📄 earth_science

Diagnosing Spatial Disparities in Urban Flood Burden through Hydro- Environmental Normalization in Jakarta, Indonesia

Este estudo introduz o framework de Desvio do Ônus de Inundação Normalizado pelo Perigo (HNFBDev) para diagnosticar disparidades espaciais no ônus de inundação urbana de Jacarta ao quantificar o desvio entre os resultados observados e os ambientalmente esperados, identificando, assim, locais onde os impactos das inundações são incomumente altos ou baixos em relação às condições hidroambientais.

Autores originais: Rifky Husaini, Perdinan Perdinan, Novindra Novindra

Publicado 2026-08-11

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Rifky Husaini, Perdinan Perdinan, Novindra Novindra

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Jogo de Detetive da Grande Enchente

Imagine que você está tentando descobrir por que alguns bairros ficam encharcados em uma tempestade enquanto outros permanecem secos. No mundo da ciência, isso é chamado de "avaliação de inundação urbana". Geralmente, os cientistas observam duas coisas principais: o perigo (o quanto choveu ou o quão alto o rio subiu) e a exposição (quantas pessoas vivem lá). É como verificar o tamanho de uma onda e contar o número de nadadores. Se uma onda gigante atinge uma multidão grande, assumimos que o desastre é massivo.

Mas aqui está a parte complicada: às vezes, uma onda enorme atinge um lugar com pouquíssimas pessoas, e o "desastre" parece pequeno. Outras vezes, uma onda de tamanho médio atinge um bairro lotado, e o caos é enorme. Este artigo faz uma pergunta inteligente: O estrago real que vemos é maior ou menor do que o esperado, dado o clima e o terreno? Para responder a isso, os pesquisadores utilizam um método chamado "diagnósticos observado-esperado". Pense nisso como um professor corrigindo uma prova. Se um aluno tira 90% em um exame super difícil, isso é incrível. Se ele tira 90% em uma prova onde todos os outros tiraram 99%, talvez ele não tenha estudado o suficiente. Este artigo tenta dar uma nota aos bairros de Jacarta não apenas pelo quão molhados ficaram, mas pelo quão molhados ficaram em comparação ao que o clima e as condições do solo diziam que deveriam ficar.

A História do Detetive de Enchentes de Jacarta

Na movimentada e baixa cidade de Jacarta, Indonésia, as enchentes são uma mistura complicada de chuva forte, elevação do nível do mar, afundamento do solo e ruas lotadas. Os pesquisadores, Rifky Husaini, Perdinan e Novindra, queriam resolver um mistério: Por que alguns bairros sofrem mais do que outros, mesmo quando o tempo parece semelhante? Eles não queriam apenas mapear para onde a água foi; eles queriam saber se o fardo (o problema causado pela água atingindo as pessoas) era extraordinariamente alto ou baixo.

Para fazer isso, eles criaram uma nova ferramenta chamada HNFBDev (Desvio do Fardo de Inundação Normalizado pelo Perigo). Parece um nome de robô, mas é na verdade um verificador simples de "Expectativa vs. Realidade". Veja como eles jogaram o jogo:

Passo 1: A Pontuação "Esperada"
Primeiro, eles construíram um modelo digital da "personalidade de inundação" de Jacarta. Eles observaram a chuva, a inclinação do terreno, a proximidade do bairro com o oceano, o quanto o solo estava afundando e quantos edifícios havia. Com base nesses ingredientes, eles calcularam qual deveria ser o fardo da inundação. Se um bairro fica logo na costa e o solo está afundando, o modelo diz: "Você deve esperar muitos problemas". Se um bairro é alto e longe do rio, o modelo diz: "Você deve esperar muito poucos problemas".

Passo 2: A Pontuação "Observada"
Em seguida, eles observaram o que realmente aconteceu. Usando olhos de satélite (especificamente o radar Sentinel-1, que consegue ver através das nuvens), eles rastrearam grandes enchentes entre 2020 e 2024. Eles não apenas contaram a água; eles contaram as pessoas paradas na água. Eles combinaram as imagens de satélite das áreas inundadas com mapas de onde as pessoas vivem para criar uma "pontuação de fardo".

