Soil Erosion Susceptibility Assessment Using Integrated RUSLE-GIS and Machine Learning Models in the Chittar River Basin, India

Imagine a pele da Terra como um cobertor gigante e vivo feito de solo. Este cobertor é incrivelmente importante porque retém a água que nossas plantações bebem e os nutrientes que fazem as plantas crescerem. Mas, assim como um cobertor deixado ao relento em uma tempestade, este cobertor de solo pode ser rasgado e levado pela água. Esse processo é chamado de erosão do solo, e é um pouco como um ladrão em câmera lenta roubando a parte mais fértil do chão, deixando para trás nada além de rocha dura e inútil. Quando isso acontece, a terra não consegue produzir alimentos, os rios ficam entupidos de lama e todo o ecossistema começa a sofrer. Cientistas tentam descobrir exatamente onde esse "ladrão" está mais ativo há muito tempo. Eles usam ferramentas como a "Equação Universal de Perda de Solo Revisada" (RUSLE), que é basicamente uma calculadora gigante que soma o quão forte a chuva atinge, o quão íngides são as colinas e quanta grama cobre o chão para estimar quanto solo pode ser levado. Eles também usam o "Aprendizado de Máquina" (Machine Learning), que é como ensinar um computador a ser um detetive superinteligente capaz de identificar padrões ocultos em enormes pilhas de dados que os humanos poderiam perder. Compreender onde o solo tem maior probabilidade de desaparecer é crucial porque, se soubermos onde estão as zonas de perigo, podemos construir cercas, plantar árvores ou mudar métodos agrícolas para proteger a terra antes que seja tarde demais.

Agora, vamos dar um zoom na Bacia do Rio Chittar, na Índia, um lugar onde a terra varia de montanhas íngremes e montanhosas a planícies agrícolas planas. Dois pesquisadores, Jeilani Mohammed e Shashi Mesapam, decidiram brincar de detetive para ver exatamente quanto solo está em risco nessa área específica. Eles não confiaram apenas em um método; em vez disso, construíram um "super-escopo" de alta tecnologia combinando o calculador de solo tradicional (RUSLE) com um Sistema de Informação Geográfica (SIG) — pense nisso como um mapa mágico e interativo que pode sobrepor diferentes tipos de informações — e então alimentaram todos esses dados em quatro modelos diferentes de Aprendizado de Máquina para ver qual deles previa o perigo melhor.

A equipe reuniu uma quantidade massiva de informações, como um detetive coletando pistas. Eles analisaram dados de chuva de 2000 a 2025, mapas do tipo de solo, a forma do terreno (usando um modelo digital de elevação) e o que a terra estava sendo realmente usada (como florestas, fazendas ou cidades). Eles dividiram o problema da erosão do solo em cinco ingredientes principais: a força com que a chuva atinge (R), a facilidade com que o solo se desfaz (K), o comprimento e a inclinação das encostas (LS), quanta cobertura vegetal existe (C) e quais truques agrícolas estão sendo usados para deter a erosão (P).

Depois de terem todas essas pistas, eles deixaram quatro algoritmos de computador trabalharem. Esses algoritmos eram como quatro detetives com estilos diferentes: Floresta Aleatória (Random Forest - RF), Máquina de Vetores de Suporte (Support Vector Machine - SVM), Árvore de Classificação e Regressão (Classification and Regression Tree - CRT) e Árvore de Regressão Impulsionada (Boosted Regression Tree - BRT). Cada detetive tentou prever quais partes da bacia eram mais propensas a perder seu solo. Para ver quem era o melhor detetive, eles testaram os modelos contra dados do mundo real que não haviam sido mostrados aos computadores antes.

Os resultados foram claros: o modelo Random Forest foi a estrela do show. Ele alcançou uma pontuação de 0,967 em uma escala chamada "Área Sob a Curva" (AUC), que é uma forma de medir o quão bom um modelo é em distinguir entre terra segura e terra perigosa. Uma pontuação tão alta sugere que o modelo é extremamente confiável. O modelo SVM veio em segundo lugar com uma pontuação de 0,925, enquanto os modelos CRT e BRT pontuaram menos, com 0,870 e 0,820, respectivamente. O estudo descobriu que o modelo Random Forest foi o mais preciso ao mapear as zonas de "suscetibilidade" — áreas onde a erosão do solo é provável de acontecer.

Quando olharam para os mapas criados pelo melhor modelo, descobriram que o solo estava em maior perigo nas partes íngremes e superiores da bacia, especificamente no noroeste. Essas áreas são como o topo de um escorregador escorregadio, onde a chuva atinge com força, o chão é íngreme e não há vegetação suficiente para segurar o solo. Em contraste, as partes mais planas, centrais e orientais da bacia eram muito mais seguras, com riscos de erosão muito baixos. O computador também lhes disse que as "pistas" mais importantes para prever a erosão eram a inclinação da encosta, o uso da terra (como agricultura vs. floresta), a força com que a chuva atinge e a elevação do terreno.

O artigo observa explicitamente que, embora seu modelo seja muito bom, ele possui alguns limites. Eles usaram dados que representam um instantâneo no tempo e não levaram em conta como a terra pode mudar no futuro devido às mudanças climáticas ou novas práticas agrícolas. Além disso, este "super-escopo" específico foi construído para a Bacia do Rio Chittar, então, embora funcione muito bem lá, não podemos ter 100% de certeza de que funcionaria exatamente da mesma forma em uma parte completamente diferente do mundo sem mais testes. No entanto, o estudo sugere fortemente que combinar a equação de solo da "velha guarda" com o aprendizado de máquina moderno e inteligente é uma forma poderosa de encontrar os pontos onde precisamos proteger nosso solo, ajudando agricultores e planejadores a manter o cobertor da Terra intacto.