Por meio do programa AI for Humanitarian Action da Microsoft, a SEEDS está usando a IA para salvar vidas durante desastres
Por Anam Ajmal
“Nós fugimos para a floresta próxima e nos agarramos em árvores para salvar nossas vidas. Rezamos para que a tempestade passasse, mas perdemos tudo o que tínhamos”, diz Kalpreddy Satyavati, que administra uma pequena barraca de comida que atende a comunidade pesqueira local na cidade costeira de Puri.
Ela estava entre os sortudos que sobreviveram a um “super ciclone” que atravessou o estado de Odisha, na costa leste da Índia, em 1999. Ventos de até 257 quilômetros por hora mataram milhares e deixaram para trás um rastro de destruição. Ciclones, conhecidos em outros lugares como furacões e tufões, são intensas tempestades tropicais que se originam no Oceano Índico.
Mas em maio deste ano, quando o ciclone Yaas estava prestes a atingir a terra, as coisas eram um pouco diferentes.
Satyavati recebeu um aviso personalizado impresso em sua língua um dia antes do ciclone chegar. A assistência que ela e outras quase mil famílias receberam foi resultado de um modelo de inteligência artificial (IA) da SEEDS, uma organização sem fins lucrativos que havia recebido recentemente apoio do AI for Humanitarian Action da Microsoft.
Seguindo as instruções na folha de papel, sua família embalou seus pertences e partiu para um abrigo de ciclone próximo, uma das centenas criadas após o super-ciclone de 1999. Ela até conseguiu mover o conteúdo de sua barraca de comida para a casa de concreto de um vizinho que poderia suportar os ventos de alta velocidade.
Assim como o aviso sugeriu, sua cabana rudimentar foi destruída, mas ela poderia retomar sua barraca de comida imediatamente.
“Se não tivéssemos recebido o aviso, teria sido impossível para nós reconstruir nossas vidas”, diz Satyavati, que perdeu o marido para a COVID-19 em dezembro passado.
Como vencedora da bolsa de AI for Humanitarian Action, a SEEDS recebeu apoio financeiro e técnico da Microsoft e de seu parceiro de tecnologia Gramener para construir um modelo intuitivo que possa prever o impacto de desastres nas populações mais vulneráveis.
“Geralmente conhecemos o caminho previsto de um ciclone 48 horas antes de fazer acontecer. Coletar manualmente informações sobre casas que seriam vulneráveis é uma tarefa muito intensiva e podemos, na melhor das hipóteses, avaliar 100 casas por dia”, diz Raghav Ranganathan, diretor técnico da SEEDS. “Começamos conversas com a Microsoft para ver se poderíamos usar a IA para identificar essas casas para que pudéssemos passar mais tempo no terreno ajudando as pessoas.”
SEEDS significa Sociedade de Meio Ambiente Sustentável e Desenvolvimento Ecológico em inglês. Ela foi fundada em 1994 e trabalha com comunidades vulneráveis para fornecer ajuda e reabilitação após desastres naturais.
A Microsoft lançou o AI for Humanitarian Action em 2018. É um programa global de subsídios projetado para ajudar a encontrar soluções para desafios centrados em desastres, refugiados, pessoas desabrigadas, direitos humanos e as necessidades de mulheres e crianças.
O modelo de IA, chamado Sunny Lives, utiliza imagens de satélite em alta resolução de áreas que podem estar no caminho de ciclones. Em seguida, é feita uma análise avançada de dados e aprendizado de máquina para identificar as casas mais vulneráveis. Isso permite que a SEEDS e seus parceiros terrestres identifiquem aquelas que estariam em maior risco do ciclone e direcionem sua divulgação para essas comunidades.
Cada telhado conta uma história
De acordo com as Nações Unidas, o nível médio global do mar aumentou mais rápido desde 1900 do que em qualquer século anterior nos últimos 3.000 anos. Um relatório do Painel Intergovernamental sobre Mudanças Climáticas (IPCC), divulgado em agosto deste ano, declarou um “código vermelho” para a humanidade. Descobriu-se que condições extremas como secas, furacões e ondas de calor se intensificaram por causa das mudanças climáticas.
Satyavati não precisa de nenhum relatório para convencê-la sobre o impacto das mudanças climáticas em sua comunidade. “Quando eu era criança, tinha que caminhar quase uma milha para chegar à praia. Mas o mar agora se aproximou de nossas casas”, diz ela em sua língua nativa telugu.
