Google Flood Hub — O sistema de alerta de cheias fluviais com IA do Bangladesh Water Development Board
Bangladesh
Desde 2020, o modelo de aprendizagem automática de cheias da Google Research — que preveee níveis dos rios mesmo em …
Nigéria · Abuja · Ver o perfil de Nigéria · Ver o perfil de Abuja
Evidência: Descritivo / autorreportado Top 83% 40/100 · Pergunte a Evidence Copilot sobre esta prática
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, a agência federal de previsão hidrológica da Nigéria, elabora um Panorama Anual de Inundações (Annual Flood Outlook, AFO) que classifica as áreas de governo local (LGAs) em categorias de risco de inundação alto, moderado e baixo todos os anos. Em maio de 2026, o Diretor-Geral da NIHSA relatou que a agência tinha implementado modelos de inteligência artificial e aprendizagem profunda treinados com mais de 200 anos de dados históricos de inundações, com a precisão da previsão a subir, alegadamente, para cerca de 88%. O Panorama de 2026 introduziu também um novo sistema de comunicação de inundações baseado na comunidade e um regime de microsseguro contra inundações.
O Panorama de 2026 identificou 14.118 comunidades em 266 LGAs, em 33 estados e no Território da Capital Federal, como de alto risco de inundação, e mais 15.597 comunidades em 405 LGAs como de risco moderado. O Diretor-Geral da NIHSA afirmou que a precisão da previsão subiu para cerca de 88%, o que, segundo ele, ultrapassa os padrões da Organização Meteorológica Mundial.
National / regional programmes
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.
De onde foi obtida a informação desta prática, e quando.
Bangladesh
Desde 2020, o modelo de aprendizagem automática de cheias da Google Research — que preveee níveis dos rios mesmo em …
Ilhas Salomão
UNESCO, SAP Japão e a iniciativa da Universidade de Oita Inspiration Plus escolheram as Ilhas Salomão para pilotar o EDiSON, …
Somália
A plataforma HungerMap Live do PAM, assistida por IA e construída com a Google.org, cobre mais de 50 países e …
Fiji
A Digital Earth Pacific, gerida pela SPC, transforma dados de satélite abertos em produtos de risco de desastre, litoral e …
Abrir o copiloto completo Baseado em práticas citadas — verifique sempre as fontes.