Pesquisadores da Universidade de Sussex desenvolveram um sistema que pode prever com precisão um período de seca na África Oriental com até dez semanas de antecedência.

Imagens de satélite já são usadas no Quênia para monitorar o estado das pastagens e determinar a saúde da vegetação usando uma métrica conhecida como Índice de Condição da Vegetação. Essas informações são transmitidas aos tomadores de decisão nas regiões áridas e semi-áridas do Quênia por meio de sistemas de alerta antecipado de seca.

Contudo, esses sistemas, operado pela Autoridade Nacional de Gestão de Secas (NDMA), só permite que organizações e comunidades intervenham quando os impactos de uma seca já ocorreram. Nesse ponto, esse clima extremo já teria um efeito devastador sobre a subsistência da população local.

Em vez de, uma equipe de pesquisadores da Universidade de Sussex e do NDMA desenvolveu um novo sistema chamado Astrocast.

Financiado em parte pelo Conselho de Instalações de Ciência e Tecnologia, o projeto permite que agências humanitárias e gerentes de risco de seca sejam proativos no que diz respeito a lidar com os impactos de condições meteorológicas extremas, prevendo mudanças antes que elas ocorram.

Em um artigo de pesquisa publicado em Sensoriamento Remoto do Meio Ambiente , eles explicam como uma equipe interdisciplinar de cientistas de dados (astrônomos e matemáticos) com geógrafos usaram técnicas da ciência da astronomia; processar dados diretamente de telescópios espaciais antes de usar métodos estatísticos avançados para prever condições meteorológicas extremas.

Dr. Pedram Rowhani, Palestrante sênior de geografia e cofundador da Astrocast, disse:"Em muitos casos, os primeiros sinais de seca podem ser vistos na vegetação natural, que podem ser monitorados do espaço.

"Nossa abordagem mede o Índice de Condições de Vegetação (VCI) passado e presente, um indicador baseado em imagens de satélite e frequentemente usado para identificar condições de seca, para entender as tendências e o comportamento geral do VCI ao longo do tempo, para prever o que pode acontecer no futuro. "

Co-primeiro autor do artigo e Professor em Aprendizado de Máquina e Ciência de Dados, O Dr. Adam Barrett disse:"Depois de conversas nos corredores com o Dr. Rowhani sobre o AstroCast, Vi uma oportunidade de aplicar a metodologia que vinha desenvolvendo na neurociência teórica a um projeto com potencial de impacto humanitário real.

"Com Sussex incentivando ativamente o trabalho interdisciplinar, decidimos combinar conjuntos de habilidades. Foi revelador ver como nossas técnicas podem ser aplicadas a um problema do mundo real e melhorar vidas. "

Tem havido uma demanda crescente dentro do setor humanitário para desenvolver sistemas que enfoquem os alertas antecipados e incentivem uma abordagem mais proativa aos desastres.

O NDMA queniano já fornece boletins mensais de seca para todos os condados, quais estados detectam mudanças na vegetação e são usados ​​para tomar decisões sobre se deve declarar um alerta de seca.

Mas com as previsões do Astrocast, esses boletins também podem incluir uma previsão do que o VCI provavelmente será em algumas semanas, dando aos fazendeiros e pastores um tempo valioso para se prepararem.

Seb Oliver, Professor de Astrofísica e cofundador da Astrocast, disse:"Uma grande parte da minha pesquisa astrofísica requer o processamento de dados de telescópios espaciais astronômicos, como o Observatório Espacial Herschel. Os satélites de observação da Terra não são tão diferentes.

"Muitas vezes usamos estatísticas de ponta e abordagens de aprendizado de máquina para interpretar nossos dados astronômicos. Neste caso, usamos abordagens de aprendizado de máquina, e pudemos prever o estado da vegetação com até dez semanas de antecedência com muito boa confiança.

"Imaginamos que nossos relatórios possam ser usados ​​para definir uma nova bandeira de alerta, permitindo que os líderes de condados tomem decisões mais cedo e se preparem melhor. Mas essa informação também pode ser usada por organizações humanitárias como a Cruz Vermelha do Quênia, bem como outras organizações como o Quênia Departamento de Met.

"A preparação anterior é bem conhecida por ser muito mais eficaz do que a resposta reativa."