Avaliação da suscetibilidade a inundações usando três técnicas de aprendizado de máquina e comparação de seu desempenho

Por que o risco de enchentes em uma bacia etíope importa

Inundações matam milhares de pessoas em todo o mundo a cada ano, destroem plantações e danificam casas e estradas. Na bacia do Choke, na Etiópia, uma região de altitude que alimenta o Nilo Azul, enxurradas rápidas chegam com rapidez e muitas vezes sem aviso. Este estudo mostra como técnicas computacionais modernas podem transformar imagens de satélite, mapas e registros pluviométricos em mapas detalhados de risco de inundação, ajudando comunidades e planejadores a decidir onde construir, onde cultivar e onde proteger as pessoas antes da próxima tempestade.

Uma paisagem montanhosa sob pressão

A bacia do Choke situa-se nos planaltos do noroeste da Etiópia, onde montanhas íngremes dão origem a mais de 60 rios e centenas de nascentes. Esse terreno acidentado sustenta agricultura, hidrelétricas, abastecimento de água potável e até turismo, mas também canaliza chuvas sazonais intensas para vales estreitos e planícies de inundação. Na última década, inundações recorrentes danificaram campos, estradas, pontes, escolas e moradias, especialmente durante a estação chuvosa principal, de junho a setembro. O crescimento populacional, o desmatamento e a expansão urbana alteraram a superfície do solo, muitas vezes reduzindo sua capacidade de absorver água e tornando mais provável o escoamento súbito rio abaixo.

Transformando mapas e medições em um histórico de inundações

Para entender onde as inundações ocorrem com mais frequência, os pesquisadores primeiro construíram um “inventário” de inundações para a bacia. Eles combinaram relatórios governamentais de desastres, informações de campo e imagens de radar dos satélites Sentinel-1, que conseguem identificar áreas alagadas mesmo através de nuvens. Para cinco anos de grandes inundações entre 2005 e 2020, compararam imagens antes e depois dos eventos para localizar zonas inundadas. Também usaram dados de elevação para excluir lagos permanentes e encostas muito íngremes que não apresentariam água parada. A partir disso, montaram um conjunto equilibrado de locais que tinham sido inundados e outros que permaneceram secos, formando o material de aprendizado para seus modelos computacionais.

Lendo o terreno para prever inundações futuras

Em seguida, a equipe reuniu onze tipos de informação que influenciam onde a água se acumula, incluindo altitude, declividade, curvatura do terreno, tendência de umidade do solo, redes de rios, distância a canais, precipitação, tipo de solo e uso do solo. Todos esses dados foram processados em camadas cartográficas compatíveis em um sistema de informação geográfica. Os modelos foram treinados para identificar padrões que ligassem essas camadas às inundações passadas. Em diferentes testes, três características se destacaram como especialmente importantes: elevação, declividade e um índice de umidade que reflete quão facilmente a água se acumula em determinados pontos. Áreas baixas com declives suaves e valores elevados de umidade surgiram como pontos críticos claros para inundações, enquanto a orientação da encosta (para que lado ela aponta) e até a variação pluviométrica tiveram menos influência nesse contexto montanhoso específico.

Ensinando máquinas a identificar zonas de alto risco

O estudo comparou três métodos avançados de aprendizado de máquina que se baseiam em muitas árvores de decisão trabalhando em conjunto: Random Forest, Gradient Boosting e Extreme Gradient Boosting. Essas abordagens são boas em lidar com relações complexas entre muitos fatores sem exigir dados perfeitos ou fórmulas simples. Após dividir os dados em conjuntos de treinamento e teste, os autores ajustaram cada modelo e verificaram o desempenho usando vários índices estatísticos. Duas das técnicas, Gradient Boosting e Extreme Gradient Boosting, mostraram-se especialmente precisas, distinguindo corretamente pontos inundados de não inundados em cerca de 97% dos casos; o Random Forest ficou logo atrás. As três produziram mapas de suscetibilidade a inundações que dividiram a bacia em cinco classes, de risco muito baixo a muito alto, com as seções norte e sudoeste apresentando maior perigo.

De mapas computacionais a comunidades mais seguras

Para não especialistas, o resultado principal é que esses mapas gerados por máquinas transformam registros esparsos e imagens de satélite em um quadro claro de onde as águas de inundação têm maior probabilidade de se espalhar. Apenas uma fração modesta da bacia do Choke está nas zonas de risco mais alto, mas esses bolsões coincidem com terras baixas povoadas e áreas agrícolas importantes. As autoridades locais podem usar os resultados para orientar onde construir novas habitações, reforçar pontes e drenagens ou restaurar a vegetação para reduzir o escoamento. Embora os modelos não possam substituir simulações hidráulicas detalhadas, eles oferecem uma maneira rápida e econômica de concentrar recursos limitados nas áreas mais vulneráveis e poderiam ser adaptados a outros perigos, como deslizamentos de terra ou terremotos. Em um país onde dados e orçamentos costumam ser escassos, essa combinação de satélites e algoritmos inteligentes oferece um caminho prático para paisagens e comunidades mais resilientes.

Citação: Asrade, T., Abebe, S., Tadesse, K. et al. Flood susceptibility assessment using three machine learning techniques and comparison of their performance. Sci Rep 16, 8099 (2026). https://doi.org/10.1038/s41598-026-38391-0

Palavras-chave: susceptibilidade a inundações, aprendizado de máquina, bacia hidrográfica Choke, sensoriamento remoto, redução do risco de desastres