DESENVOLVIMENTO DE UM MODELO DE PREVISÃO DA SECA COM RECURSO À INTELIGÊNCIA ARTIFICIAL

Autor: L. E. L. Mucavele¹

Co-Autor: R. Manhiça²

¹ Universidade Eduardo Mondlane, Faculdade de Engenharia, Departamento de Engenharia Eletrotécnica, Moçambique, Cidade de Maputo, ludmila.e.mucavele@uem.ac.mz

² Universidade Eduardo Mondlane, Faculdade de Engenharia, Departamento de Engenharia Eletrotécnica, Moçambique, Cidade de Maputo, ruben.manhica@uem.mz

Introdução/Contextualização

As secas representam uma ameaça crescente à segurança hídrica e alimentar de Moçambique, sendo a região sul especialmente vulnerável devido ao clima tropical seco. Défices prolongados de precipitação reduzem os caudais dos rios e os níveis reservatórios, afectando ecossistemas e agricultura. Em Moçambique, eventos climáticos extremos ocorrem quase anualmente, sendo as secas e cheias os desastres naturais com maiores perdas socioeconómicas. O Instituto Nacional de Meteorologia (INAM) enfrenta limitações técnicas: o sistema actual baseia-se num índice simples (SPI), calculado a partir de dados escassos e processado manualmente, levando dias a gerar resultados. Estas limitações justificam o uso de inteligência artificial (IA) para previsão.

Objectivos

Propor um modelo de previsão de secas baseado em IA para apoiar a mitigação dos seus impactos. Objectivos específicos: (1) descrever o fenómeno e o seu impacto em Moçambique; (2) caracterizar o sistema actual de previsão; (3) identificar abordagens de IA aplicáveis; (4) construir um modelo LSTM para previsão do SPI; e (5) desenvolver um protótipo funcional.

Metodologia

Adoptou-se uma abordagem mista. Entrevistas com técnicos do INAM e análise documental identificaram limitações. Os dados climáticos foram obtidos da plataforma POWER da NASA. Após limpeza e normalização, os dados foram organizados em sequências temporais. Usou-se uma divisão 80/20 para treino e teste. Compararam-se modelos Random Forest, Gradient Boosting e LSTM, sendo o último escolhido. O desenvolvimento foi feito em Python com TensorFlow/Keras.

Resultados

Foram desenvolvidos três modelos LSTM para previsão do SPI. O modelo de 6 meses obteve o melhor desempenho (MSE ≈ 0,0289). Um protótipo em Python com arquitectura MVC foi implementado e validado com sucesso.

Conclusões

A solução proposta é eficaz, leve e adaptável, permitindo previsões antecipadas mesmo com poucos dados. Recomenda-se a expansão do modelo e inclusão de novas variáveis.

Palavras-chave: seca meteorológica, previsão de secas, índice de precipitação padronizado, Long Short‑Term Memory