Ela divide sua casa — uma cabana feita de bambu e lama com folhas de palmeira fazendo o papel de um telhado — com suas três filhas. O mar, enquanto fonte de renda para ela, também é uma fonte de preocupação constante.
Até agora, ela dependeu da boa sorte e de uma abundância de cautela para proteger sua família das tempestades tropicais. Às vezes, no entanto, boa sorte não é suficiente. Em novembro de 2020, ela perdeu todos os seus pertences para o ciclone Nivar. A casa dela foi destruída, mas foi a perda da barraca de comida que mais a atingiu. “Perdemos todos os nossos produtos para a tempestade e não tínhamos outros meios de subsistência. Durante dias, dependíamos da boa vontade dos outros para alimentação e sobrevivência”, diz ela.
Ainda que o governo estadual e local emitam avisos no caso de um ciclone iminente, eles contêm informações genéricas e cobrem distritos inteiros. A SEEDS queria usar a IA para gerar avisos de nível doméstico para comunidades em risco, alertando aqueles que teriam mais a perder.
Para construir o modelo de IA, eles tinham que saber quem seriam essas pessoas e como seriam impactadas. A equipe teve que encontrar alguns atributos que poderiam atuar como um critério para o modelo de IA para identificar casas que seriam vulneráveis.
A equipe da SEEDS rapidamente se concentrou nos tipos de telhado.
“Telhados são um bom critério para avaliar o quão vulnerável uma casa é. Então tornou-se a primeira camada para construirmos esse modelo”, diz Mridula Garg, arquiteta e pesquisadora urbana que está trabalhando no projeto.
“Mais importante, os telhados também dizem muito sobre quem vive dentro e sua condição socioeconômica”, acrescenta Ranganathan.
A lógica é simples: uma casa com um telhado de concreto ou de cimento reforçado não seria tão impactada por uma tempestade tropical, mas um telhado de palha, como o que Satayvateu possui, não teria chance. Se o modelo de IA pode identificar casas com telhados que não podem suportar velocidades de ventos ciclônicos, a equipe em terra pode priorizar essas casas.
Mas criar um modelo como este é mais ao fácil falar do que fazer.
IA para o resgate
“Não tivemos outro caso de IA sendo usada para mapear tipos de telhados para prever danos devido a ciclones. Além disso, não havia dados para treinar a máquina prontamente disponíveis”, diz Tina Sederholm, gerente sênior de programas do Laboratório de Pesquisa do programa AI for Good da Microsoft, que liderou o projeto com cientistas de dados.
“Do ponto de vista técnico também foi difícil porque não há planejamento urbano nas áreas que estávamos mirando, e a população era tão densa que era difícil primeiro diferenciar casas individuais e categorizá-las com precisão com base no seu tipo de telhado. Mas construímos um modelo de aprendizado de máquina para combater esses problemas”, explica Md Nasir, cientista de dados e pesquisador do Laboratório de Pesquisa do AI for Good.
Para criar os tão necessários dados de treinamento, a empresa Gramener, com sua expertise em soluções geoespaciais, interveio para entregar uma solução escalável. Seus cientistas de dados acessaram imagens de satélite de alta resolução e marcaram manualmente mais de 50.000 casas para classificar seus telhados em sete categorias, dependendo do material usado para construí-los.
“Queríamos identificar a característica do telhado de uma residência e comparar entre casas distintas. Mas os assentamentos informais muitas vezes não têm limites bem definidos e geralmente são os piores impactados em qualquer desastre”, diz Sumedh Ghatage, cientista de dados da Gramener, que trabalhou na construção do modelo de IA. “Em segundo lugar, à medida que a localização geográfica muda, o tipo de telhado também muda. Mas queríamos identificar todos os tipos para garantir que o modelo final pudesse ser implantado em qualquer região.”
Isso formou a base dos dados de treinamento que Nasir exigia. Depois de tentar algumas técnicas diferentes, seu modelo final pôde identificar telhados com uma precisão de quase 90%.
Mas isso foi só o começo.
“Além dos telhados, consideramos quase uma dúzia de outros parâmetros que determinam o impacto geral que os ciclones teriam em uma casa”, diz Kaustubh Jagtap, da Gramener, que liderou a consultoria de dados para o projeto. “Por exemplo, se uma casa estiver mais perto de um reservatório d’água, é mais provável que ela seja impactada devido a uma inundação induzida pelo ciclone. Ou se a área ao redor da casa estiver coberta por concreto, a água não será escoada pelo solo e as chances de alagamento e inundação são maiores.”
