O Preço do Seu Seguro Contra Inundação É Baseado em um Mapa de 1987. Veja o Que Deveria Substituí-lo.

No ano passado, sentei-me à frente de um subscritor sênior de uma seguradora de médio porte de ramos elementares (P&C) no Sudeste. Ele tinha um mapa fixado na parede atrás dele — literalmente fixado, com tachinhas — mostrando as zonas de inundação da FEMA para um condado litorâneo em que sua equipe estava subscrevendo intensamente. Perguntei quando o mapa havia sido atualizado pela última vez.

Ele riu. "Esse mapa é mais velho do que a maioria dos meus analistas."

Ele não estava exagerando. O mapa era de 1992. E ele o usava — junto com uma leve média por CEP — para precificar o risco de inundação de milhares de casas em uma região onde três grandes furacões haviam remodelado o litoral, onde novos loteamentos haviam pavimentado áreas úmidas, e onde a infraestrutura de drenagem foi projetada para uma intensidade de chuva que já não representa a realidade.

Aquela conversa me assombrou. Não porque o subscritor fosse incompetente — ele era perspicaz, experiente e profundamente consciente do problema. Mas porque as ferramentas disponíveis para ele eram de uma era climática diferente, e o setor não tinha um caminho claro para substituí-las.

Foi isso que levou minha equipe na Veriprajna a passar meses pesquisando o que agora chamamos de "Deep AI" para subscrição de inundações — uma convergência de visão computacional, radar de satélite e aprendizado de máquina informado por física que consegue avaliar o risco de inundação no nível de uma edificação individual, e não de um CEP. Escrevi uma visão geral interativa de toda a pesquisa aqui, e quanto mais me aprofundava, mais me convencia de que isto não é uma melhoria opcional. É uma questão de solvência.

O Mapa Que Mente Para Você

Eis o que a maioria das pessoas — inclusive muitos profissionais de seguros — não compreende totalmente sobre os mapas de inundação da FEMA: eles nunca foram projetados para serem ferramentas de subscrição.

O conceito de "inundação centenária" (de 100 anos), que ancora todo o Programa Nacional de Seguro contra Inundações, representa uma chance anual de 1% de inundação. Parece raro. Mas aplique essa probabilidade ao longo de uma hipoteca de 30 anos e você obtém uma chance de 26% de vivenciar uma "inundação centenária" durante a vigência do empréstimo. Isso não é um risco de cauda. É um cara ou coroa com odds ligeiramente melhores.

Os próprios mapas são piores do que o conceito. Cerca de 75% dos mapas de inundação da FEMA têm mais de cinco anos. Alguns datam das décadas de 1970 e 1980. Eles não levam em conta novas construções que alteraram os padrões de drenagem. Não levam em conta a mudança climática intensificando as chuvas. E criam o que passei a chamar de "efeito penhasco" — uma linha binária em que uma casa a um pé dentro da Área Especial de Risco de Inundação paga milhares por seguro obrigatório, enquanto uma casa a um pé de fora é classificada como risco mínimo.

A água não se importa com linhas em um mapa.

Quase 68% dos registros de danos por inundação ocorrem fora das zonas de alto risco de inundação designadas pela FEMA. Os mapas não estão apenas desatualizados — eles são sistematicamente enganosos.

O resultado é um mercado construído sobre informações ruins. Menos de 4% dos proprietários de imóveis americanos possuem seguro contra inundações. Não porque sejam imprudentes, mas porque os mapas lhes disseram que estavam seguros.

Por Que 68% dos Danos por Inundação Acontecem Fora das "Zonas de Inundação"?

Essa foi a estatística que me deixou paralisado quando a encontrei pela primeira vez na pesquisa. Se você tivesse me pedido para adivinhar antes de eu ver os dados, eu talvez tivesse dito 20%, talvez 30%. Mas 68%? Isso significa que a maioria das perdas por inundação é invisível para o sistema que deveria prevê-las.

A resposta é uma palavra que a maioria das pessoas fora da hidrologia nunca ouviu: inundação pluvial.

Os mapas da FEMA modelam rios transbordando de suas margens (inundação fluvial) e a maré de tempestade costeira. Eles não modelam o que acontece quando seis polegadas de chuva caem em duas horas sobre um bairro em que cada entrada de garagem, estacionamento e telhado é superfície impermeável. A água não tem para onde ir. Ela se acumula. Ela encontra o ponto mais baixo — que pode ser a sala de estar rebaixada de alguém a três milhas do rio mais próximo.

