A pesquisa foi conduzida por cientistas da Universidade do Texas em Austin e da Hydrotify LLC, e publicada na revista Machine Learning: Earth.

A dificuldade de prever enchentes é maior em áreas sem medições contínuas de rios, registros históricos e redes de monitoramento estruturadas.

A equipe testou modelos chamados time-series foundation models, treinados com grandes volumes de dados temporais de áreas como clima, energia e transporte, usando dados de mais de 500 bacias hidrográficas nos Estados Unidos.

O modelo Sundial apresentou desempenho próximo ao de um modelo LSTM treinado com décadas de registros de vazão dos rios, com melhores resultados em bacias com comportamento sazonal definido, como as influenciadas pelo derretimento de neve.

Os autores avaliam que essa ferramenta pode reforçar a prevenção de enchentes, o planejamento para secas e a gestão de recursos hídricos.

Alexander Sun, um dos autores, destacou que muitas regiões não possuem séries históricas longas para métodos tradicionais e que a IA pode preencher essa lacuna, mas que a tecnologia precisa evoluir para sistemas fluviais mais complexos.