Por redação AIoT Brasil

Em fevereiro de 2024, chuvas que acumularam mais de 600 mm em 24 horas provocaram uma tragédia no litoral norte de São Paulo, com deslizamentos de terra que deixaram 65 mortos, casas destruídas e rodovias bloqueadas. Um ano depois, pesquisadores da Universidade Federal de São Paulo (Unifesp) em São José dos Campos e do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden) divulgaram um projeto que aplicou inteligência artificial para produzir mapas com as áreas de risco mais críticas nas praias de São Sebastião, o município mais atingido pelos temporais.

Denominado “Abordagens de aprendizado de máquina para mapeamento e previsão de áreas propensas a deslizamentos em São Sebastião (Sudeste do Brasil)”, o relatório foi publicado na ScienceDirect, base de dados da Elsevier, uma empresa editorial holandesa especializada em conteúdo científico. O destaque no trabalho foi o desenvolvimento de um algoritmo de aprendizado de máquina que mapeou as áreas mais críticas, a fim de permitir que sejam adotadas medidas de prevenção.

“A combinação de fatores naturais como a serra do Mar com pressões antrópicas, como a urbanização crescente, destacou a importância de métodos avançados de aprendizado de máquina para mapear e prever áreas suscetíveis a deslizamentos”, explicou Enner Alcântara, professor do Instituto de Ciência e Tecnologia da Unesp e coordenador do Programa de Pós-Graduação em Desastres Naturais, criado em parceria com o Cemaden.

De acordo com Alcântara, as técnicas tradicionais empregadas atualmente para prever deslizamentos de terra se baseiam principalmente em abordagens físicas e estatísticas, o que requer informações precisas e dados de alta resolução que nem sempre estão disponíveis. Além disso, tendem a não apresentar bom desempenho quando expostas a uma grande quantidade de dados – por exemplo, ao tentar fazer previsões em áreas extensas ou em regiões com muita variabilidade ambiental. Segundo o pesquisador, é justamente nessas lacunas que os recursos de aprendizado de máquina se tornam úteis.

Na primeira etapa da pesquisa foram testados cinco dos algoritmos mais utilizados na previsão de desastres naturais, a fim de identificar o mais preciso, e para isso o grupo alimentou os modelos com informações de clima, tipo de solo e de vegetação, relevo da região, acidentes anteriores e ocupação de terra. Em seguida, os algoritmos selecionados passaram por treinamento específico e por testes de previsão de áreas de risco.

Nos testes comparativos, destacou-se o modelo Gradient Boosting, que alcançou um desempenho de 0,963 numa pontuação máxima de 1 e mostrou uma precisão de 99,6%. O algoritmo permitiu que o grupo criasse um mapa de suscetibilidade a deslizamentos de terra e identificasse as áreas com maior risco. Agora, os pesquisadores esperam que essa ferramenta seja usada por gestores e pelos responsáveis pelas decisões na área da defesa civil dos municípios, para reduzir o impacto de novos desastres naturais.