Spatial machine learning and explainable artificial intelligence predict urban road flood vulnerability in coastal West Africa

Nas cidades costeiras da África Ocidental, o solo está se deslocando sob os pés daqueles que as constroem e mantêm. O rápido crescimento urbano está pavimentando paisagens naturais, transformando o solo que antes absorvia a chuva em superfícies duras que repelem a água. Ao mesmo tempo, o clima está mudando, trazendo tempestades mais intensas que sobrecarregam sistemas de drenagem antigos. Para os engenheiros encarregados de manter as estradas abertas e seguras, isso cria um quebra-cabeça perigoso. Os métodos tradicionais para prever onde uma estrada pode inundar dependem de levantamentos detalhados e caros do solo e de simulações físicas complexas. Essas abordagens funcionam bem para uma única ponte ou uma rodovia principal, mas são caras demais e lentas demais para serem aplicadas às vastas e emaranhadas redes de ruas menores que conectam bairros inteiros. Quando uma cidade não pode pagar para mapear cada centímetro de sua rede viária, ela frequentemente reage apenas depois que o dano é feito, reparando estradas somente após elas terem sido lavadas pela água.

Uma nova abordagem oferece um caminho diferente, um que se baseia nas vastas quantidades de dados gratuitos já disponíveis de satélites e mapas abertos. Pesquisadores desenvolveram um método que combina essas fontes de dados abertos com um tipo de aprendizado computacional projetado para ser transparente. Em vez de tratar o computador como uma "caixa preta" misteriosa que simplesmente fornece uma pontuação de risco, este método utiliza uma técnica chamada inteligência artificial explicável. Esta ferramenta remove as camadas do processo de decisão do computador para revelar as razões físicas específicas pelas quais uma estrada é vulnerável. Ela permite que os engenheiros vejam não apenas que uma estrada está em risco, mas por que ela está em risco, transformando probabilidades abstratas em instruções de engenharia concretas.

O estudo concentrou-se nas redes rodoviárias de cidades costeiras da África Ocidental, onde a ameaça de inundação é aguda. Os pesquisadores começaram pegando o mapa digital das estradas e decompondo-o em pedaços pequenos e manejáveis, cada um com exatamente cem metros de comprimento. Para cada pedaço de estrada, eles reuniram um conjunto de fatos de bases de dados globais gratuitas. Eles observaram a altura do terreno, a inclinação da encosta, o quanto da área circundante era coberta por concreto ou edifícios e o quanto havia chovido no passado. Eles também verificaram registros históricos para ver quais segmentos de estrada realmente inundaram anteriormente. Isso criou um conjunto de dados massivo onde cada segmento de estrada era pareado com as condições que levaram ao seu fracasso ou à sua sobrevivência.

Para dar sentido a esses dados, a equipe treinou um poderoso modelo computacional conhecido como árvore de decisão de gradiente impulsionado (gradient-boosted decision tree). Pense neste modelo como um analista altamente qualificado que consegue identificar padrões sutis em uma montanha de informações que um humano poderia perder. O modelo aprendeu a prever se um segmento de estrada inundaria com base em suas características físicas. Ele apresentou uma precisão notável, identificando corretamente estradas vulneráveis na grande maioria dos casos. No entanto, o verdadeiro avanço não foi apenas a previsão, mas a explicação. Ao usar a ferramenta de inteligência artificial explicável, os pesquisadores puderam pedir ao modelo que mostrasse seu trabalho. Eles descobriram que o computador não estava adivinhando; ele estava se baseando em limites físicos específicos e mensuráveis.

As descobertas derrubaram uma suposição comum no planejamento urbano. Durante décadas, os responsáveis pelas cidades frequentemente assumiram que as estradas principais e de grande importância são as mais críticas para proteger, enquanto as ruas locais menores são menos importantes. Os dados mostraram que isso é falso. O modelo computacional descobriu que o rótulo administrativo de uma estrada — se era uma artéria principal ou uma pequena rua de alimentação — não tinha efeito real sobre se ela inundaria. Uma estrada pequena em uma área baixa e plana com grandes quantidades de concreto por perto era tão propensa a falhar quanto uma rodovia principal no mesmo local. Os fatores que realmente importavam eram as condições físicas locais: a altura da estrada acima do nível do mar, a inclinação do terreno e o quanto da terra ao redor era coberta por edifícios.

O estudo identificou limiares exatos onde o risco de inundação aumenta dramaticamente. Estradas situadas em uma elevação inferior a doze metros acima do nível do mar foram encontradas em perigo severo. Quando o declive do terreno era mais plano do que dois e meio graus, a água não tinha para onde ir, levando ao acúmulo perigoso. Da mesma forma, quando mais de sessenta e cinco por cento da terra em uma curta distância da estrada era coberta por edifícios ou pavimentação, a água não tinha lugar para infiltrar, forçando-a a correr sobre a superfície da estrada. O modelo também identificou que, quando um único dia de chuva excede cento e quarenta e cinco milímetros, a base estrutural da estrada fica saturada e falha. Estas não são advertências vagas; são pontos de ruptura físicos e precisos.

Este trabalho fornece um roteiro claro para cidades que carecem de orçamento para levantamentos de campo caros. Em vez de esperar que um desastre aconteça, os engenheiros municipais podem agora usar esses números específicos para guiar suas decisões. Se uma estrada está em uma área plana com uma inclinação de menos de dois e meio graus, a cidade sabe que precisa elevar o leito da estrada ou melhorar a drenagem imediatamente. Se um bairro se tornou tão pavimentado que mais de sessenta e cinco por cento da superfície é impermeável, a cidade sabe que deve instalar superfícies permeáveis ou tubulações de drenagem maiores. A pesquisa sugere que, ao focar nessas realidades físicas em vez de categorias administrativas de estradas, as cidades podem direcionar seus fundos limitados para os lugares onde farão o maior bem.

As implicações estendem-se além do simples conserto de estradas. Ao compreender exatamente onde e por que a infraestrutura falha, as cidades podem planejar o futuro com maior confiança. Os pesquisadores propõem que estas descobertas sejam escritas nos códigos de obras locais e nas regras de design de drenagem. Quando uma nova estrada é planejada, ou uma antiga está sendo reparada, o design deve ser baseado nestes limiares físicos. Se o terreno for muito plano ou a área circundante for muito pavimentada, as especificações de engenharia devem mudar para compensar. Esta mudança do reparo reativo para o design proativo e orientado por dados oferece uma maneira de construir resiliência em algumas das áreas costeiras mais vulneráveis do mundo.

Em última análise, o estudo demonstra que a adaptação climática de alta qualidade não requer sempre novas tecnologias caras ou grandes equipes de campo. Ao combinar dados de satélite livremente disponíveis com modelos computacionais inteligentes e transparentes, é possível enxergar os riscos ocultos na infraestrutura de uma cidade. O resultado é um guia prático e acionável que diz aos engenheiros exatamente o que consertar e como consertar. Em um mundo onde as mudanças climáticas estão tornando o clima extremo mais comum, essa capacidade de prever e prevenir falhas é uma ferramenta vital para manter as comunidades conectadas e seguras.