evidoria

← Voltar à navegação

Boa prática Importada

IA da HungerMap LIVE Acompanha a Aproximação da Fome no Sudão

Sudão · Port Sudan · Ver o perfil de Sudão

Evidência: Descritivo / autorreportado Top 24% 73/100 · Pergunte a Evidence Copilot sobre esta prática

A HungerMap LIVE do PAM usa modelos de aprendizagem automática para estimar a insegurança alimentar onde os levantamentos no terreno são impossíveis. Na guerra civil do Sudão, registou 21,2 milhões de pessoas (45% da população) em fome de nível de Crise até setembro de 2025, com fome confirmada em várias zonas.

21.2 million (45%)
Pessoas em insegurança alimentar de nível de Crise, Sudão (Sep 2025)
375,000
Pessoas em Catástrofe (Fase 5 do IPC) (2025)
-25%
Redução da pegada de dados de campo do PAM (past year)

Detalhes

Maturidade
Consolidada
Promotor
World Food Programme (WFP)
Período
2023-2025
Palavras-chave
food security, humanitarian response, disaster forecasting, public health

Contexto

A guerra civil no Sudão, em curso desde abril de 2023, deslocou milhões de pessoas e cortou o acesso a inquéritos porta-a-porta tradicionais de segurança alimentar em zonas atingidas pela fome, como Darfur e Kordofão.

Atividades

O HungerMap LIVE do PAM, reconstruído com o apoio da Google.org e da Fundação Gates, combina mais de 300 analistas de segurança alimentar com modelos de aprendizagem automática de 'nowcasting' que cruzam dados de conflito, clima, mercado e população em 16 países designados pela ONU como 'pontos críticos de fome', incluindo o Sudão.

Resultados

Em setembro de 2025, o IPC (organismo independente que corrobora estes dados) apurou que 21,2 milhões de pessoas (45% da população sudanesa) enfrentavam insegurança alimentar de nível de Crise (Fase 3+ do IPC), incluindo 375 000 em Catástrofe e 6,3 milhões em Emergência; a fome foi confirmada em pelo menos cinco áreas até maio de 2025.

Conclusões

A própria pegada de dados de campo do PAM encolheu 25% no último ano, o que significa que a camada de IA de 'nowcasting' está cada vez mais a colmatar lacunas que a recolha de dados no terreno já não alcança, mas não existe uma avaliação independente da exatidão do próprio modelo.

Implementação
Custo indicativo
Elevado (500 mil €–5 M€)
Tempo até resultados
Longo (> 3 anos)
Equipa e competências
300+ WFP food-security analysts, machine-learning nowcasting model team

Condições de sucesso

  • fusion of conflict, climate, market and population data
  • corroboration against independent IPC analysis

Modos de falha comuns

  • shrinking field data footprint in hard-to-reach areas
  • no independent accuracy audit of the nowcasting model itself

Habitualmente financiado por

Philanthropic / foundation funding

Vias de financiamento indicativas para práticas deste tipo — verifique sempre os avisos abertos e as regras de elegibilidade de cada programa.

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Práticas semelhantes que podem ser úteis