Pesquisadores da Unesp desenvolvem IA para mapear áreas de risco de deslizamento

O alto volume de chuvas do verão de São Paulo não poupa os moradores de desastres naturais. Em fevereiro de 2024, o litoral norte do estado recebeu chuvas recordes, com 600 mm em 24h. São Sebastião, a cidade mais atingida, totalizou 65 mortos, além de casas e rodovias destruídas. Agora, para prevenir desastres como esse, pesquisadores da Unesp desenvolveram IA para mapear áreas de risco de deslizamento.

O estudo, que usa algoritmos de aprendizado de máquina para gerar mapas com as principais zonas de risco de deslizamentos de terra em São Sebastião, foi desenvolvido por esquisadores da Unesp de São José dos Campos e do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden).

Quase ano depois da tragédia, a cidade do litoral segue sob ameaça de novos deslizamentos. O objetivo, então, era criar uma ferramenta que pudesse ser aplicada para auxiliar na tomada de decisão, no planejamento urbano e na gestão de riscos. Além do mapa de zonas suscetíveis a deslizamentos, a pesquisa também identificou os principais fatores que impactam na estabilidade do solo.

Escolhendo o algoritmo

Uma primeira etapa da pesquisa testou cinco dos algoritmos mais utilizados em trabalhos de previsão de desastres, para conseguir identificar o com melhor precisão. Para isso, o grupo alimentou os modelos com informações de clima, tipo de solo, tipo de vegetação, relevos da região, acidentes anteriores e ocupação de terra.

O conjunto de algoritmos selecionados passou por um treinamento, no qual aprenderam a identificar as combinações de fatores que levaram a deslizamentos, tendo como base eventos passados. Por fim, foram testados realizando novas previsões de áreas de risco.

Enner Alcântara, docente do Instituto de Ciência e Tecnologia da Unesp e coordenador do Programa de Pós-Graduação em Desastres Naturais, criado em parceria entre Unesp e Cemaden, explica que as técnicas tradicionais envolvem a necessidade de informações precisas e de dados de alta resolução, que nem sempre estão disponíveis

É justamente nessas lacunas que as técnicas de aprendizado de máquina prosperam– ressalta Alcântara

Nos testes comparativos, o modelo Gradient Boosting (GB) se destacou. Na escala AUC-ROC, utilizada para medir a performance geral dos algoritmos, o GB alcançou um desempenho de 0.963, sendo que a pontuação máxima que pode ser atingida é 1. Além disso, chegou a 99,6% de precisão, enquanto o segundo colocado, o Random Forest, obteve 90.2% no mesmo teste.

Mapeando áreas de risco de deslizamento

O mapa gerado pelo GB apresenta todo o território de São Sebastião, destacando, a partir de diferentes cores, o grau de risco de diferentes regiões. Foi possível observar que a maior parte do município tem um risco baixo de deslizamento de terra, representado pela cor verde — informação que contrasta com as demais classificações, que indicam áreas de risco moderado, alto e muito alto de deslizamento.

Os estudiosos identificaram também as principais características que influenciam a ocorrência de deslizamentos: inclinação do terreno, umidade do solo e dissecação do terreno (que indica o grau de fragmentação de uma paisagem por conta da erosão).

Para os pesquisadores, a umidade do solo como um dos fatores centrais “aponta que o monitoramento em tempo real dessa variável pode melhorar significativamente os sistemas de alerta precoce na região”.

Isso porque trata-se de um indicador que informa com mais certeza qual o grau de saturação em que o solo se encontra. Ou seja, se o solo estiver pouco úmido, mesmo com muita chuva, as chances de deslizamento diminuem porque a terra consegue absorver mais água. Do contrário, um solo muito úmido e saturado pode ceder mesmo com chuvas menos intensas.

A importância de entender como o solo tem sido habitado

As atividades humanas, como desmatamento e urbanização, afetam a estabilidade do solo e aumentam o risco de deslizamentos. Comparando imagens de 1985 e 2021, pesquisadores identificaram crescimento tanto da área florestal quanto urbana, com redução de zonas de restinga e agricultura.

As florestas atualmente cobrem 90,5% das áreas de baixo risco na região, e ajudam a estabilizar o solo, diminuindo consideravelmente as chances de um deslizamento. As raízes funcionam como um suporte, ao passo que contribuem para reduzir a umidade do terreno que, como foi visto na pesquisa, é um dos principais fatores que impactam no risco de deslizamentos.

Por outro lado, as áreas urbanizadas e com pastagens, próximas a centros urbanos, apresentam maior suscetibilidade a deslizamentos, exigindo atenção no planejamento territorial.

Alcântaca explica que “a expansão urbana, especialmente em uma região costeira e montanhosa como São Sebastião, frequentemente envolve construções em encostas íngremes, alterações nos padrões naturais de drenagem e o aumento de superfícies impermeáveis, o que pode agravar o risco de deslizamentos”.

Nós queremos explorar a aplicabilidade do modelo em outras regiões do Brasil, para ampliar o impacto do estudo– diz Alcântara

O pesquisador afirma que a análise das mudanças no uso e na cobertura do solo, aliada à informação sobre os fatores e regiões de risco podem fornecer informações valiosas para o planejamento urbano e para a gestão de risco. Pensando nisso, a equipe já está trabalhando em maneiras de aprimorar a utilização do modelo e torná-lo acessível.

O post Pesquisadores da Unesp desenvolvem IA para mapear áreas de risco de deslizamento apareceu primeiro em Náutica.