A FAO e o governo de Timor-Leste construíram um índice de seca sazonal corrigido por XGBoost que desencadeou o primeiro protocolo de Ação Antecipatória do país em outubro de 2023, correspondendo às condições de seca observadas em mais de 80% dos casos (2011–2022) em cinco municípios de alto risco.
80%+
Taxa de coincidência com condições de seca observadas (teste retrospetivo, 2011-2022)
0.82
Heidke Skill Score, condições sem seca (horizonte de 3 meses)
0.65-0.68
Heidke Skill Score, seca moderada (horizonte de 3 meses)
40%
Redução da produção de milho no evento El Niño comparável de 2016
57%
Redução da produção de arroz no evento El Niño comparável de 2016
Details
Maturity
Scaling
Promoter
Food and Agriculture Organization of the UN (FAO) Timor-Leste, with Timor-Leste's Ministry of Agriculture, Livestock, Fisheries and Forestry and National Directorate of Meteorology and Geophysics
Period
2023–2026 (AA protocol activated Oct 2023; ASIS portal launched May 2026)
Em 2023, o Ministério da Agricultura, Pecuária, Pescas e Florestas de Timor-Leste e a Direção Nacional de Meteorologia e Geofísica, em colaboração com a FAO, construíram um Índice Combinado de Seca (CDI) para acionar o primeiro protocolo formal de Ação Antecipatória do país para a seca agrícola. O índice combina o Índice de Precipitação Padronizado, um índice de anomalia de humidade do solo, um índice de saúde da vegetação e indicadores de El Niño/Dipolo do Oceano Índico.
Activities
Um modelo de regressão XGBoost, treinado com dados mensais de 1993 a 2023 (n=369, divisão treino/teste 70/30), corrige o viés das previsões sazonais de precipitação do ECMWF SEAS5 para os municípios do país com escassez de dados. O protocolo de Ação Antecipatória foi formalmente ativado em outubro de 2023 durante um evento El Niño, abrangendo cinco municípios de alto risco: Baucau, Covalima, Liquiçá, Viqueque e Oé-Cusse Ambeno.
Results
Testes retrospetivos com registos de 2011-2022 mostraram que o CDI coincidiu com as classificações de seca observadas com base na humidade do solo mais de 80% das vezes, com Heidke Skill Scores de 0,82 para condições sem seca e de 0,65-0,68 para seca moderada num horizonte de três meses (descendo para 0,33-0,46 em categorias mais ligeiras). Um evento El Niño comparável em 2016 tinha reduzido a produção de milho e arroz de Timor-Leste em 40% e 57%, respetivamente, num país onde 79% dos agregados familiares dependem da produção agrícola.
Conclusions
O documento técnico de 2024 da FAO é franco quanto às limitações do sistema: não existiam observações históricas de precipitação ou humidade do solo em estações terrestres nos municípios-piloto, obrigando ao uso de dados por satélite (CHIRPS), e o modelo 'exigirá testes, revisões e calibrações regulares.' As regras dos doadores que exigem declarações formais de catástrofe antes da libertação de fundos são identificadas como um obstáculo estrutural. Em maio de 2026, o governo e a FAO lançaram um portal sucessor, o Agricultural Stress Index System (ASIS), financiado pelo Green Climate Fund, alargando a monitorização da seca a todo o país.
Implementation
Indicative cost
Medium (€50k–€500k)
Time to results
Medium (1–3 years)
Staffing & skills
Timor-Leste Ministry of Agriculture, Livestock, Fisheries and Forestry (MALFF), National Directorate of Meteorology and Geophysics, FAO technical team, Civil Protection Authority
Conditions for success
Multi-institutional collaboration between government ministries and FAO
Bias-correction of seasonal forecasts (ECMWF SEAS5) via machine learning for data-sparse regions
Sustained funding pathway (Green Climate Fund) for the successor system
Common failure modes
No historical ground-based rainfall or soil-moisture observations existed in pilot municipalities, forcing reliance on satellite (CHIRPS) proxies rather than ground truth
Donor rules requiring formal disaster declarations before Anticipatory Action funds can be released are a structural bottleneck
Model requires regular testing, revision and calibration per FAO authors
Where it fits
Governance type
national government with UN agency technical assistance
Scale
subnational pilot (5 of 13 municipalities) scaling to national
Income level
lower-middle-income
Data sources
Where this practice's information was retrieved from, and when.
Mongolia's National Statistics Office piloted satellite-and-drone machine-learning models in Arkhangai province, identifying large livestock with 81.6% accuracy and traditional ger …
Statistics Sierra Leone and the GRID3 partnership use machine-learning building-footprint detection on satellite imagery to map population at 1-hectare resolution, …