Google Flood Hub — Bangladesh Water Development Board's AI-Powered River Flood Alert System
Bangladesh
Since 2020, Google Research's machine-learning flood model — which forecasts river levels even in ungauged basins — has combined with …
Nigeria · Abuja · See the Nigeria profile
A Agência de Serviços Hidrológicos da Nigéria diz ter implementado modelos de aprendizagem profunda treinados com mais de 200 anos de dados de cheias para a sua Previsão Anual de Cheias de 2026, citando cerca de 88% de precisão e assinalando 14.118 comunidades de alto risco — uma alegação amplamente noticiada mas ainda não verificada de forma independente.
A NIHSA é a agência federal de previsão hidrológica da Nigéria, responsável pela Previsão Anual de Cheias (AFO) do país, que classifica anualmente as áreas de governo local (LGAs) em categorias de risco de cheia alto, moderado e baixo. A Nigéria sofreu cheias graves nos últimos anos, incluindo grandes desastres em 2022 e 2024, o que aumentou a pressão para modernizar a previsão para além dos métodos hidrológicos tradicionais.
Em declarações à imprensa noticiadas em maio de 2026, o diretor-geral da NIHSA, Umar Mohammed, afirmou que a agência implementou modelos de inteligência artificial e de aprendizagem profunda treinados com mais de 200 anos de dados históricos de cheias, e que a precisão das previsões subiu para cerca de 88%, o que, segundo ele, supera os padrões da Organização Meteorológica Mundial. A Previsão Anual de Cheias de 2026, baseada em parte nesta ferramenta e nas mais de 250 estações de monitorização da NIHSA, identificou 14.118 comunidades em 266 LGAs em 33 estados e no Território da Capital Federal como de risco elevado de cheia, e mais 15.597 comunidades em 405 LGAs como de risco moderado. A NIHSA afirma que isto se junta a um novo sistema comunitário de reporte de cheias e a um regime de microsseguro contra cheias.
A alegação foi noticiada pela agência noticiosa nacional da Nigéria e por vários meios de comunicação nacionais (Guardian Nigeria, News Agency of Nigeria, EnviroNews Nigeria), o que lhe conferiu distribuição por vários domínios noticiosos independentes.
Todas as fontes encontradas remontam à mesma conferência de imprensa da NIHSA; não foi encontrada nenhuma avaliação técnica independente, estudo revisto por pares ou auditoria externa do valor de 88% de precisão, da sua metodologia, ou do que "precisão" efetivamente mede. Ao contrário de outros casos de previsão com IA, esta entrada assenta num valor governamental autorrelatado e amplificado pelos meios de comunicação nacionais, e não em evidência verificada externamente, devendo ser lida nesses termos.
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.
Bangladesh
Since 2020, Google Research's machine-learning flood model — which forecasts river levels even in ungauged basins — has combined with …
Kenya
Researchers at the University of Sussex and Kenya's RCMRD built machine-learning models forecasting NDMA's official VCI3M drought indicator up to …
Switzerland
SPSP integrates AI-powered genomic analysis to detect pathogen variants across Switzerland. Mandated by the Federal Office of Public Health since …
Singapore
Singapore's National Environment Agency runs a peer-reviewed machine-learning system that forecasts dengue cases up to three months ahead. In the …
Open full copilot Grounded in cited practices — always check the sources.