IA e previsão de desastres naturais: prevenção possível ou ilusão tecnológica?

Por que a IA não impediu a inundação na Alemanha? Enquanto os algoritmos salvam vidas ao prever incêndios na Califórnia e enchentes na Índia, eles permanecem ce

É o amanhecer de 15 de julho de 2021 na Alemanha. Milhares de pessoas dormem no vale do Ahr quando uma inundação devastadora arrasa casas, estradas, vidas. 184 mortos. O sistema de alerta meteorológico havia previsto chuvas intensas, mas não o apocalipse que se seguiu. Os modelos subestimaram a intensidade. As comunicações falharam. As evacuações não ocorreram. E enquanto as águas submergiam o vale, alguém se perguntou: com toda a inteligência artificial que temos, por que não fomos capazes de prevenir este desastre?

A pergunta revela uma ilusão perigosa: que a IA possa "resolver" catástrofes naturais. Prevê-las perfeitamente, preveni-las completamente, proteger-nos totalmente. A realidade é muito mais complexa. A IA está a mudar radicalmente como gerimos emergências naturais – alertas mais rápidos, previsões mais precisas, respostas mais coordenadas – mas tem limites estruturais intransponíveis que impedem a "prevenção perfeita" que alguns prometem.

Onde a IA está realmente a fazer a diferença

Antes de falar de limites, é preciso reconhecer onde a IA funciona extraordinariamente bem. Sistemas de alerta precoce com machine learning revolucionaram a previsão de eventos meteorológicos extremos analisando em tempo real fluxos imensos de dados: satélites, sensores IoT, radares meteorológicos, estações de deteção.

Google Flood Forecasting na Índia e no Bangladesh é um caso exemplar. Sistema de IA que prevê cheias fluviais até cinco dias de antecedência, cobrindo mais de 200 milhões de pessoas. Não é uma previsão genérica, mas granular: quais aldeias específicas serão inundadas, quando, com que nível de água. Permite evacuações direcionadas em vez de evacuações de massa desorganizadas.

No Japão, algoritmos analisam sinais sísmicos 3D e estimam epicentro e magnitude de terramotos em poucos segundos após as primeiras ondas. Segundos preciosos para parar comboios de alta velocidade, fechar redes elétricas, alertar a população via smartphone. Não previne o terramoto, mas reduz drasticamente danos e vítimas.

Califórnia: o programa AlertCalifornia usa visão computacional em milhares de câmaras distribuídas nas florestas. Algoritmos detetam fumo, calor anómalo, mudanças visuais indicativas de incêndio nascente – muitas vezes antes de alguém ligar para o 911. A intervenção do CAL FIRE parte quando a chama ainda é pequena, contornável. Isto salva florestas, casas, vidas.

Projetos climáticos globais usam IA para mapear vulnerabilidades infraestruturais, identificar zonas de risco, otimizar a alocação de recursos de emergência, coordenar evacuações. O impacto é real, mensurável, significativo.

Como discutido no artigo sobre IA quântica, a convergência entre IA e computação quântica poderia acelerar ainda mais as capacidades preditivas, processando cenários meteorológicos complexos em tempos impossíveis para computadores clássicos.

O problema dos eventos raros e extremos

Mas aqui começam os limites fundamentais. Desastres extremos são por definição raros. Uma inundação centenária acontece, precisamente, a cada 100 anos. Um terramoto de magnitude 8+ é um evento estatisticamente improvável. Um furacão de categoria 5 numa trajetória específica é um *outlier*.

O *machine learning* funciona melhor quando tem montanhas de dados para aprender padrões. Mas com eventos raros, os conjuntos de dados históricos são escassos, desequilibrados, cheios de lacunas. Um algoritmo treinado com 50 anos de dados meteorológicos viu talvez 2-3 eventos extremos realmente devastadores. Como é que aprende a reconhecê-los se nunca os "viu" suficientemente?

Pior: os algoritmos tendem a tratar *outliers* como ruído estatístico a ignorar. Um evento extremo parece uma anomalia, um desvio do padrão normal. O modelo "corrige" a previsão, trazendo-a para a média histórica. Resultado: subestimação sistemática da intensidade de eventos catastróficos precisamente quando a precisão é mais crítica.

