Causal Effect Exploration of Landslide Susceptibility in Chongqing Using a T-Learner

Nas paisagens montanhosas e acidentadas do sudoeste da China, a terra às vezes se desloca com uma força súbita e destrutiva. Os deslizamentos de terra são uma ameação persistente para as vidas, lares e infraestruturas das pessoas que vivem nesses vales íngremes. Durante décadas, cientistas e engenheiros têm dependido de modelos computacionais para prever onde esses desastres podem ocorrer a seguir. Esses modelos são excelentes em detectar padrões; eles podem olhar para o mapa de uma encosta e dizer: "Este ponto parece perigoso", analisando fatores como o quão íngreme é a inclinação, quanta chuva cai ali ou que tipo de rocha jaz sob o solo. No entanto, há uma diferença crucial entre detectar um padrão e compreender a causa. Saber que um deslizamento ocorre frequentemente onde o terreno é íngreme não nos diz automaticamente o que aconteceria se pudéssemos, de alguma forma, alterar a inclinação, ou se pudéssemos alterar a quantidade de água no solo. Para gerenciar o risco de verdade, precisamos saber não apenas o que está associado a um deslizamento, mas o que realmente faria o risco aumentar ou diminuar se intervíssemos.

Este é o desafio que uma equipe de pesquisadores da Universidade Politécnica de Tecnologia Eletrônica de Chongqing, da Universidade de Educação de Chongqing e da Universidade de Pequim se propôs a enfrentar. Eles focaram seu estudo em Chongqing, uma cidade famosa por sua topografia dramática e rápido crescimento urbano, onde a interseção entre a natureza e a atividade humana cria um laboratório perfeito para testar novas formas de compreender perigos geológicos. Em vez de simplesmente perguntar quais fatores predizem um deslizamento, eles fizeram uma pergunta diferente e mais difícil: se pudéssemos mudar um fator ambiental específico, como o risco de um deslizamento mudaria? Para responder a isso, eles foram além das ferramentas de previsão padrão e aplicaram um método conhecido como T-learner. Essa abordagem permite que os pesquisadores simulem um cenário de "e se", estimando a diferença de risco entre um nível alto de um fator, como chuva intensa, e um nível baixo, enquanto contabilizam cuidadosamente todas as outras condições presentes na paisagem.

Os pesquisadores começaram com um conjunto massivo de dados contendo mais de 30.000 registros, metade dos quais eram locais onde ocorreram deslizamentos e a outra metade onde não ocorreram. Eles coletaram 17 informações diferentes para cada local, variando desde a altura do terreno e o ângulo da inclinação até a quantidade de água que evapora do solo, a distância até rios e o tipo de rocha abaixo. Usando um poderoso algoritmo de aprendizado computacional, eles primeiro treinaram um modelo para reconhecer os padrões que distinguem um local de deslizamento de um local seguro. Esse modelo foi altamente preciso, identificando corretamente os locais de deslizamento em seus dados de teste com um alto grau de sucesso. No entanto, a equipe sabia que a alta precisão por si só não revela a causa. Um modelo pode aprender que deslizamentos ocorrem perto de estradas simplesmente porque as estradas são construídas em encostas íngremes, não porque as próprias estradas desencadeiam o deslizamento. Para desembaraçar isso, eles usaram o T-learner para estimar o efeito médio de mudar cada fator.

Os resultados ofereceram uma visão matizada do que impulsiona o risco de deslizamento nesta região. A análise sugeriu que os três fatores com as maiores diferenças de risco contrafactual estimadas foram a evapotranspiração, a precipitação e a elevação. A evapotranspiração é uma medida de quanta água está se movendo do solo e das plantas para o ar; neste estudo, áreas com níveis mais altos deste processo foram associadas a um menor risco previsto de deslizamentos. Da mesma forma, a maior elevação e a maior precipitação total também foram ligadas a um risco menor em seu modelo específico. Os pesquisadores alertaram que este achado em relação à precipitação não deve ser traduzido diretamente em uma recomendação de intervenção para aumentar a precipitação. Eles explicaram que este resultado provavelmente reflete condições de longo prazo, em vez de gatilhos imediatos; talvez áreas com alta precipitação anual possuam vegetação que é melhor adaptada para segurar o solo, ou os dados capturam um aspecto diferente do ciclo da água do que as tempestades repentinas que causam falhas imediatas. Em contraste, a intensidade da precipitação — a velocidade com que a chuva cai — mostrou um efeito positivo, significando que a chuva mais rápida e intensa estava associada a um risco maior, o que se alinha com o entendimento comum de como os deslizamentos são desencadeados.

