NIHSA Annual Flood Outlook — Nigeria's AI-Assisted Flood Risk Forecasting Across 250+ Monitoring Stations
Nigeria
Nigeria's Hydrological Services Agency says it deployed deep-learning models trained on 200+ years of flood data for its 2026 Annual …
Bangladesh · Dhaka · See the Bangladesh profile
Desde 2020, o modelo de aprendizagem automática de cheias da Google Research — que preveee níveis dos rios mesmo em bacias sem estações de medição — combina-se com dados do Bangladesh Water Development Board para emitir alertas de cheia; em 2021 já alcançava 1,5 milhões de utilizadores, com um tempo de antecedência de três horas a três dias.
O Serviço de Recursos Hídricos do Bangladesh (BWDB), a agência hidrológica nacional, estabeleceu uma parceria com a Google Research a partir de 2020 para sobrepor um modelo de IA/aprendizagem automática de inundações às leituras de estações hidrométricas e previsões do próprio BWDB, alargando a previsão de cheias a afluentes sem estações de medição dos sistemas fluviais Brahmaputra-Jamuna e Padma, propensos a inundações. Os alertas localizados são enviados aos residentes através da Pesquisa Google, do Google Maps e de notificações Android.
Fornecer alertas antecipados de inundação com um tempo de antecedência de três horas a três dias, incluindo em bacias remotas sem redes densas de sensores.
O modelo híbrido de IA hidrológico-hidráulico da Google, descrito num artigo da Nature de março de 2024, é combinado com os dados em tempo real das estações hidrométricas do BWDB e previsões a 5 dias. O sistema expandiu-se de um projeto-piloto de 2020, que cobria 36 sub-distritos em 14 distritos, para 55 distritos e 99 sub-distritos até à época de monções de 2021.
O projeto-piloto de 2020 enviou cerca de 1 milhão de notificações a aproximadamente 300 000 utilizadores Android. Só entre 13 e 31 de agosto de 2021, o sistema alargado enviou 2,9 milhões de notificações a 1,5 milhões de utilizadores únicos, com uma taxa de cliques de 3,5%. O modelo subjacente opera atualmente em mais de 80 países, alcançando uma estimativa de 460 milhões de pessoas a nível global (um valor global, não específico do Bangladesh).
Os próprios relatórios da Google reconhecem a baixa penetração do Android nas áreas remotas e expostas a inundações que o sistema mais precisa de alcançar, e descrevem trabalho em curso para alargar os alertas via SMS e IVR a utilizadores de telemóveis básicos. Não foi publicada nenhuma avaliação independente e específica do Bangladesh sobre a exatidão das previsões face às inundações observadas.
Implementation detail (cost, timeline, staffing, conditions for success) is not yet available for this practice.
Where this practice's information was retrieved from, and when.
Nigeria
Nigeria's Hydrological Services Agency says it deployed deep-learning models trained on 200+ years of flood data for its 2026 Annual …
Singapore
Singapore's National Environment Agency runs a peer-reviewed machine-learning system that forecasts dengue cases up to three months ahead. In the …
Sierra Leone
Statistics Sierra Leone and the GRID3 partnership use machine-learning building-footprint detection on satellite imagery to map population at 1-hectare resolution, …
Togo
To rush COVID aid to the poorest, Togo used machine learning on satellite imagery and mobile-phone data to target cash …
Open full copilot Grounded in cited practices — always check the sources.