Passo 3: A Grande Revelação (O Desvio)
Finalmente, eles subtraíram a pontuação "Esperada" da pontuação "Observada".

Pontuação Positiva: O bairro teve mais problemas do que o clima e o terreno previram.
Pontuação Negativa: O bairro teve menos problemas do que o previsto.
Pontuação Zero: O bairro teve exatamente o que era esperado.

O Que Eles Descobriram

Os resultados foram fascinantes e mostraram que a história das enchentes de Jacarta é mais complexa do que apenas "chuva + pessoas = desastre".

O Clima Explica Parte, Mas Não Tudo
Os pesquisadores descobriram que a "personalidade de inundação" (o forçamento hidroambiental) fez um trabalho decente em prever o fardo. Ela explicou cerca de 22,8% das diferenças entre os bairros. Isso significa que, embora a chuva e o afundamento do solo sejam importantes, eles não contam a história toda. Há muito mistério restante.

Os Hotspots "Alto-Alto"
O mapa das "Pontuações Positivas" (lugares que tiveram mais problemas do que o esperado) não foi aleatório. Ele formou grandes agrupamentos, especialmente nas partes norte e central de Jacarta. Os bairros de Tangki, Kota Bambu Utara, Jembatan Besi, Duri Selatan e Duri Utara tiveram as pontuações de "desvio" mais altas, variando de 3,56 a 3,83. Esses lugares estavam sendo atingidos muito mais forte do que o clima e o terreno sozinhos sugeririam.

As Zonas "Baixo-Baixo" Mais Calmas
Por outro lado, algumas áreas no sul e no oeste tiveram "Pontuações Negativas". Esses bairros tiveram menos problemas do que o esperado. Isso pode significar que eles possuem uma drenagem excelente, melhor proteção ou, talvez, os satélites tenham perdido parte da água por lá.

O Padrão é Real
Os pesquisadores verificaram se esses padrões eram apenas um acaso de sua matemática. Eles tentaram mudar os pesos de seus ingredientes (dando mais importância à chuva ou dando mais importância ao afundamento do solo) e os resultados permaneceram quase os mesmos. A correlação foi incrivelmente alta (0,990 com uma ponderação padrão e 0,970 com uma ponderação igual). Isso sugere que o "problema extra" ou a "sorte extra" nesses bairros é algo real e físico, não apenas um erro matemático.

O Que Isso Significa (E O Que Não Significa)

Os autores são muito cuidadosos ao dizer o que esta ferramenta não é. Eles afirmam explicitamente que uma pontuação alta não significa que o governo local seja ruim, que a infraestrutura esteja quebrada ou que as pessoas sejam vulneráveis. Também não nos diz por que o fardo é alto. Apenas sinaliza o bairro como "suspeito".

Pense no HNFBDev como um detector de fumaça. Se o alarme dispara, ele não diz se há um incêndio, uma torrada queimada ou um banho quente. Ele apenas diz: "Ei, algo está acontecendo aqui que não condiz com as regras usuais".

O artigo sugere que esses agrupamentos "Alto-Alto" são lugares onde precisamos olhar mais de perto. Talvez haja um gargalo de drenagem oculto, um rio bloqueado ou um tipo específico de layout de edifícios que retém a água. As áreas "Baixo-Baixo" podem ser lugares onde as defesas locais estão funcionando bem, ou talvez os satélites simplesmente não viram a água.

