Uneven Global Distribution and Machine Learning–Based Characterization of Landslide Events

Os deslizamentos de terra estão entre as forças mais destrutivas da natureza, capazes de engolir estradas, soterrar casas e tirar vidas tanto em nações ricas quanto em regiões em desenvolvimento. Eles não acontecem por acaso; são o resultado de uma convergência específica de condições. Terrenos íngremes, camadas de rocha instáveis e atividades humanas, como construção ou desmatamento, criam uma fundação frágil. Quando um gatilho chega, como chuvas intensas ou um terremoto, o solo cede. Por décadas, cientistas estudaram esses eventos, mas grande parte desse trabalho focou em áreas locais específicas. Para compreender verdadeiramente o panorama global, os pesquisadores precisavam de uma maneira de visualizar os padrões que emergem quando milhares de eventos são visualizados em conjunto. Isso requer uma coleção massiva de registros, um inventário global que rastreia não apenas onde e quando um deslizamento ocorreu, mas também o seu tamanho e quantas pessoas ele afetou. Com um conjunto de dados como esse, os cientistas podem ir além de suposições e começar a ver a verdadeira forma do risco.

Uma equipe de pesquisadores de universidades de todos os Estados Unidos recorreu ao Catálogo Global de Deslizamentos para responder a essas grandes questões. Este catálogo é um registro abrangente de eventos de deslizamento relatados de 1996 a 2016, contendo 2.217 incidentes documentados. A equipe não pretendia prever o próximo deslizamento, mas sim entender a história que esses números estavam contando. Eles examinaram como a frequência desses eventos mudou ao longo do tempo, onde eles se concentraram no mapa e se o tamanho de um deslizamento poderia ser previsto com base em sua localização e na época do ano. Para fazer isso, aplicaram o aprendizado de máquina (machine learning), um método onde computadores aprendem a reconhecer padrões em dados sem serem explicitamente programados com regras. Eles testaram vários modelos de computador diferentes para ver se conseguiam classificar os deslizamentos em categorias de tamanho — pequenos, médios ou grandes — com base nas informações disponíveis no catálogo, como o ano do evento, suas coordenadas geográficas e a densidade populacional da área.

Os resultados pintaram um quadro claro de distribuição desigual. Os deslizamentos de terra não estão espalhados aleatoriamente pelo globo; eles se agrupam fortemente em regiões específicas. Esses pontos críticos alinham-se perfeitamente com áreas conhecidas por montanhas íngremes, chuvas intensas e movimento tectônico ativo. Os dados também mostraram um aumento no número de eventos relatados durante o período de estudo. Os pesquisadores sugerem que este aumento se deve provavelmente a uma combinação de fatores: mais pessoas vivendo em áreas perigosas, mudanças no clima que trazem mais eventos climáticos extremos e melhorias na forma como esses eventos são relatados e registrados. Quando a equipe analisou o tamanho dos deslizamentos, descobriu que eventos de tamanho médio constituíam a maioria dos relatos, enquanto deslizamentos verdadeiramente massivos e catastróficos eram relativamente raros. Esse desequilíbrio é crucial para entender o risco, pois mesmo eventos grandes, menos frequentes, podem causar danos e perda de vidas desproporcionais.

Os pesquisadores então fizeram uma pergunta difícil: um modelo de computador conseguiria aprender a distinguir entre um deslizamento pequeno e um grande apenas olhando para o tempo e o lugar? Eles alimentaram quatro sistemas diferentes de aprendizado de máquina, incluindo Random Forest e Support Vector Machines. Eles também tentaram uma técnica chamada análise de componentes principais, que simplifica dados complexos combinando muitas variáveis em alguns padrões fundamentais, esperando que isso tornasse os modelos mais inteligentes. Os resultados foram modestos. Os melhores modelos conseguiram classificar corretamente o tamanho de um deslizamento apenas cerca de 58 a 60 por cento das vezes. Isso é pouco melhor do que um palpite aleatório para um problema complexo. Os modelos de computador descobriram que o ano em que ocorreu um evento e sua localização eram as pistas mais úteis, enquanto o número de mortes relatadas oferecia pouca ajuda na previsão do tamanho, o que faz sentido, pois as fatalidades são um resultado do evento, e não uma causa de seu tamanho.

Talvez a descoberta mais reveladora tenha sido que simplificar os dados não ajudou. Os pesquisadores esperavam que reduzir o número de variáveis esclareceria os padrões, mas ocorreu o oposto. Os modelos tiveram um desempenho ligeiramente melhor quando usaram os dados originais e detalhados em vez da versão simplificada. Isso sugere que os detalhes específicos de cada evento importam, e que as informações necessárias para entender o tamanho de um deslizamento estão espalhadas por muitos fatores que se perdem quando os dados são comprimidos. Os modelos também tiveram dificuldade porque as diferentes categorias de tamanho se sobrepõem significativamente nos dados; um deslizamento médio em um local pode parecer muito semelhante a um grande em outro quando se olha apenas para a localização e o tempo básicos.

O estudo conclui que, embora tenhamos uma ferramenta poderosa no Catálogo Global de Deslizamentos, ela possui limites. O catálogo é um recurso inestimável para visualizar os traços gerais da atividade global de deslizamentos, mas carece dos dados ambientais detalhados necessários para fazer previsões precisas sobre eventos específicos. Os dados são incompletos e o relato é desigual, o que torna difícil para os computadores aprenderem as regras exatas do jogo. Os pesquisadores enfatizam que o trabalho futuro deve focar em preencher essas lacunas. Para avaliar verdadeiramente o risco e construir melhores modelos, precisamos de registros mais completos que incluam informações detalhadas sobre o solo, o clima e o terreno local. Até lá, nossa compreensão desses poderosos eventos naturais permanecerá um trabalho em progresso, guiado pelos padrões que podemos ver, mas limitado pelos detalhes que ainda não conseguimos capturar.