Então, a equipe da Gramener adicionou outras camadas ao modelo. A combinação de todas as diferentes camadas, incluindo redes rodoviárias, proximidade com reservatórios d’água, perfis de elevação, vegetação, entre outros foi uma tarefa complicada. A empresa criou um pipeline de aprendizado de máquina na nuvem Azure, que captura automaticamente os dados e produz perfis de pontuação de risco para cada casa.
Levou cerca de quatro meses para o modelo Sunny Lives se tornar realidade e ele foi pilotado durante ciclones que atingiram os estados do sul da Índia de Tamil Nadu e Kerala em 2020. Mas foi durante o Ciclone Yaas, em maio deste ano, que ele foi implantado em escala.
Assim que o caminho do ciclone Yaas foi previsto, a equipe em Gramener adquiriu imagens de satélite de alta resolução de áreas densamente povoadas que seriam atingidas e executaram o modelo Sunny Lives AI. Em poucas horas, eles foram capazes de criar uma pontuação de risco para cada casa na área.
A Gramener também auxiliou em técnicas de amostragem e validou a precisão do modelo com informações reais sobre o solo.
“Antes, costumávamos implantar voluntários que realizavam pesquisas manualmente. Agora, tudo o que precisamos fazer é obter imagens de satélite de alta resolução, executar o modelo para determinar a vulnerabilidade de uma área e obter os resultados de pontuação de risco dentro de um dia. Esse tipo de capacidade era impensável antes”, diz Garg.
Uma vez que as casas foram identificadas, a SEEDS juntamente com seus parceiros em terra se espalhou pelas comunidades e distribuiu avisos para quase 1.000 famílias em línguas locais como Telugu e Odia, que são faladas pelos moradores. Cada aviso tinha instruções detalhadas sobre como eles poderiam proteger suas casas e para onde precisariam se mudar antes que o ciclone atingisse a região.
O modelo abriu um mundo de possibilidades. A SEEDS acredita que pode ser implantada em muitos países da Ásia que possuem habitações e comunidades semelhantes e que enfrentam os mesmos níveis extremos de risco de tempestade.
A plataforma também pode ser usada para enfrentar outros desafios climáticos. Por exemplo, a SEEDS está avaliando o uso de modelo para identificar casas em áreas urbanas densamente povoadas que podem ser suscetíveis a ondas de calor à medida que as temperaturas atingem novos recordes a cada verão.
“Durante uma onda de calor, o telhado se torna o parâmetro mais importante porque a quantidade máxima de calor acumulado por uma casa acontece através do telhado. Casas com folhas de estanho costumam ter pouca ventilação e são as mais vulneráveis nesta situação”, explica Garg.
Há outros projetos sendo pilotados também. Por exemplo, eles estão pesquisando se a IA poderia ser usada para identificar casas vulneráveis no estado de Uttarakhand no Himalaia, que é propenso a terremotos.
“Trouxemos nossa expertise em desastres naturais, mas foi a ciência de dados da Microsoft que possibilitou o desenvolvimento do modelo a partir do zero”, diz Ranganathan.
“O modelo Sunny Lives AI que as equipes SEEDS e Gramener criaram é uma solução humanitária de ponta que já está salvando vidas e ajudando a preservar os meios de subsistência das pessoas que mais correm risco de desastres naturais”, diz Kate Behncken, vice-presidente e líder da Microsoft Philanthropies. “A engenhosidade e colaboração entre essas equipes é impressionante, e estou confiante de que a essa solução irá ajudar a proteger melhor as pessoas em outros cenários climáticos severos, como ondas de calor. Esse é exatamente o tipo de impacto que estamos procurando apoiar e impulsionar por meio de ONGs através do programa AI for Humanitarian Action.”
Inspirada pelos resultados, a SEEDS começou a construir suas próprias capacidades técnicas após receber o apoio do AI for Humanitarian Action da Microsoft.
“No final do primeiro ano, também começamos a receber consultores para manter e melhorar a precisão do modelo. A Microsoft nos deu acesso ao código-fonte, podemos chegar a um estágio em breve onde poderemos executar o modelo nós mesmos”, acrescenta Ranganathan.