A Conclusão

Este estudo nos dá uma nova maneira de olhar para os mapas de inundação. Em vez de apenas dizer "Esta área está molhada", agora podemos dizer "Esta área está mais molhada do que deveria estar, dado a chuva e o solo". Ao usar este trabalho de detetive "observado-esperado", os planejadores urbanos podem parar de adivinhar e começar a investigar os bairros específicos onde o fardo da inundação está agindo de forma estranha. É uma ferramenta para encontrar pistas, não para resolver todo o mistério de uma só vez. Os autores enfatizam que este é um instrumento de triagem para ajudar a priorizar onde enviar os verdadeiros especialistas para investigar, garantindo que os recursos vão para os lugares onde o fardo da inundação é verdadeiramente fora do comum.

Resumo Técnico: Diagnóstico de Disparidades Espaciais no Ônus de Inundações Urbanas através da Normalização Hidroambiental em Jacarta, Indonésia

Declaração do Problema
A avaliação de inundações urbanas tradicionalmente foca na identificação de locais com altos níveis de perigo, exposição ou vulnerabilidade. No entanto, os frameworks existentes frequentemente falham em distinguir se um ônus de inundação realizado é anormalmente alto ou baixo em relação às condições hidroambientais específicas sob as quais ocorre. Em cidades costeiras e deltaicas complexas como Jacarta, os resultados das inundações resultam de drivers interativos (processos pluviais, fluviais, costeiros, de águas subterrâneas e de superfície) em vez de mecanismos únicos. Consequentemente, um alto ônus observado em uma área altamente propensa a inundações pode ser consistente com as expectativas ambientais, enquanto um ônus moderado em uma área de baixo risco pode indicar uma falha de proteção ou uma lacuna de dados. Os métodos atuais carecem de um diagnóstico geoespacial que separe explicitamente o forçamento hidroambiental representado do ônus de inundação urbana realizado para identificar disparidades espaciais que justifiquem investigação adicional.

Metodologia
O estudo desenvolve e aplica o Hazard-Normalized Flood Burden Deviation (HNFBDev), um framework de diagnóstico geoespacial observado–esperado. A análise foi conduzida ao nível de kelurahan (vilas urbanas) em 261 unidades administrativas em Jacarta, Indonésia, cobrindo o período de 2020–2024.

Linha de Base de Forçamento Hidroambiental: Uma superfície de forçamento composto foi construída para representar as condições ambientais sob as quais o ônus de inundação é esperado. Esta linha de base integrou fatores terrestres (precipitação diária máxima, elevação ajustada por subsidência, declividade, proximidade de águas superficiais, intensidade de áreas construídas, impermeabilidade) e fatores costeiros (elevação ajustada por subsidência, proximidade da linha de costa, conectividade de rios/estuários). Os indicadores foram normalizados para uma escala de 0–1 e integrados usando uma soma algébrica fuzzy para criar um escore de forçamento composto.
Ônus Observado Ponderado pela População-Exposição: Utilizando imagens de radar de abertura sintética (SAR) Sentinel-1, as extensões de inundação para eventos significativos selecionados (2020–2024) foram mapeadas. Essas extensões foram interceptadas com dados populacionais em grade (WorldPop) para calcular um proxy anual de ônus de inundação ponderado pela exposição populacional para cada kelurahan. Esta métrica representa a interseção da inundação e da população exposta, em vez de perda econômica direta ou profundidade da inundação.
Modelagem de Expectativa Ambiental: Um modelo de expectativa ambiental foi desenvolvido para estimar o ônus antecipado sob o forçamento hidroambiental representado. Dada a natureza não negativa e assimétrica à direita dos dados, três especificações de modelos (Tweedie GLM, OLS com transformação logarítmica e modelos de dois estágios/hurdle) foram avaliadas. O modelo final (selecionado com base na adequação e estabilidade) estimou o ônus esperado ( $\hat{B}_{it}$ ) para cada unidade.
Cálculo do HNFBDev: A desviação entre o ônus observado ( $B_{it}$ ) e o ônus esperado foi calculada como o resíduo anual ( $e_{it}$ ). Esses resíduos foram agregados através da mediana ao longo do período de estudo para cada kelurahan. O valor final do HNFBDev foi derivado da padronização desses resíduos medianos ( $HNFBDev_i = \frac{\tilde{e}_i - \mu_{\tilde{e}}}{\sigma_{\tilde{e}}}$ ).
Diagnósticos Espaciais e Robustez: Estatísticas de Moran's I global e local foram utilizadas para testar a autocorrelação espacial e identificar clusters (High-High, Low-Low) e outliers. A robustez foi avaliada comparando os resultados sob ponderação informada pela literatura versus ponderação igual dos componentes de forçamento, e avaliando hipóteses alternativas de máscara de inundação.