Lembro-me da minha equipe discutindo sobre isso durante uma ligação noturna. Um de nossos pesquisadores, que estava imerso na literatura de hidrologia urbana, insistia que a micro-topografia — a inclinação sutil de uma rua, se uma entrada de garagem desce em direção à garagem ou se afasta dela — importa mais do que a proximidade de um rio para eventos pluviais. Eu contestei. Parecia granular demais para ter significado em escala de carteira.

Ele puxou os dados de danos de Houston após o Harvey. Quarteirão por quarteirão, as perdas eram extremamente desiguais. Casas na mesma rua, no mesmo CEP, com a mesma designação da FEMA — uma inundou, a outra não. A diferença muitas vezes era de alguns centímetros de elevação ou o muro de arrimo de um vizinho.

Foi então que entendi: a média por CEP não é apenas imprecisa. É uma unidade de análise fundamentalmente errada para o risco de inundação.

A Revolução das Oito Polegadas

Se há uma única variável que determina se uma inundação é um incômodo ou uma catástrofe, é a Elevação do Primeiro Andar — a distância vertical entre o solo e o piso habitável mais baixo de uma edificação.

Os números aqui são impressionantes. Elevar o primeiro andar de uma casa em apenas um pé acima da elevação-base de inundação pode reduzir a Perda Anual Média em aproximadamente 90%. Um pé. Essa é a diferença entre um imóvel que é uma bomba-relógio e um que é eminentemente segurável.

E, no entanto, esse número quase nunca está no arquivo do subscritor. Os registros fiscais públicos não o capturam. Os Certificados de Elevação são documentos manuais caros. Os modelos legados simplesmente adivinham — assumindo, digamos, que toda casa em uma região tem um vão sanitário padrão de um pé.

É aqui que a visão computacional muda tudo.

Minha equipe passou semanas estudando como redes neurais conseguem extrair a elevação do primeiro andar a partir de imagens do Google Street View. O processo é elegante de uma maneira que me surpreendeu. Uma rede neural convolucional olha para uma foto de uma casa ao nível da rua e identifica a linha do solo, a soleira da porta da frente, os degraus. Ela estima a profundidade da câmera até a fachada. Então aplica trigonometria básica — altura da câmera, ângulo de inclinação, posição do pixel — para calcular a altura física da entrada acima do nível da rua.

Há até um método de apoio lindamente simples: contar os degraus. Os códigos de construção especificam uma altura de espelho padrão de cerca de 7 polegadas. Seis degraus até a porta da frente? Isso equivale a cerca de 42 polegadas de elevação do primeiro andar. Um modelo de VC pode contar degraus em milhões de imóveis sem que ninguém precise sair da mesa.

Redes neurais treinadas para estimar a elevação do piso mais baixo alcançaram erros médios de apenas 0,218 metro — cerca de 8,5 polegadas. Isso é precisão de nível centimétrico, em escala continental, sem uma única visita ao local.

Quando vi essa margem de erro pela primeira vez, tive que olhar duas vezes. Oito polegadas e meia de erro médio, derivadas de uma fotografia tirada por um carro passando. Compare isso com a abordagem legada de assumir que toda casa em um CEP tem o mesmo perfil de elevação. Não é nem sequer o mesmo esporte.

O Que Acontece Quando Você Consegue Enxergar Através das Nuvens?

A subscrição de inundações tem uma ironia cruel: o momento em que você mais precisa ver o que está acontecendo no solo — durante uma inundação — é exatamente quando os satélites ópticos ficam cegos. As inundações vêm com nuvens e chuva. As câmeras não conseguem enxergar através de nenhuma das duas.

O Radar de Abertura Sintética não se importa com nuvens.

Os satélites SAR transmitem pulsos de micro-ondas que atravessam a cobertura de nuvens, fumaça e chuva intensa, e então medem a energia que retorna. A água calma age como um espelho — ela reflete o sinal do radar para longe do satélite, aparecendo como pixels escuros na imagem. A terra seca dispersa o sinal de volta, aparecendo brilhante. O contraste lhe dá um mapa de inundação, sob qualquer clima, dia ou noite.

Admito que, quando encontrei os dados de SAR pela primeira vez, os achei estranhos. Não se parecem com uma fotografia. São granulados, salpicados e não intuitivos. Mas, uma vez que você entende o que eles estão mostrando, é extraordinário — um olho para todas as condições climáticas capaz de mapear a pegada exata de uma inundação em questão de horas após o pico de um evento.

