Depois de atingir, em janeiro de 2013, o nível mais baixo registrado desde o início das medições no lago Michigan, o lago bateu o recorde oposto no verão de 2020, provocando alagamentos, erosão costeira e o fechamento de estradas à beira do lago. A diferença entre os dois recordes de nível foi de quase 2 m. A reportagem conta que reversões semelhantes, com alguns meses de intervalo, também ocorreram nos lagos Superior, Erie e Ontário. Para prever essas grandes variações de nível e explicar suas causas, os pesquisadores usaram modelos de inteligência artificial (IA) em sua análise.

Contexto

O nível dos lagos é influenciado pela chuva e pela neve, pela evaporação e pela entrada e saída de água, além de decisões humanas. Ele também está relacionado à profundidade dos portos, à estabilidade da linha costeira, à captação de água potável e à sobrevivência de áreas úmidas costeiras. Por isso, pode ser importante para a gestão de barragens e do risco de alagamentos que o modelo não se limite a prever o nível, mas também explique quais fatores provocaram as mudanças.

Os pesquisadores treinaram oito algoritmos com dados mensais sobre o nível dos lagos Superior, Michigan, Erie e Ontário, abrangendo o período de 1982 a 2022. Cada algoritmo recebeu nove variáveis como entrada, entre elas a temperatura do ar e o volume de água que chegava aos lagos, considerando tanto os valores do mês corrente quanto os de até seis meses antes. Isso permitiu, por exemplo, que o modelo examinasse a relação entre o nível da água em junho e a neve de janeiro.

O erro dos quatro algoritmos com melhor desempenho caiu para cerca de 12 cm. O erro dos modelos simples ficou entre 14 e 21 cm. Os pesquisadores combinaram a análise SHAP (um método que distribui a contribuição de cada variável para o resultado previsto) com a análise VARS, que avalia como a influência muda ao longo do tempo quando se intervém em uma variável.

A análise SHAP mostra quanto cada variável contribuiu para a subida ou a queda do nível em determinado mês. No entanto, não informa quanto tempo um sinal leva para se deslocar por uma bacia hidrográfica (área em que a água converge para um mesmo lugar). Na análise VARS, os pesquisadores avaliaram os efeitos um e seis meses depois de intervir em uma variável, para analisar o intervalo de tempo entre causa e efeito.

O que essa notícia significa

Os pesquisadores esperavam que a influência das variáveis sobre o nível da água diminuísse quanto mais distante fosse o período analisado, mas observaram que ela aumentava depois de 3 a 4 meses. A conclusão dos pesquisadores é que esses lagos respondem mais às condições da estação anterior do que ao tempo do dia anterior. A explicação de que a neve de janeiro pode afetar o nível da água em junho mostra por que as previsões sazonais precisam levar em conta também as condições de vários meses antes.

O resultado chama a atenção porque mostra que o nível dos lagos não pode ser explicado apenas pelo tempo no curto prazo. É possível que modelos de previsão sazonal identifiquem melhor os indícios de mudanças no nível se também considerarem variáveis de meses anteriores, como temperatura e volume de água que chega aos lagos. No entanto, os números de erro deste estudo, por si só, não permitem saber o quanto as previsões seriam úteis na prática nem em que medida mudariam os resultados da gestão de enchentes ou barragens.

O lago Ontário também revelou as limitações do modelo. O erro do modelo para esse lago foi mais de 50% maior do que o esperado, e a reportagem relaciona isso à tomada de decisões humanas. A usina hidrelétrica Moses-Saunders, perto de Cornwall, em Ontário, administra o nível da água de acordo com regras operacionais ajustadas diariamente. Mas, como o modelo recebe valores mensais médios para cada variável, a sequência de decisões que gerou o volume mensal de água que saiu do lago pode desaparecer na média.

No caso do lago Ontário, os pesquisadores propuseram fornecer ao modelo, além das variáveis climáticas, as regras operacionais usadas para administrar o nível da água. Essa é uma proposta para lidar com a questão das decisões humanas nesse lago e não significa que as mesmas condições sejam necessárias para todas as previsões sazonais.

Os pesquisadores informaram que, em colaboração com a Ouranos, também estão aplicando essa abordagem a pesquisas sobre a recarga de águas subterrâneas no sul de Quebec. Esse trabalho utiliza um modelo baseado na física (que incorpora os princípios físicos que regem os fenômenos naturais). O estudo aponta para o potencial de modelos capazes de explicar os motivos de seus resultados ajudarem a examinar e discutir decisões de gestão em problemas ambientais complexos, como a variação do nível dos lagos.

O que se sabe e o que ainda não se sabe

O que se sabe

  • Os pesquisadores treinaram oito algoritmos com dados mensais sobre o nível de quatro lagos entre 1982 e 2022.
  • Cada algoritmo considerou nove variáveis, entre elas a temperatura do ar e o volume de água que chegava aos lagos, com valores do mês corrente e de até seis meses antes.
  • O erro dos quatro algoritmos com melhor desempenho foi de cerca de 12 cm, enquanto o dos modelos simples ficou entre 14 e 21 cm.
  • Ao contrário do que esperavam — que a influência das variáveis diminuísse quanto mais distante fosse o período analisado —, os pesquisadores observaram que ela aumentava após 3 a 4 meses.
  • O nível do lago Ontário é administrado de acordo com as regras diárias de operação da usina hidrelétrica Moses-Saunders, e os pesquisadores propuseram fornecer essas regras ao modelo.

O que ainda não se sabe

  • Quais são as listas completas dos oito algoritmos e das nove variáveis usadas no estudo?
  • Com base em quais métodos de validação e períodos de previsão foi avaliada a precisão do modelo?
  • Quanto o erro de previsão diminuiria se as regras operacionais do lago Ontário fossem incluídas no modelo?

O que o leitor deve verificar

  • Ao analisar previsões do nível dos lagos, é importante verificar não apenas os números de precisão, mas também o período de previsão e o método de validação. A reportagem original não apresenta esses detalhes.
  • Quando previsões de IA são usadas na gestão de enchentes ou barragens, vale verificar se os dados de entrada incluem apenas médias mensais do clima e do fluxo de água ou se também representam as regras operacionais e o processo de decisão.
  • Ao interpretar previsões sazonais do nível dos lagos, vale conferir se a análise inclui apenas o tempo do mês corrente ou também as condições de meses anteriores. Os pesquisadores concluíram que as condições da estação anterior podem influenciar o nível da água.