Resultados Principais

Forçamento vs. Ônus: O forçamento hidroambiental composto mostrou uma relação positiva estatisticamente significativa com o proxy de ônus ponderado pela população-exposição. No entanto, o modelo de forçamento explicou apenas 22,8% da variação no ônus observado, indicando que a linha de base hidroambiental serve como referência, mas não determina totalmente os resultados realizados.
Disparidades Espaciais: A superfície do HNFBDev revelou uma heterogeneidade intraurbana substancial. Desviações positivas (ônus maior do que o esperado) concentraram-se no norte e centro de Jacarta, enquanto desviações negativas (ônus menor do que o esperado) apareceram com mais frequência nas áreas sul e oeste.
Hotspots Específicos: As maiores desviações positivas (valores de HNFBDev variando de 3,56 a 3,83) foram identificadas em kelurahan como Tangki, Kota Bambu Utara, Jembatan Besi, Duri Selatan e Duri Utara.
Organização Espacial: Os valores de HNFBDev exibiram autocorrelação espacial significativa (Global Moran's I = 0,355, p = 0,001). A análise local identificou clusters High-High (29 unidades) onde áreas vizinhas experimentaram consistentemente um ônus maior do que o esperado, e clusters Low-Low (44 unidades) onde o ônus foi menor do que o esperado. Outliers espaciais foram menos comuns.
Robustez: Os rankings e padrões espaciais do HNFBDev foram altamente estáveis sob hipóteses analíticas alternativas, mostrando uma correlação de Pearson de 0,990 entre os esquemas de forçamento de peso igual e os informados pela literatura.

Significância e Alegações
O artigo posiciona o HNFBDev como um diagnóstico geoespacial observado–esperado transferível, projetado para complementar, não substituir, modelos hidrodinâmicos existentes, avaliações de vulnerabilidade ou auditorias de infraestrutura.

Utilidade Diagnóstica: A principal contribuição é a capacidade de identificar locais onde os resultados das inundações são desproporcionalmente altos ou baixos em relação ao cenário ambiental. Isso permite que planejadores distingam entre áreas onde o alto ônus é "esperado" devido ao forçamento severo e áreas onde o alto ônus é "inesperado", sugerindo gargalos de drenagem, subdesempenho de infraestrutura ou fatores de exposição não mensurados.
Ferramenta de Triagem: Os autores afirmam explicitamente que o HNFBDev é uma ferramenta de triagem e priorização. Ele identifica onde a verificação hidráulica, de infraestrutura, institucional e local adicional é necessária.
Limites de Interpretação: O estudo mantém um escopo modesto em relação às suas alegações. O HNFBDev não é uma medida direta de:
- Desempenho de adaptação ou resiliência.
- Qualidade da governança ou eficácia institucional.
- Eficácia da infraestrutura.
- Vulnerabilidade social, profundidade da inundação ou mecanismos causais.
- Perda econômica direta.

Os autores alertam que o agrupamento espacial de desviações não valida automaticamente mecanismos específicos; em vez disso, destaca áreas onde a lacuna "observado–esperado" exige triangulação de múltiplas fontes (ex: verificação de campo, análise de rede de drenagem) para compreender as causas subjacentes. O framework é apresentado como um passo para a priorização baseada em evidências no planejamento de resiliência climática urbana, particularmente em ambientes com restrição de dados, onde dados hidrodinâmicos ou de infraestrutura detalhados podem estar incompletos.