A complexidade surge nas cidades. As inundações urbanas criam um fenômeno chamado "reflexão dupla" (double bounce) — o radar atinge a superfície da água, ricocheteia na parede de um edifício e retorna ao satélite com alta intensidade. Para um algoritmo ingênuo, isso parece terra seca. São necessários modelos de aprendizado profundo especificamente treinados nesses padrões de interferência para identificar corretamente a inundação urbana. As abordagens tradicionais baseadas em limiar falham aqui de forma consistente.

Quando você funde o SAR com dados ópticos — usando o radar para cobertura em todas as condições climáticas e as imagens ópticas para confirmação espectral — a precisão de classificação ultrapassa 92%, mesmo em paisagens urbanas complexas.

Por Que a IA Padrão Não Consegue Simplesmente Prever Inundações?

Essa é uma pergunta que recebo constantemente, e ela revela um mal-entendido fundamental sobre o que o aprendizado de máquina pode e não pode fazer.

Um modelo padrão de aprendizado profundo treinado com dados históricos de inundação aprende padrões. Ele pode aprender que imóveis próximos a rios inundam mais, que certos tipos de solo se correlacionam com perdas maiores, que a primavera é pior que o outono. E, para eventos que se parecem com os dados de treinamento, ele tem um desempenho razoavelmente bom.

Mas as inundações estão piorando de maneiras que não têm precedente histórico. Um modelo puramente baseado em dados que encontra uma intensidade de tempestade nunca vista antes ou extrapolará descontroladamente ou recorrerá a algo conservador e errado. Pior, ele pode gerar previsões fisicamente impossíveis — água surgindo sem uma fonte, ou fluindo ladeira acima.

Uma rede neural que nunca viu uma tempestade quingentenária (de 500 anos) irá alucinar quando encontrar uma. A física não alucina.

É por isso que as Redes Neurais Informadas por Física — PINNs — representam o avanço arquitetônico mais importante na modelagem de inundações. Uma PINN não é apenas treinada para corresponder a dados históricos. Ela é simultaneamente treinada para obedecer às leis da dinâmica dos fluidos: conservação de massa (a água não surge do nada) e conservação de momento (a água flui ladeira abaixo, respeitando a gravidade e o atrito).

A implementação técnica é enganosamente simples em conceito. A função de perda da rede tem dois componentes: o quão bem ela corresponde aos dados observados e o quão gravemente ela viola as equações físicas que regem o fenômeno. Penalize as violações da física durante o treinamento e você obtém um modelo que é ao mesmo tempo informado por dados e restringido pela física.

O retorno prático é enorme. As PINNs precisam de muito menos dados de treinamento porque as equações físicas restringem o espaço de soluções. E elas generalizam para eventos sem precedentes porque a física subjacente não muda — uma tempestade quingentenária segue a mesma dinâmica dos fluidos que uma tempestade decenária (de 10 anos), apenas com entradas diferentes.

Para o detalhamento técnico completo de como essas arquiteturas funcionam em conjunto, incluindo a matemática por trás das Redes Neurais de Grafos para roteamento hidrológico, eu o indicaria ao nosso artigo de pesquisa. Mas a percepção-chave para a subscrição é esta: uma PINN treinada como modelo substituto pode simular milhares de cenários climáticos para um imóvel específico em tempo real. Em vez de uma taxa estática de "Zona AE", você obtém um perfil de risco dinâmico e probabilístico que reflete a física real da água fluindo por aquela paisagem específica até aquela edificação específica.

O Argumento da Solvência

Venho apresentando o argumento tecnológico, mas deixe-me apresentar o de negócios, porque é aqui que reside a urgência.

O índice combinado do seguro residencial — a medida básica de se uma seguradora está ganhando ou perdendo dinheiro na subscrição — teve média de 101,5% recentemente e atingiu o pico de 110,5% em 2023. Acima de 100% significa que você está perdendo dinheiro. O setor está sangrando.

A seleção adversa está devorando as seguradoras vivas. Quando você precifica o risco de inundação no nível do CEP, você está tirando a média de uma casa em uma colina com uma casa em uma depressão. O proprietário na depressão — que sabe que seu porão inunda a cada chuva forte — compra avidamente pelo preço médio. O proprietário na colina, que corretamente percebe o preço como alto demais para o seu risco real, vai embora. Sua carteira de risco silenciosamente concentra os riscos ruins, e seu índice de sinistralidade se deteriora de maneiras que só aparecem no próximo grande evento.

A Deep AI inverte essa dinâmica. Uma seguradora que sabe que uma casa em uma zona de "alto risco" na verdade fica quatro pés acima da elevação-base de inundação, com respiros de inundação instalados e um sistema de climatização (HVAC) elevado, pode emitir aquela apólice de forma lucrativa a uma taxa que os concorrentes legados não tocariam. Isso não é seleção a dedo — é precificação precisa. E funciona nas duas direções: a casa em uma zona de "baixo risco" com uma garagem rebaixada e superfícies impermeáveis em todos os lados é precificada pelo que realmente é.