O estudo também destacou uma distinção crítica entre o que um modelo computacional considera importante e o que realmente causa uma mudança no risco. Os pesquisadores compararam suas novas estimativas de "e se" com um método padrão chamado SHAP, que simplesmente classifica os fatores com base em quanto eles ajudam o modelo a fazer previsões. Na classificação padrão, a evapotranspiração foi o fator mais importante, seguida pela precipitação e elevação. Embora a ordem fosse semelhante, o significado era diferente. O método padrão dizia que esses fatores eram os melhores para adivinhar onde um deslizamento ocorreria. O novo método sugeriu que, se pudéssemos mudar esses fatores, o risco mudaria significamente. Por exemplo, o estudo descobriu que a diferença de risco estimada para a evapotranspiração era maior do que a do declive, um fator que é tradicionalmente considerado o mais crítico na ciência de deslizamentos. No entanto, os pesquisadores observaram explicitamente que este padrão não implica que essas variáveis tenham sido provadas como tendo efeitos causais diretos mais fortes do que o declive. As definições de tratamento, a covariância espacial e os fatores de confusão não medidos podem influenciar a classificação relativa, o que significa que esses resultados devem ser vistos como hipóteses para verificação posterior, e não como prova definitiva de força causal.

Apesar desses achados intrigantes, os pesquisadores foram cuidadosos ao definir os limites de seu trabalho. Eles enfatizaram que seu estudo foi um instantâneo no tempo, usando dados coletados todos de uma vez, em vez de rastrear mudanças ao longo de anos. Por causa disso, eles não puderam provar que um fator definitivamente causa outro, nem puderam descartar a possibilidade de que algum fator oculto, como o tipo de solo ou a engenharia humana passada, tenha influenciado tanto as condições ambientais quanto o risco de deslizamento. Eles também observaram que seus resultados são específicos para o ambiente montanhoso e úmido de Chongqing e podem não se aplicar a desertos secos ou planícies planas. O estudo serve como uma poderosa estrutura exploratória, mostrando que podemos ir além da simples previsão para fazer perguntas mais profundas sobre causa e efeito. Ele sugere que esforços futuros para prevenir deslizamentos devem observar de perto o ciclo da água e a vegetação, mas para por aí, sem dizer aos engenheiros exatamente o que construir ou onde escavar. Em vez disso, fornece um novo conjunto de hipóteses para testar, instando os cientistas a projetar estudos futuros que possam rastrear mudanças ao longo do tempo e confirmar se esses efeitos estimados se mantêm no mundo real.

O valor último desta pesquisa reside em sua capacidade de separar o sinal da previsão do sinal da causa. Ao aplicar essas ferramentas estatísticas avançadas a um problema do mundo real, a equipe demonstrou que os fatores que usamos para prever um desastre nem sempre são os mesmos fatores que devemos visar para preveni-lo. Eles mostraram que, embora um computador possa aprender a identificar uma encosta perigosa com grande precisão, compreender por que aquela encosta é perigosa requer um tipo diferente de pensamento. O estudo conclui que, embora ainda não possamos afirmar que resolvemos o mistério da causalidade dos deslizamentos em Chongqing, demos um passo significativo em direção à compreensão das complexas relações entre chuva, solo e declive. Esta nova perspectiva oferece um roteiro para pesquisas futuras, um que prioriza a verificação desses elos causais com melhores dados e testes mais rigorosos, levando, em última análise, a comunidades mais seguras nestas paisagens desafiadoras.