Geospatial AI for Liquefaction Hazard and Impact Forecasting: A Demonstrative Study in the U.S. Pacific Northwest

Título: Geospatial AI para Previsão de Perigo e Impacto de Liquefação: Um Estudo Demonstrativo no Noroeste do Pacífico dos EUA

1. O Problema

Os recentes grandes terremotos (como na Turquia e na Nova Zelândia) destacaram as consequências devastadoras da liquefação do solo, reforçando a necessidade de previsão e planejamento de riscos em escala regional. O Noroeste do Pacífico dos EUA (Washington e Oregon) é particularmente vulnerável devido à sua exposição a terremotos de falhas crustais, intraplaca e zona de subducção.

• Limitações Atuais: Modelos geotécnicos de estado da arte (baseados em dados in situ, como ensaios de penetração de cone - CPT) são precisos, mas inviáveis para aplicação contínua em grandes áreas devido à escassez de dados de subsolo.
• Limitações dos Modelos Espaciais Existentes: Modelos geoespaciais anteriores tendem a: (i) prever manifestações de liquefação sem considerar a mecânica estabelecida; (ii) ignorar dados geotécnicos subsuperficiais disponíveis; (iii) utilizar poucos dados geoespaciais; (iv) depender de métodos estatísticos tradicionais (como regressão logística) que não capturam relações não lineares complexas; e (v) não serem fornecidos como pacotes de software reprodutíveis.

2. Metodologia

O estudo utiliza e demonstra uma nova abordagem de modelagem desenvolvida por Sanger et al. (2025), denominada Modelos de Liquefação Geoespacial (GLMs), baseada em Aprendizado de Máquina (ML).

• Abordagem de "Surrogado" (Proxy): Em vez de prever diretamente a liquefação a partir de mapas, os GLMs são treinados para imitar (fazer surrogado de) três modelos geotécnicos baseados em CPT amplamente adotados:
  1. Índice de Potencial de Liquefação (LPI).
  2. LPI modificado (LPIISH).
  3. Número de Gravidade de Liquefação (LSN).
• Treinamento e Dados:
  • Alvos: Os modelos ML foram treinados para prever parâmetros de ajuste (A e B) que definem a resposta de liquefação dos modelos geotécnicos para uma vasta gama de acelerações do solo (PGA) e magnitudes.
  • Base de Dados: Utilizou-se um conjunto de dados global com mais de 37.000 perfis de CPT provenientes de diversas fontes (EUA, Nova Zelândia, Itália, etc.).
  • Variáveis de Entrada (Features): 37 variáveis geoespaciais globais foram utilizadas para representar espessura do solo, saturação, densidade e tipologia (ex.: declive topográfico, distância a rios, fração de areia, profundidade do lençol freático, velocidade de onda de cisalhamento Vs30).
• Algoritmo: Foi selecionado um ensemble de árvores de decisão bagged (Bagging), otimizado via busca de hiperparâmetros para minimizar o erro quadrático médio.
• Atualização Geoestatística: As previsões do ML são refinadas localmente através de Krigagem de Regressão. Isso permite que, em locais próximos a dados de CPT reais, a previsão seja guiada pelas condições de subsolo medidas, enquanto previsões distantes são guiadas pelo modelo ML.
• Cenários de Terremoto: O modelo foi aplicado a 85 cenários de terremotos no estado de Washington e Oregon, incluindo falhas crustais (ex.: Falha de Portland Hills, Falha de Seattle) e rupturas da Zona de Subducção Cascadia (M9.0).
• Saída: Geração de mapas probabilísticos de Falha do Solo Induzida por Liquefação (PGF), que representam a probabilidade de deformação ou ejeção de solo na superfície.

3. Principais Contribuições

• Modelo Híbrido Mecânico-Datado: O modelo combina o conhecimento mecânico embutido nos modelos geotécnicos tradicionais com a capacidade de processamento de grandes volumes de dados espaciais via ML.
• Reprodutibilidade e Acessibilidade: Diferente de modelos anteriores, os GLMs são fornecidos como repositórios de código e pacotes de dados prontos para uso em ambientes GIS (ArcGIS, QGIS) e computação (Python/Matlab), permitindo previsões rápidas para qualquer evento sem necessidade de expertise em ML ou supercomputadores.
• Atualização Local: A integração de dados de CPT via krigagem reduz a incerteza em áreas com dados conhecidos, superando a limitação de modelos puramente espaciais que ignoram dados locais.
• Banco de Dados de Cenários: Produção de previsões de perigo de liquefação de alta resolução para 85 cenários específicos, disponíveis publicamente para planejamento de desastres.

4. Resultados

• Desempenho do Modelo:
  • Em testes com dados históricos do terremoto de Nisqually (2001) e em testes globais "invisíveis" (dados não usados no treinamento), os GLMs superaram significativamente o modelo de referência (Rashidian e Baise, 2020).
  • O Ensemble (média dos três modelos) apresentou uma melhoria de aproximadamente 1,5 desvios padrão na pontuação Brier (BS) em comparação ao modelo anterior, indicando melhor calibração e separação de classes.
• Aplicações Regionais (Noroeste do Pacífico):
  • Porto de Portland e Seattle: Identificação de zonas de alto risco de liquefação ao longo de rios (Columbia, Willamette, Duwamish) e áreas costeiras, onde a infraestrutura crítica (portos, hospitais, rodovias) está concentrada.
  • Comparação de Cenários: Embora eventos da Zona de Subducção Cascadia (M9.0) afetem uma área geográfica muito maior, os eventos de falhas crustais locais (M7.0-M7.5) tendem a gerar probabilidades de falha do solo (PGF) até 25% mais altas nos centros urbanos devido à proximidade da fonte sísmica.
  • Impacto em Infraestrutura:
    • Redes Viárias: Mapeamento de rotas de evacuação de tsunami em Bandon, OR, mostrando interseções críticas com zonas de alto PGF.
    • Pontes e Barragens: Identificação de vulnerabilidades em pontes arteriais e barragens de terra em planícies aluviais e estuários.
  • População: Mais de 4 milhões de pessoas na região estão expostas a uma probabilidade de falha do solo superior a 50% em um cenário mediano de M9.0, com uma forte correlação entre densidade populacional e risco de liquefação.

5. Significância

Este estudo demonstra a viabilidade e a utilidade prática de modelos de IA geoespacial para a gestão de riscos de desastres em escala regional.

• Tomada de Decisão: Os mapas gerados fornecem ferramentas acionáveis para planejadores urbanos, gestores de emergência e seguradoras, permitindo a priorização de investimentos em mitigação, revisão de códigos de zoneamento e planejamento de rotas de evacuação.
• Resiliência: Ao fornecer previsões probabilísticas rápidas e baseadas em física para cenários futuros, o modelo ajuda a transformar a preparação para terremotos de reativa para proativa.
• Escalabilidade: A metodologia é globalmente aplicável, oferecendo um caminho para prever riscos de liquefação em regiões com dados geotécnicos esparsos, mas com cobertura de dados geoespaciais globais.

Em suma, o trabalho preenche uma lacuna crítica entre a modelagem geotécnica detalhada (pontos) e a necessidade de mapas de risco contínuos (áreas), oferecendo um equilíbrio superior entre precisão física e cobertura espacial.