Clear Sky Science · pt

Fatores de risco multiescalares para um quadro de avaliação de vulnerabilidade ao calor usando algoritmos de aprendizado de máquina

· Voltar ao índice

Por que o aumento do calor é um problema de todos

Em toda a zona tropical, dias mais quentes e noites mais abafadas deixaram de ser apenas desconfortáveis — estão se tornando uma crise silenciosa de saúde pública. Este estudo focaliza a Malásia como uma janela para entender como calor, poluição do ar e desigualdade social se combinam para aumentar o risco de morte, especialmente entre idosos e comunidades mais pobres. Ao integrar grandes conjuntos de dados de satélites e registros governamentais com técnicas modernas de aprendizado de máquina, os pesquisadores mostram quais fatores importam mais e oferecem uma maneira prática para autoridades de muitos países tropicais identificarem primeiro os bairros que precisam de ajuda.

Figure 1
Figure 1.

Calor, cidades e pessoas em risco

Muitas regiões tropicais e subtropicais, incluindo o Sudeste Asiático, estão aquecendo mais rápido e enfrentando ondas de calor mais longas. Em cidades densamente povoadas, o concreto e o asfalto retêm calor, enquanto espaços verdes limitados e moradias precárias deixam as pessoas expostas. Idosos, bebês, pessoas com doenças cardíacas ou respiratórias crônicas e famílias de baixa renda são os que menos conseguem lidar com o calor extremo. Nos centros urbanos de rápido crescimento da Malásia, essas vulnerabilidades se sobrepõem: população densa, envelhecimento dos moradores e dificuldades econômicas aumentam as probabilidades contra muitas comunidades quando as temperaturas sobem.

Construindo uma pontuação para a vulnerabilidade comunitária

Para desvendar esse quadro complexo, os autores construíram um Índice de Vulnerabilidade ao Calor, ou IVC, para os 13 estados e três territórios federais da Malásia entre 2010 e 2020. Em vez de olhar apenas para a temperatura, combinaram dezesseis indicadores, incluindo a proporção de moradores idosos, níveis de pobreza, educação, acesso a água potável e serviços de saúde, e a quantidade de vegetação. Um método estatístico foi usado para condensar essas medidas distintas em uma única pontuação que reflete a dificuldade que uma comunidade teria para suportar calor perigoso. Composição étnica e acesso a serviços básicos emergiram como partes especialmente influentes desse índice.

Adicionando o ambiente: terra versus ar

A equipe então fez uma pergunta-chave: ao prever mortes ligadas a condições quentes, que tipo de informação ambiental funciona melhor ao lado do IVC? Eles compararam duas camadas. A primeira usou características locais do solo, como cobertura vegetal e a diferença entre a temperatura superficial do solo diurna e noturna, que pode indicar o quão bem uma área esfria à noite. A segunda camada focou em condições atmosféricas mais amplas: uma medida de conforto térmico que combina temperatura, umidade, vento e radiação solar, além de níveis de partículas finas no ar e ozônio. Esses dados foram obtidos de produtos de satélite e reanálises e promediados anualmente para corresponder às contagens de óbitos por estado.

Figure 2
Figure 2.

Deixando os algoritmos decidirem

Usando vários modelos de aprendizado de máquina, incluindo a abordagem Random Forest, os pesquisadores testaram quão bem diferentes combinações de variáveis sociais e ambientais explicavam variações na mortalidade por todas as causas de um ano para outro. A configuração mais confiável combinou o IVC com a camada atmosférica — estresse térmico, partículas finas e ozônio — em vez de medidas baseadas apenas no solo. Nesse modelo vencedor, o IVC foi de longe o preditor mais forte, seguido pelo ozônio e pela medida de conforto térmico, com partículas finas ainda desempenhando um papel significativo. Ferramentas avançadas de interpretação mostraram que essas influências não foram uniformes: no leste da Malásia, por exemplo, ar mais poluído e alta vulnerabilidade se reforçaram mutuamente, enquanto algumas regiões ocidentais exibiram padrões mais complexos em que ozônio muito alto às vezes coincidia com risco medido menor, provavelmente refletindo efeitos da química local e do tempo.

Calor desigual em um mundo que aquece

Ao analisar ao longo do tempo, o estudo constatou que tanto o estresse térmico quanto a mortalidade aumentaram na Malásia, e que a vulnerabilidade comunitária também tem subido desde 2018. Em outras palavras, não apenas o clima está se tornando mais severo, como também a rede de proteção social que ajuda as pessoas a resistir a ele está se fragilizando. Alguns estados com vulnerabilidade muito alta ainda não apresentam as maiores contagens de óbitos, o que sugere uma janela de oportunidade para agir antes que futuras ondas de calor atinjam. A análise também mostrou que o quadro permaneceu estável em diferentes anos, mesmo durante rupturas como o período da COVID-19, embora eventos incomuns possam temporariamente alterar os padrões de mortalidade.

Dos números à ação

Para o público em geral, a mensagem central é clara: o calor é perigoso não apenas pela temperatura, mas por quem está exposto e por quais outros estresses enfrentam — especialmente ar poluído e acesso precário a serviços. O estudo demonstra que combinar uma pontuação de vulnerabilidade social com medidas amplas de calor e qualidade do ar oferece uma maneira potente e transferível de identificar comunidades de alto risco. Para grandes cidades, isso significa reforçar o controle da poluição do ar e ampliar áreas sombreadas e espaços verdes que promovam resfriamento. Para regiões mais pobres e remotas, significa fortalecer saúde, moradia e sistemas de alerta precoce. À medida que os países tropicais continuam a aquecer, ferramentas como esse quadro podem ajudar a transformar riscos climáticos abstratos em mapas e prioridades concretas que salvam vidas.

Citação: Li, Z., Fong, C.S., Aghamohammadi, N. et al. Multi-scalar risk drivers for a heat vulnerability assessment framework using machine learning algorithms. Sci Rep 16, 10594 (2026). https://doi.org/10.1038/s41598-026-44880-z

Palavras-chave: vulnerabilidade ao calor, clima tropical, poluição do ar, aprendizado de máquina, risco à saúde pública