quando o sistema teve permissão para usar o nível de água atual do computador, ele ainda teve um bom desempenho, reduzindo o erro significativamente mesmo para medidores que nunca tinha visto antes. Este é um achado crucial porque significa que o método de correção não apenas memoriza o comportamento de rios específicos; ele aprende uma regra geral sobre como os erros do modelo se relacionam com o próprio nível da água. As maiores melhorias nesses casos difíceis ocorreram em áreas onde o mapa do terreno do computador era significativamente diferente do canal real do rio, sugerindo que o sistema aprendeu a compensar erros de mapeamento olhando para o nível da água.

Apesar desses sucessos, os pesquisadores foram cuidadosos ao notar o que o método não conseguia fazer. Embora as correções tenham melhorado o nível geral da água e a altura do pico da água, elas não corrigiram perfeitamente o tempo dos picos de inundação ou a velocidade exata com que a água subiu e desceu a cada três horas. O sistema podia dizer quão alta a água estaria, mas não podia prever de forma confiável exatamente quando a água atingiria seu ponto mais alto. Além disso, o estudo foi limitado a inundações que já haviam ocorrido. Os pesquisadores usaram eventos concluídos para treinar e testar seu sistema, o que significa que os resultados mostram o quão bem o método funciona em dados passados, não necessariamente como ele se comportará em uma inundação futura e inédita. O modelo computacional que utilizaram também possuía limitações conhecidas, como a ausência de alguns fluxos de entrada nos rios e registros incompletos de como a elevação do solo foi medida, o que significa que as correções estão trabalhando sobre uma base falha.

O estudo conclui que, embora o aprendizado de máquina possa melhorar significativamente as previsões de inundação ao usar os próprios dados de nível de água do modelo, ele não é uma solução mágica para todos os problemas. O nível de água atual proporcionou o maior e mais confiável ganho, enquanto o histórico da água adicionou um benefício menor e menos consistente. O método funciona melhor quando o nível de água do modelo é apoiado pelo terreno, ou seja, quando o computador pensa que a água está presente onde ela realmente está. Em áreas onde o modelo falha em mostrar a água que de fato está lá, ou onde o mapeamento do rio para a grade do computador é ruim, as correções tornam-se menos confiáveis. Os pesquisadores sugerem que, antes que esse tipo de pós-processamento possa ser usado para alertas em tempo real, os modelos computacionais subjacentes precisam de melhores dados sobre a forma do solo, fluxos de rios mais precisos e uma compreensão mais clara de como os níveis de água são medidos. Até lá, o método serve como uma demonstração poderosa de que mesmo modelos computacionais imperfeitos contêm pistas valiosas que, quando lidas corretamente, podem nos aproximar da verdade de uma inundação.