Previsão e avaliação de risco de deslizamentos por sensoriamento remoto usando um modelo híbrido de deep learning CNN–LSTM

Por que saber onde encostas podem ceder pode salvar vidas

Deslizamentos podem acontecer com pouco aviso, soterrando casas, bloqueando vias e danificando infraestrutura vital. Em regiões montanhosas, especialmente onde a chuva é intensa e o solo já está sob tensão, pessoas vivem e circulam sob encostas cuja estabilidade é difícil de avaliar a olho nu. Este estudo mostra como dados de satélite e um tipo avançado de modelo computacional de reconhecimento de padrões podem trabalhar juntos para identificar quais partes de uma grande região têm maior probabilidade de deslizar, oferecendo a planejadores e gestores de emergência uma nova ferramenta poderosa para reduzir riscos.

Vendo encostas arriscadas a partir do espaço

Os pesquisadores concentram-se na Província de Kerman, no sudeste do Irã, uma paisagem de altas montanhas, vales profundos e planícies áridas moldadas por falhas ativas e um clima severo. Em terreno tão acidentado, levantamentos de campo tradicionais são lentos e incompletos. Em vez disso, a equipe recorre ao sensoriamento remoto: imagens de satélite que revelam cobertura do solo e vegetação, e modelos digitais de elevação que descrevem altura e inclinação do terreno. A partir dessas fontes eles derivam propriedades-chave como ângulo e orientação da encosta e indicadores de como a água tende a se acumular ou fluir. Também mapeiam a proximidade de cada local a rios, estradas e falhas, e classificam o uso do solo, desde áreas agrícolas até rocha exposta.

Acompanhando a história da água ao longo do tempo

No entanto, deslizamentos não são provocados apenas pela forma do terreno. A água, chegando como chuva ou armazenada em reservatórios, pode gradualmente enfraquecer as encostas até que elas cedam. Para capturar esse aspecto dinâmico do problema, o estudo compila registros diários de precipitação e níveis de reservatórios. Para cada ponto da região, o modelo analisa os 30 dias anteriores a um deslizamento conhecido — ou a um período sem ocorrência — para ver quanto de água chegou e como isso variou de dia para dia. Essa janela móvel de um mês permite ao método reconhecer não apenas enxurradas extremas, mas também o efeito acumulado de muitos dias úmidos que lentamente saturam o solo.

Ensinando um modelo híbrido a ler espaço e tempo

No cerne do trabalho está um modelo híbrido de deep learning que combina duas técnicas complementares. Uma parte, chamada rede neural convolucional, é especializada em reconhecer padrões no espaço. Ela examina pequenos blocos das camadas empilhadas de terreno e uso do solo, aprendendo quais combinações de inclinação, tipo de rocha e outros fatores tendem a estar associadas a deslizamentos passados. A outra parte, uma rede de memória de longo curto prazo (LSTM), é projetada para lidar com sequências. Ela lê as cadeias de 30 dias de precipitação e níveis de reservatórios, aprendendo quais padrões temporais são mais perigosos. O modelo funde essas duas correntes — onde está a encosta e quão úmida ela tem estado recentemente — em uma avaliação única da probabilidade de deslizamento em cada local.

Testando contra deslizamentos reais

Para avaliar quão bem o sistema funciona, os autores montam um inventário de 719 deslizamentos documentados a partir de relatórios, verificações de campo e imagens detalhadas, e os confrontam com um número igual de locais estáveis. Eles dividem esses dados em conjuntos de treinamento e teste independentes, garantindo que o modelo nunca veja os exemplos de teste durante o aprendizado. Quando desafiado com os casos não vistos, o modelo híbrido distingue corretamente locais com e sem deslizamento mais de 95% das vezes e atinge uma das maiores pontuações possíveis em uma curva diagnóstica padrão. Ele supera métodos amplamente usados, como máquinas de vetor de suporte, árvores de decisão, florestas aleatórias e até modelos de deep learning mais simples que usam apenas informação espacial ou apenas temporal.

Transformando previsões em mapas úteis

Usando o modelo treinado, a equipe gera uma probabilidade contínua de ocorrência de deslizamento para cada célula de grade em toda a Província de Kerman, então classifica os resultados em suscetibilidade baixa, média, alta e muito alta. Cerca de um quarto da região entra no grupo de alto risco, principalmente em encostas íngremes onde as variações de chuva e dos reservatórios são marcantes, enquanto aproximadamente um terço é considerado de baixo risco. Quando os autores sobrepõem seu mapa ao inventário independente de deslizamentos, mais de 86% dos eventos registrados situam-se nas zonas de alto e muito alto risco, mostrando que os alertas do modelo se alinham de perto com falhas do mundo real. Uma análise das entradas confirma que a inclinação do terreno é o fator dominante, seguida de perto pela precipitação total recente e pelas variações nos níveis dos reservatórios.

O que isso significa para as pessoas no terreno

Em termos simples, o estudo demonstra que combinar informação de “onde” vinda de satélites com informação de “quando” sobre a água cria uma imagem muito mais nítida do perigo de deslizamento do que qualquer uma isoladamente. O modelo híbrido não prevê o dia exato em que uma encosta vai ceder, mas revela quais áreas são intrinsecamente frágeis sob condições úmidas típicas. Esse conhecimento pode orientar a localização mais segura de estradas e construções, destacar vilarejos e infraestrutura que precisam de proteção ou monitoramento e ajudar planejadores de emergência a concentrar recursos escassos onde são mais necessários. A abordagem também é flexível: com dados adequados, pode ser adaptada a outras regiões montanhosas que enfrentem ameaças semelhantes da gravidade e da água.

Citação: Teng, F., Ekraminia, S.S., Zarei, A. et al. Remote sensing-based landslide prediction and risk assessment using a hybrid CNN–LSTM deep learning model. Sci Rep 16, 10687 (2026). https://doi.org/10.1038/s41598-026-43927-5

Palavras-chave: susceptibilidade a deslizamentos, sensoriamento remoto, aprendizado profundo, mapeamento de risco, previsão de perigos