Uma avaliação integrada de múltiplos perigos usando aprendizado de máquina nos terrenos complexos do Norte do Paquistão

Por que esta história de montanha importa

O Vale de Hunza, no norte do Paquistão, é famoso por seus picos imponentes e geleiras — mas também é uma das paisagens mais perigosas do planeta. Encostas íngremes, gelo em fusão, tempestades violentas e falhas ativas significam que vilarejos, estradas e megaprojetos ficam expostos a vários tipos de desastres ao mesmo tempo. Este estudo mostra como dados modernos e aprendizado de máquina podem ser combinados para traçar uma imagem única e de fácil uso sobre onde múltiplos perigos se sobrepõem, ajudando a proteger pessoas, infraestrutura e rotas comerciais vitais nesta frágil região de alta montanha.

Um vale sob várias ameaças

O distrito de Hunza está situado no acidentado Karakoram, onde gargantas fluviais cortam rochas que se elevam de cerca de 1.800 metros até quase 7.800 metros acima do nível do mar. Grandes geleiras alimentam o rio Hunza, que por sua vez fornece água e energia a milhões de pessoas mais abaixo. Mas as mesmas forças que tornam essa região uma poderosa torre de água também geram perigo. Chuvas intensas no verão, derretimento rápido de neve e gelo, solos soltos e falhas ativas se combinam para produzir deslizamentos, fluxos de detritos, inundações súbitas e rompimentos de lagos glaciais (GLOFs). Terremotos podem sacudir encostas já fragilizadas, desencadeando cadeias de queda de rochas e inundações. Como estradas, casas e terras agrícolas estão apertadas no fundo estreito do vale, mesmo um evento moderado pode ter consequências severas, como visto em desastres passados que destruíram vilarejos, bloquearam rios e cortaram a Rodovia Karakoram, o único elo terrestre do Paquistão com a China.

De mapas dispersos para uma grande imagem

Até agora, a maioria dos estudos analisava um perigo por vez — apenas deslizamentos, ou apenas inundações, por exemplo. Essa abordagem perde como os perigos podem ocorrer juntos ou provocar uns aos outros, e pode enganar planejadores que precisam projetar estradas, pontes e assentamentos para condições do mundo real. Os autores propuseram construir uma visão integrada de “multi-perigo” para Hunza. Reuniram uma ampla gama de informações: dados detalhados de elevação, declividade e curvatura do terreno, distância a rios e estradas, padrões de chuva, uso do solo e vegetação, indicadores de neve e geleiras, tipos de rocha subjacentes e mapas existentes de perigo de lagos glaciais e intensidade de abalos. Ao todo, foram considerados dezoito fatores geoambientais, refletindo como água, gravidade, clima e geologia interagem no terreno.

Ensinando uma floresta digital a ler a terra

Para transformar essa montanha de dados em orientações úteis, a equipe usou um método de aprendizado de máquina conhecido como modelo de classificação e regressão baseado em floresta, uma forma prática da popular abordagem “random forest”. Primeiro compilaram inventários de onde os perigos ocorreram — deslizamentos, enchentes súbitas, fluxos de detritos, zonas propensas a terremotos e áreas de GLOF — e correlacionaram essas localizações com as condições ambientais em cada ponto. O algoritmo então aprendeu quais combinações de declividade, chuva, tipo de rocha, vegetação e outros fatores melhor distinguem pontos perigosos dos mais seguros. Ao construir repetidamente muitas árvores de decisão em amostras diferentes e fazer a média dos resultados, o modelo produziu mapas de suscetibilidade confiáveis para cada perigo. Verificações estatísticas mostraram bom desempenho, indicando que o modelo conseguia distinguir áreas de alto risco e baixo risco com frequência acima do acaso.

Onde os perigos se acumulam

Uma vez criados os mapas individuais, os pesquisadores os colocaram na mesma escala e os combinaram em um único mapa multi-perigo. Os resultados revelam que mais de 40% de Hunza está exposto a pelo menos um perigo significativo, e porções menores, porém críticas, enfrentam vários ao mesmo tempo. Cerca de um quinto do distrito é altamente propenso a deslizamentos isoladamente, enquanto outras zonas são principalmente ameaçadas por enchentes súbitas ou fluxos de detritos. As áreas mais alarmantes — embora relativamente pequenas em extensão — são onde abalos sísmicos, fluxos de detritos, deslizamentos e enchentes súbitas coincidem. Esses pontos quentes sobrepostos se concentram nas partes central e inferior do vale ao longo dos corredores fluviais e da Rodovia Karakoram, onde estão assentamentos, terras agrícolas e infraestrutura importante. Mesmo regiões classificadas como “baixo risco” frequentemente estão cobertas por geleiras e neve, lembrando aos planejadores que o aquecimento futuro pode deslocar os padrões de risco.

Transformando mapas em futuros mais seguros

Para não especialistas, a mensagem principal é direta: em uma paisagem como Hunza, nenhum perigo isolado conta toda a história. Este estudo demonstra que, combinando dados de satélite, observações de campo, julgamento de especialistas e aprendizado de máquina, é possível criar mapas claros que mostram onde múltiplas ameaças se sobrepõem e onde a ação preventiva é mais urgente. Embora o trabalho se concentre na suscetibilidade — a probabilidade de que processos naturais possam gerar eventos danosos — ele oferece uma base poderosa para decisões de uso do solo mais inteligentes, posicionamento mais seguro de estradas e barragens e planejamento direcionado de alertas antecipados e evacuação. À medida que as mudanças climáticas continuam a intensificar eventos extremos e acelerar o derretimento de geleiras, tais ferramentas integradas e orientadas por dados serão essenciais para ajudar comunidades de montanha no Paquistão e no mundo a se adaptar e prosperar.

Citação: Khan, M.I., Shafique, M., Khattak, G.A. et al. An integrated multi-hazard assessment using machine learning in the complex terrains of Northern Pakistan. Sci Rep 16, 11499 (2026). https://doi.org/10.1038/s41598-026-41029-w

Palavras-chave: mapeamento multi-perigo, desastres em montanhas, aprendizado de máquina, Vale de Hunza, redução de risco de desastres