Um framework GeoAI explicável para avaliação espacial da susceptibilidade a incêndios florestais no sub-bacia do Alto Ravi, Himalaia indiano

Por que os incêndios no Himalaia nos afetam a todos

Incêndios florestais costumam ser imaginados em paisagens secas do oeste, mas alguns dos riscos de incêndio que mais mudam hoje estão nas montanhas do Himalaia, na Índia. Essas florestas armazenam água, refrigeram o clima e sustentam centenas de milhares de pessoas. Quando queimam, casas, fauna e até geleiras e rios distantes são afetados. Este estudo analisa uma dessas regiões — a sub-bacia do Alto Ravi, em Himachal Pradesh — e mostra como ferramentas modernas de mapeamento e inteligência artificial podem revelar onde futuros incêndios provavelmente começarão e se espalharão, dando às comunidades a chance de agir antes que o desastre ocorra.

Um vale de montanha sob pressão crescente de incêndios

A sub-bacia do Alto Ravi é uma paisagem íngreme do Himalaia que vai desde os sopés subtropicais até altitudes quase árticas. Suas florestas estão cada vez mais estressadas por temperaturas mais altas, secas mais longas e atividades humanas como construção de estradas, turismo e expansão de vilarejos. Agulhas de pinheiro que se acumulam no piso florestal formam um tapete altamente inflamável durante a estação seca, de fevereiro a junho. Nos últimos anos, Himachal Pradesh registrou alguns dos maiores números de incidentes de incêndio na Índia, com chamas ameaçando tanto encostas remotas quanto vales povoados. Nesse contexto, os autores buscaram construir um mapa detalhado de “susceptibilidade”, mostrando quais partes da bacia têm maior ou menor probabilidade de sofrer incêndios.

Transformando satélites e mapas em um retrato do risco de fogo

Para criar esse mapa, a equipe combinou diversas fontes de informação. Dados de satélite forneceram detalhes sobre cobertura do solo, saúde da vegetação, precipitação, temperatura, umidade do solo e vento. Modelos de elevação capturaram quão íngreme e acidentado é o terreno, enquanto projetos de mapeamento aberto forneceram as localizações de estradas, vilarejos, locais religiosos e pontos turísticos. Pelo sistema de detecção de incêndios da NASA, compilaram mais de 20 anos de ocorrências passadas. No total, selecionaram dezesseis “fatores condicionantes” que podem favorecer ou inibir incêndios — desde ângulo de inclinação e velocidade do vento até distância de vilarejos e estradas. Cada ponto na paisagem foi descrito por esses fatores e rotulado como queimado ou não queimado no registro histórico, produzindo o material bruto para o aprendizado de máquina.

Pedir concordância a uma equipe de algoritmos

Em vez de confiar em um único modelo estatístico, os pesquisadores treinaram vários métodos avançados de aprendizado de máquina especializados em identificar padrões em dados complexos. Isso incluiu abordagens baseadas em árvores populares, como Random Forest, XGBoost, LightGBM e CatBoost. Por fim, combinaram-nos em uma abordagem de “empilhamento” (stacking), na qual um modelo simples aprende a melhor forma de misturar as forças dos quatro. Testados em dados independentes, todos os métodos conseguiram distinguir bem as áreas propensas a incêndios daquelas mais seguras, mas o modelo empilhado teve o melhor desempenho, separando-as corretamente na maior parte das vezes. Seu sucesso sugere que um comitê de algoritmos diversos pode capturar melhor as influências entrelaçadas do clima, do terreno e das atividades humanas sobre o comportamento dos incêndios nas montanhas.

Perscrutando a caixa-preta da inteligência artificial

Por mais poderosos que sejam, esses modelos costumam ser criticados por sua opacidade. Para lidar com isso, os autores usaram uma técnica de explicabilidade que estima quanto cada fator empurra a previsão para maior ou menor risco de incêndio. Os resultados destacaram um grupo claro de fatores principais. Temperaturas do ar mais altas e solos mais secos aumentaram a susceptibilidade, enquanto maior umidade do solo e umidade relativa a reduziram. Locais mais próximos a vilarejos mostraram maior risco, apontando para o papel da ignição humana. Inclinações acentuadas e certas orientações de encostas também importaram, porque influenciam a rapidez com que os combustíveis secam e como as chamas sobem. Em suma, o modelo ecoou a intuição física: terreno quente, seco, íngreme e próximo de pessoas é onde é mais provável que o problema comece.

Verificando o quão estáveis são as respostas

Qualquer modelo é tão confiável quanto suas entradas, que podem ser incertas por erros de medição ou padrões climáticos em mudança. Para testar a estabilidade, os pesquisadores repetidamente “sacudiram” seus dados de entrada dentro de uma faixa realista e executaram o modelo milhares de vezes, uma técnica conhecida como simulação de Monte Carlo. Também aplicaram um método global de sensibilidade que mede quanto cada fator — sozinho e em combinação com outros — contribui para as mudanças no risco previsto. Ambos os testes apontaram a umidade do solo e a temperatura como os ingredientes mais influentes, seguidos por precipitação e umidade. Mesmo quando as entradas foram ajustadas, a habilidade do modelo caiu apenas ligeiramente, sugerindo que suas conclusões principais são robustas e não coincidências frágeis.

Uma visão mais clara de onde os incêndios podem atingir a seguir

Ao sobrepor todos esses insights, o estudo conclui que cerca de um quinto da sub-bacia do Alto Ravi está em susceptibilidade alta ou muito alta a incêndios florestais, principalmente em encostas íngremes e secas próximas a estradas e assentamentos. Para autoridades locais, esse mapa é mais do que um produto acadêmico: destaca onde concentrar alertas antecipados, manejo de combustíveis e esforços de conscientização pública. Para um leitor leigo, a mensagem-chave é direta. Neste vale himalaio, a combinação de calor, aridez e presença humana está silenciosamente preparando certas encostas para queimar. Ferramentas que combinam satélites, algoritmos inteligentes e explicações claras podem ajudar a transformar esse padrão oculto em ação prática — antes que chegue a próxima estação severa de incêndios.

Citação: Suheb, Nawazuzzoha, M., Ali, M.S. et al. An explainable GeoAI framework for spatial assessment of wildfire susceptibility in the Upper Ravi sub-basin, Indian Himalaya. Sci Rep 16, 11662 (2026). https://doi.org/10.1038/s41598-026-46924-w

Palavras-chave: susceptibilidade a incêndios florestais, florestas do Himalaia, aprendizado de máquina, umidade do solo, clima e incêndio