Uma avaliação sistemática do risco regional de deslizamentos sob chuvas de tufão: estudo de caso de Taishun, Zhejiang, China em setembro de 2016

Por que encostas montanhosas falham em grandes tempestades

Quando um tufão poderoso atinge a costa, a maioria das pessoas se preocupa primeiro com o vento e as inundações. Mas em regiões íngremes e chuvosas, outro perigo se desenvolve discretamente: encostas inteiras podem ceder de repente. Este estudo analisa um desses eventos no condado de Taishun, província de Zhejiang, onde o tufão Meranti, em setembro de 2016, desencadeou milhares de deslizamentos. Ao combinar imagens de satélite, registros pluviométricos e modelos computacionais avançados, os pesquisadores mostram como chuva intensa, terreno acidentado e geografia local se combinam para transformar encostas verdes estáveis em rios rápidos de terra.

Onde o solo cedeu

A equipe concentrou-se em uma área montanhosa no sudeste da China que frequentemente fica na rota dos tufões. Usando imagens de satélite de alta resolução feitas antes e depois do Meranti, juntamente com verificações de campo, mapearam 4.102 deslizamentos em uma área de cerca de 3.400 quilômetros quadrados. A maioria dos deslizamentos foi relativamente pequena, mas, juntos, cobriram mais de seis quilômetros quadrados. Os deslizamentos se aglomeraram em um cinturão que corre de noroeste a sudeste através das montanhas centrais, coincidente com o caminho da chuva mais intensa. Muitas encostas exibiram cicatrizes longas e estreitas com solo exposto e vegetação quebrada, um padrão típico de falhas induzidas pela chuva nesta região.

Chuva, morros, rios e florestas atuando em conjunto

Para entender por que algumas encostas falharam enquanto outras próximas permaneceram estáveis, os cientistas examinaram nove fatores-chave: altitude, declividade, orientação da encosta, tipo de rocha, vegetação, uso da terra, umidade superficial, distância aos rios e precipitação total durante a tempestade. Eles descobriram que os deslizamentos foram mais comuns em altitudes moderadas (cerca de 400–800 metros) em encostas relativamente íngremes (25–40 graus). Encostas voltadas para sul e sudeste, diretamente expostas às chuvas monçônicas, falharam com mais frequência. Camadas de rocha macia e profundamente intemperizadas, especialmente arenitos e siltitos do Cretáceo, forneceram fundações frágeis. Cobertura vegetal moderada e áreas florestadas, frequentemente encontradas em solos mais espessos e encostas mais íngremes, também se associaram a mais deslizamentos — não porque as árvores causem as falhas, mas porque esses ambientes retêm mais água e assentam em encostas mais frágeis. A proximidade de rios aumentou o risco, já que a água corrente pode erodir a base das encostas e facilitá‑las a serem desestabilizadas durante as tempestades.

Como modelos inteligentes revelam padrões ocultos

Os pesquisadores então recorreram ao aprendizado de máquina automatizado para transformar esses ingredientes em um mapa de risco prático. Alimentaram todos os deslizamentos mapeados, além de um número igual de locais estáveis, em um “ensemble” de diferentes modelos computacionais que aprendem a partir de exemplos. Esse sistema, chamado AutoGluon, testa e combina muitos modelos para encontrar a mistura mais confiável. O melhor modelo combinado conseguiu distinguir encostas instáveis das estáveis com precisão muito alta. Quando suas previsões foram plotadas em um mapa, as áreas classificadas como de alto ou muito alto risco coincidiram de perto com os locais onde os deslizamentos realmente ocorreram durante o tufão Meranti, especialmente no cinturão montanhoso central. A equipe também usou um método conhecido como SHAP para abrir a “caixa‑preta” do modelo e medir com que intensidade cada fator empurrava as encostas em direção à falha ou à segurança.

Encontrando os pontos de inflexão para o desastre

As ferramentas interpretativas mostraram que três ingredientes são os mais importantes: quanto choveu, em que altitude a encosta se situa e quão íngreme ela é. As pontuações internas do modelo saltaram quando a precipitação total atingiu cerca de 160–180 milímetros ao longo do período chave de quatro dias da tempestade, marcando um ponto de inflexão além do qual as encostas rapidamente se tornavam instáveis. Altitude e declividade exibiram comportamento limiar semelhante: encostas de altitude média, moderadas a muito íngremes, foram muito mais propensas a falhas do que colinas baixas e suaves ou picos muito altos e rochosos. Outros fatores — como tipo de rocha, concentração de umidade em vales e vegetação — ajustaram moderadamente o risco para cima ou para baixo, frequentemente de maneiras não lineares. Juntos, esses padrões explicam por que os deslizamentos surgiram em aglomerados densos em vez de se distribuírem uniformemente pela paisagem.

Transformando percepção em alertas precoces

Ao combinar mapeamento detalhado, dados de chuva por satélite e aprendizado de máquina transparente, este estudo oferece uma imagem mais clara de como as chuvas de tufão se traduzem em perigo de deslizamento no terreno. Para leigos e autoridades locais, a mensagem-chave é direta: quando chuvas muito intensas caem sobre encostas florestadas, cortadas por rios, de elevação média e relativamente íngremes, o risco de falha súbita da encosta aumenta acentuadamente. A estrutura desenvolvida aqui pode ser adaptada a outras regiões montanhosas sujeitas a tempestades, ajudando as autoridades a direcionar monitoramento, alertas precoces e obras de proteção para os locais com maior probabilidade de deslizamento no próximo grande tufão.

Citação: Xie, C., Xu, C., Xu, X. et al. A systematic assessment of regional landslide risk under typhoon rainfall: a case study of Taishun, Zhejiang, China in September 2016. Sci Rep 16, 10857 (2026). https://doi.org/10.1038/s41598-026-46166-w

Palavras-chave: deslizamentos, chuvas de tufão, riscos em áreas montanhosas, aprendizado de máquina, alerta precoce