Há também o problema da distribuição não estacionária. Num clima que muda, o passado não prevê o futuro. Eventos considerados "centenários" com base em dados dos últimos 100 anos acontecem agora a cada 20-30 anos. Os padrões sazonais alteram-se. A intensidade aumenta para além dos máximos históricos. Um algoritmo treinado no passado tem dificuldade em generalizar para um futuro climaticamente diferente.

A inundação na Alemanha em 2021 é o exemplo perfeito: os modelos previam chuvas intensas, mas não aquela intensidade específica porque não havia precedentes na base de dados. O algoritmo "normalizou" para chuvas intensas conhecidas. Erro fatal.

O deserto de dados nas áreas mais vulneráveis

Depois, há a geografia da vulnerabilidade. Em muitas regiões de alto risco faltam infraestruturas digitais fundamentais para a IA: sensores meteorológicos, redes sísmicas, satélites de alta resolução, conectividade estável.

África subsaariana, Sudeste Asiático, áreas rurais da América Latina: zonas de altíssima exposição a desastres climáticos, mas com dados escassos, fragmentados, pouco fiáveis. Como treinar um modelo preciso de previsão de cheias no Bangladesh se faltam dados históricos granulares dos fluxos fluviais? Como prever secas no Sahel sem séries temporais decenais de precipitação?

Resultado: os modelos de IA funcionam melhor onde são menos necessários – países ricos com infraestruturas robustas – e pior onde são mais necessários – países vulneráveis com recursos limitados. Uma ironia trágica.

Há também o problema da generalização geográfica. Um modelo treinado numa planície de inundação europeia funciona mal quando aplicado a uma planície asiática com solos, topografia e padrões de precipitação diferentes. A transferência de aprendizagem entre regiões climáticas é um desafio em aberto. Cada modelo requer calibração local, o que pressupõe dados locais... que muitas vezes não existem.

Como evidenciado no artigo sobre viés algorítmico, quando os dados de treino sobre-representam algumas populações e sub-representam outras, os algoritmos herdam e amplificam desigualdades existentes. No contexto de desastres naturais, isto cria uma "injustiça climática algorítmica".

A *black box* que decide quem evacuar

Há também um problema crítico de interpretabilidade. Os modelos de *deep learning* são *black boxes*: processam milhões de variáveis, identificam padrões complexos, produzem *output* – mapa de risco, probabilidade de inundação, recomendação de evacuação – mas não explicam *porquê*.

Uma autoridade local recebe um alerta de IA: "Evacuar a zona X dentro de 6 horas, risco de inundação 85%". Mas porquê 85%? Quais os fatores que pesam mais? O algoritmo tem certeza ou está a "intuir" com base num padrão espúrio? Em quanto confiar?

O problema não é teórico. Uma evacuação tem custos: económicos (fecho de atividades), sociais (deslocação de famílias), políticos (se o alerta for um falso alarme, a credibilidade desaba). As autoridades têm de decidir com base numa recomendação algorítmica não transparente. Se evacuam e nada acontece, os cidadãos deixarão de acreditar em futuros alertas. Se não evacuam e a catástrofe acontece, a responsabilidade é devastadora.

A validação de modelos preditivos é complexa. É preciso esperar por eventos reais para verificar se as previsões eram precisas. Mas eventos raros, por definição, não ocorrem com frequência. Portanto, o ciclo de *feedback* é lentíssimo. Como saber se confiar num modelo que não foi testado numa amostra representativa de eventos extremos?

É necessária transparência algorítmica, explicabilidade das previsões, intervalos de confiança claros, comunicação da incerteza. Não basta dizer "85% de probabilidade de inundação". É preciso dizer "85% com base nestes padrões, mas com estes pressupostos, estas margens de erro, este histórico de precisão do modelo em eventos semelhantes passados".

Infraestrutura computacional como gargalo

Depois, há um limite prático brutal: a computação necessária. Processar *streams* contínuos de milhares de satélites, milhões de sensores IoT, redes meteorológicas globais requer uma potência de cálculo enorme, uma largura de banda massiva, um armazenamento imenso.

