Desvendando a erosão dos Sundarbans: como o aprendizado de máquina mapeia os impactos das mudanças climáticas

Por que este delta importa para todos nós

Os Sundarbans, a maior floresta de manguezais do mundo na foz do Ganges, funcionam como um escudo natural para milhões de pessoas contra tempestades e o avanço do mar. Ainda assim, seu labirinto de ilhas vem sendo continuamente remodelado, com trechos de costa que desmoronam em alguns lugares e crescem em outros. Este estudo usa décadas de imagens de satélite e ferramentas computacionais modernas para desembaraçar como e onde os Sundarbans estão mudando, e quando métodos simples são suficientes versus quando é necessário recorrer a aprendizado de máquina mais avançado. As respostas são importantes para proteger tanto as comunidades costeiras quanto esse ecossistema de importância global.

Um labirinto de ilhas em mudança

A Reserva de Biosfera dos Sundarbans, na Índia, contém quase uma centena de ilhas cobertas por florestas, entrelaçadas por canais de maré e margeadas por manguezais. Embora a pressão humana seja relativamente baixa dentro da reserva, a região já perdeu cerca de 100 quilômetros quadrados de terra nas últimas três décadas, principalmente ao longo das margens abertas do sul. Ao traçar a linha costeira em milhares de pontos igualmente espaçados de 1988 a 2023 usando imagens de satélite, os autores construíram um retrato detalhado de quais costas estão recuando e quais estão avançando. Eles constataram que as ilhas voltadas para o mar, no sul, estão erodindo rapidamente, em alguns pontos mais de 30 a 50 metros por ano, enquanto partes das ilhas do oeste e do extremo norte estão ganhando terra por meio de novos depósitos de sedimento.

Lendo linhas retas em uma costa inquieta

Para descrever a mudança ao longo do tempo, cientistas costeiros frequentemente ajustam uma linha reta às posições de uma linha costeira e usam sua inclinação como a taxa de avanço ou recuo de longo prazo. Mas as costas respondem a tempestades, marés e sedimentos em pulsos, nem sempre de forma suave. O estudo verificou, para mais de 21.000 pontos da linha costeira, quão bem uma linha reta correspondia à história em cada local. As linhas costeiras em erosão ao longo do mar aberto e de canais principais frequentemente seguiram tendências quase retas, o que significa que sua mudança foi suficientemente estável para que uma linha simples funcionasse bem. Em contraste, muitos locais onde a terra estava se formando exibiram curvas, pausas e saltos que uma linha reta não consegue capturar, revelando um comportamento fortemente não linear.

O que as máquinas descobriram

Os pesquisadores então recorreram a dois métodos de aprendizado de máquina, florestas aleatórias e gradient boosting, para ver quais fatores naturais melhor explicavam as taxas observadas de erosão ou ganho de terra. Eles alimentaram os modelos com informações como a distância de cada ponto ao mar aberto, às fontes de sedimento transportadas por rios, a largura do canal de maré próximo, a inclinação da praia e o tipo de sedimento presente abaixo. Os modelos concordaram que fatores amplos e regionais dominam: a distância ao mar é o principal motor da erosão, enquanto a proximidade a rios ricos em sedimento é mais importante para a formação de nova terra. Detalhes locais, como inclinações suaves das praias e canais largos, ajudam o sedimento a assentar e fixar-se, mas desempenham um papel menor no conjunto. Usando testes repetidos, a equipe também identificou um ponto de inflexão no ajuste por linha reta: quando a qualidade do ajuste ultrapassava um determinado valor, os modelos lineares para erosão permaneciam confiáveis; abaixo desse valor, o aprendizado de máquina fornecia respostas melhores.

Uma forma mais inteligente de escolher a ferramenta certa

Ao combinar a abordagem da linha reta com aprendizado de máquina, o estudo propõe um quadro prático para planejadores costeiros. Onde a erosão é intensa e a tendência é quase reta, métodos lineares simples são precisos, transparentes e baratos de usar. Em zonas onde a história da linha costeira é mais errática—especialmente onde a terra está tentando se formar—os mesmos testes indicam que modelos de aprendizado de máquina mais flexíveis são necessários para capturar explosões de mudança de curto prazo e a interação entre ondas, marés e suprimento de sedimento. Essa estratégia "de dois níveis" ajuda a concentrar os esforços de modelagem avançada e coleta de dados exatamente onde eles são mais importantes, reduzindo custos e erros.

Orientando a proteção de pessoas e manguezais

Para não especialistas, a mensagem central é que nem toda mudança costeira é igualmente difícil de prever. Nos Sundarbans, a erosão das margens voltadas para o mar se comporta de maneira relativamente simples e estável, podendo ser acompanhada com ferramentas diretas, enquanto o crescimento de nova terra é muito mais complicado e exige análise sofisticada. Reconhecer essa diferença permite aos gestores projetar sistemas de alerta melhores, direcionar novas construções para longe das bordas mais frágeis e apoiar defesas baseadas na natureza, como manguezais e canais de maré largos, onde são mais eficazes. Em um mundo em aquecimento, onde muitas costas enfrentam pressões semelhantes, esse método oferece um modelo para transformar dados fragmentados em orientações mais claras e específicas por local sobre onde as linhas costeiras vão se manter, onde vão desmoronar e como podemos responder.

Citação: Biswas, J., Maiti, S. Unraveling Sundarbans’ erosion: how machine learning maps climate change impacts. npj Clim. Action 5, 33 (2026). https://doi.org/10.1038/s44168-026-00336-8

Palavras-chave: mudança da linha costeira dos Sundarbans, erosão e acreção costeira, resiliência do delta de manguezais, sensoriamento remoto por satélite, aprendizado de máquina na adaptação climática