A era da subscrição de risco de inundação baseada em mapas de papel da década de 1980 e médias por CEP está efetivamente encerrada. A questão é quais seguradoras reconhecerão isso primeiro.

Há também um ângulo de resseguro aqui. Os resseguradores — as empresas que seguram as seguradoras — estão exigindo cada vez mais transparência sobre as carteiras subjacentes das seguradoras primárias. Uma carteira de negócios subscrita com dados de elevação em nível de pixel e monitorada via radar de satélite é uma proposta de risco fundamentalmente diferente de uma precificada com base nas zonas da FEMA. Dados melhores significam termos de resseguro melhores, o que significa melhor eficiência de capital, o que significa vantagem competitiva. Isso é cumulativo.

"Mas Você Consegue Explicá-lo a um Regulador?"

As pessoas sempre me perguntam isso, e é a pergunta certa. À medida que a IA se torna central em decisões de precificação que afetam se alguém consegue arcar com morar em sua própria casa, o escrutínio regulatório irá — e deve — se intensificar.

É justamente aqui que os modelos informados por física têm uma vantagem inesperada sobre o aprendizado profundo do tipo caixa-preta. As previsões de uma PINN estão fundamentadas em equações físicas explícitas — as equações de Saint-Venant da dinâmica dos fluidos, a conservação de massa, a conservação de momento. Quando um departamento estadual de seguros pergunta por que um prêmio aumentou, a seguradora pode apontar para um risco hidráulico específico e modelado fisicamente: "A água desta bacia hidrográfica alcança este imóvel nesta profundidade sob estas condições de chuva, com base nestas medições de elevação e nesta topologia de drenagem."

Isso não é uma correlação algorítmica opaca. Isso é engenharia. Os reguladores entendem engenharia.

Passei a chamar isso de "IA Caixa de Vidro" — modelos cujo raciocínio é transparente porque está ancorado em física conhecida, e não apenas em padrões estatísticos aprendidos. É o oposto do problema da caixa-preta que deixa todo mundo nervoso quanto à IA em decisões de alto risco.

Para Onde Isso Vai a Seguir

O conceito que acho mais atraente — e mais disruptivo — é o que eu chamaria de modelo de risco "vivo". Hoje, o risco de inundação é avaliado no início da apólice e talvez revisado na renovação. É um retrato instantâneo. Mas o risco é contínuo.

Se um satélite SAR detecta subsidência do solo em uma região, os escores de risco dos imóveis afetados deveriam ser atualizados. Se um vizinho pavimenta um gramado permeável, as características de escoamento superficial de toda a micro-bacia hidrográfica mudam. Se um município moderniza seus bueiros pluviais, todos os imóveis na bacia de drenagem se beneficiam.

Um modelo vivo transforma a seguradora de uma pagadora de sinistros em algo mais parecido com uma parceira de risco. Ajustes de meio de vigência. Alertas proativos. Créditos no prêmio por medidas de mitigação que a seguradora consegue de fato verificar por meio de imagens aéreas — respiros de inundação instalados, HVAC elevado, superfícies permeáveis mantidas.

Isso também viabiliza o seguro paramétrico para inundações — apólices que pagam automaticamente quando um satélite confirma que a profundidade da inundação ultrapassa um limiar nas coordenadas seguradas. Sem visitas de peritos. Sem um processo de sinistro que leva meses. Liquidez imediata quando as pessoas mais precisam.

Fico pensando naquele subscritor com o mapa de 1992 na parede. Ele não era o problema. Ele estava trabalhando com o que o setor lhe deu. O problema é que o setor tem sido lento em reconhecer que o clima mudou, os dados mudaram e a tecnologia mudou — enquanto a infraestrutura de subscrição permaneceu fixada na parede.

A convergência de visão computacional, radar de abertura sintética e aprendizado de máquina informado por física não apenas melhora a subscrição de inundações. Ela a torna possível pela primeira vez. Tudo o que veio antes disso era um palpite instruído em uma resolução grosseira demais para ter significado. O que vem a seguir é medição — edificação por edificação, pé por pé, tempestade por tempestade — em uma precisão que transforma o risco de inundação de uma catástrofe imprevisível em algo que você pode de fato precificar.

As seguradoras que descobrirem isso primeiro não terão apenas índices de sinistralidade melhores. Elas terão os únicos índices de sinistralidade que fazem sentido.