A Google pode dar-se ao luxo disso para o Flood Forecasting na Índia. Mas um país em desenvolvimento com um orçamento limitado? Uma organização humanitária local? Não têm acesso a infraestruturas de *cloud* escaláveis, equipas de *data scientists* experientes, *pipelines* de dados complexas necessárias.

Mesmo quando a tecnologia está disponível, permanece um fosso de implementação. Instalar sensores IoT em aldeias remotas. Manter conectividade por satélite fiável. Formar pessoal local para usar sistemas de IA. Integrar os *outputs* dos algoritmos nos processos de decisão existentes. Tudo isto requer investimentos massivos, anos de implementação, apoio contínuo.

Organizações internacionais como a UNFCCC sublinham: sem transferência de tecnologia, *capacity building*, financiamento adequado para países vulneráveis, a IA corre o risco de ampliar o fosso entre quem está protegido e quem está exposto.

Como discutido no artigo sobre IA e linguagem, quando a tecnologia avançada se difunde de forma desigual, cria novas formas de exclusão e marginalização. O mesmo vale para as tecnologias preditivas de desastres.

O paradoxo da dependência tecnológica

Há também um risco mais subtil: a dependência excessiva de sistemas de IA pode corroer a resiliência comunitária tradicional. Comunidades costeiras que durante gerações leram o mar, o vento, o comportamento dos animais para prever tempestades delegam agora completamente numa *app* de *smartphone*.

Quando a *app* funciona bem, tudo é perfeito. Mas quando a rede cai, a bateria acaba, o sistema tem um *downtime* precisamente durante uma emergência? As pessoas perderam o conhecimento tradicional, já não sabem ler os sinais naturais, dependem totalmente da mediação tecnológica.

É o *cognitive offloading* aplicado à gestão de risco: delegas a competência preditiva na IA até perderes a capacidade autónoma de avaliar o perigo. Torna vulnerável em vez de fortalecer.

É necessária uma abordagem híbrida: sistemas de IA como uma camada informativa adicional sobre – não um substituto de – conhecimento local, *expertise* tradicional, redes comunitárias. Tecnologia que amplifica as capacidades humanas sem as substituir.

Governação, responsabilidade, decisões na incerteza

Quem é responsável quando uma previsão de IA se engana e pessoas morrem? Os desenvolvedores do algoritmo? As autoridades que seguiram a recomendação? O governo que implementou o sistema?

O IEEE e organismos internacionais propõem *frameworks* de governação: protocolos claros sobre responsabilidade, auditorias regulares aos modelos, transparência dos processos de decisão, supervisão humana competente sempre presente.

Mas a tensão permanece: queremos automatizar decisões críticas para velocidade (o algoritmo decide a evacuação instantaneamente) ou manter o controlo humano para responsabilidade (um perito valida a recomendação algorítmica)? A primeira opção é mais rápida, mas menos *accountable*. A segunda é mais responsável, mas mais lenta.

E há o problema dos incentivos: as *tech companies* vendem a IA como a "solução definitiva" para a gestão de catástrofes. O *marketing* promete precisão impossível, prevenção total, segurança garantida. Os governos compram sistemas atraídos pelas promessas. Mas quando o desempenho real é inferior às expetativas criadas pelo *hype*, a desilusão é devastadora.

É necessária honestidade comunicativa: a IA melhora significativamente as capacidades preditivas MAS tem limites intransponíveis. Não elimina catástrofes, reduz o impacto. Não previne completamente, alerta precocemente. Não substitui a preparação, facilita-a.

Como discutido no artigo sobre IA e filosofia da consciência, a tendência para antropomorfizar sistemas de IA – atribuir-lhes compreensão, juízo, sabedoria que não têm – cria expetativas irrealistas e consequente desilusão.

O que a IA pode realmente fazer (e o que nunca poderá fazer)

Então, o que é realista esperar da IA na gestão de catástrofes?

A IA pode:

• Melhorar a precisão das previsões meteorológicas a curto prazo (horas-dias)
• Identificar padrões pré-desastre que os humanos não veriam
• Processar quantidades de dados impossíveis para analistas humanos
• Fornecer alertas mais rápidos e territorialmente precisos
• Otimizar a alocação de recursos de emergência em tempo real
• Mapear vulnerabilidades infraestrutura