From Heuristic Models to GeoAI: A Scientometric and Thematic Evolution of Landslide Susceptibility Mapping Approaches

Os deslizamentos de terra estão entre as forças mais destrutivas da Terra, capazes de engolir rodovias, enterrar vilas e remodelar paisagens em instantes. Durante décadas, cientistas tentaram prever onde esses eventos têm maior probabilidade de ocorrer, criando mapas que destacam áreas de alto risco. Esses mapas, conhecidos como mapas de suscetibilidade a deslizamentos, baseiam-se na compreensão da relação entre o próprio solo e os fatores que desencadeiam o movimento, como encostas íngremes, chuvas intensas e o tipo de rocha ou solo presente. Nos primórdios deste trabalho, os especialistas dependiam fortemente de sua própria experiência e julgamento para ponderar esses fatores, tirando conclusões baseadas no que sabiam sobre o terreno. Com o tempo, porém, as ferramentas disponíveis para esses pesquisadores mudaram drasticamente. A ascensão de computadores poderosos, imagens de satélite de alta resolução e softwares avançados permitiu que os cientistas fossem além da simples observação e entrassem no reino da previsão baseada em dados, onde algoritmos podem processar vastas quantidades de informações para encontrar padrões invisíveis ao olho humano.

Um novo estudo realizado por pesquisadores da Morgan State University e da Escola Federal de Agrimensura da Nigéria oferece um olhar abrangente sobre como este campo se transformou nos últimos vinte anos. A equipe não realizou um novo experimento de campo; em vez disso, realizou uma revisão massiva da literatura científica existente para rastrear a evolução da previsão de deslizamentos. Eles reuniram 795 artigos revisados por pares publicados entre 2006 e 2026 a partir de grandes bases de dados científicos. Usando um software especializado projetado para analisar como os temas de pesquisa se conectam e mudam ao longo do tempo, eles mapearam a jornada intelectual do campo. O objetivo era entender não apenas quais métodos foram usados, mas como toda a abordagem ao problema mudou da intuição humana para a inteligência artificial.

A análise revela uma transição clara e constante na forma como os cientistas abordam o mapeamento de deslizamentos. No período inicial, de o 2006 a 2012, a pesquisa foi dominada pelo que os autores chamam de modelos heurísticos. Estes são métodos onde os especialistas atribuem pesos a diferentes fatores com base em seu conhecimento, frequentemente usando ferramentas estatísticas simples para verificar seu trabalho. Durante esses anos, o foco principal era a coleta de melhores dados através do sensoriamento remoto, que envolve o uso de satélites e aeronaves para observar a Terra do alto. À medida que a linha do tempo avançou para o período entre 2013 e 2018, o foco mudou para abordagens mais quantitativas. Os pesquisadores começaram a depender fortemente do aprendizado de máquina, um tipo de ciência da computação onde algoritmos aprendem com os dados para fazer previsões sem serem explicitamente programados para cada regra específica. Esta era viu um surto no uso de modelos digitais de elevação, que são representações 3D detalhadas do terreno, permitindo uma compreensão muito mais precisa de inclinação e estabilidade.

Quando os pesquisadores examinaram o período de 2019 a 2022, o campo havia entrado em uma nova fase caracterizada pela rápida adoção do aprendizado profundo (deep learning). Este é um tipo mais avançado de inteligência artificial que imita a maneira como o cérebro humano processa informações através de camadas de nós interconectados. O estudo descobriu que, durante esses anos, o número de artigos publicados explodiu, com quase 90% de toda a pesquisa em seu conjunto de dados aparecendo após 2018. Os temas na literatura expandiram-se para incluir modelos de conjunto (ensemble models) complexos, que combinam as previsões de múltiplos algoritmos diferentes para criar um resultado mais robusto e preciso. Os pesquisadores também notaram uma crescente integração de tecnologias como o LiDAR, que utiliza pulsos de laser para criar mapas incrivelmente detalhados da superfície do solo, e o InSAR, uma técnica que utiliza radar para detectar movimentos minúsculos na superfície da terra antes que ocorra um deslizamento.

No período mais recente, de 2023 a 2026, o estudo identifica uma paisagem madura onde o foco mudou para tornar esses sistemas de inteligência artificial poderosos compreensíveis e confiáveis. Embora o objetivo central de prever deslizamentos permaneça o mesmo, os métodos tornaram-se altamente especializados. Os pesquisadores descobriram que os cientistas agora trabalham com inteligência artificial explicável, um campo dedicado a abrir a "caixa preta" de algoritmos complexos para que os humanos possam entender por que um modelo fez uma previsão específica. Isso é crucial para os tomadores de decisão que precisam confiar nos mapas antes de poderem usá-los para planejar estradas ou evacuar comunidades. O estudo também destaca uma crescente ênfase na infraestrutura, com mais pesquisas dedicadas à proteção de rodovias e áreas urbanas, refletindo o valor crescente desses sistemas em um mundo onde as mudanças climáticas e a urbanização estão tornando os deslizamentos mais frequentes e perigosos.

A revisão também revelou o lado humano deste progresso científico. Os pesquisadores mapearam a rede global de colaboração e descobriram que o trabalho está fortemente concentrado na Ásia, particularmente na China, que produziu o maior número de estudos. Índia, Vietnã e Estados Unidos também emergiram como importantes centros de atividade. A análise mostrou que esses pesquisadores não trabalham isoladamente; em vez disso, formam redes densas de colaboração, com equipes em diferentes países trabalhando juntas para compartilhar dados e refinar seus modelos. Este esforço internacional tem sido essencial para impulsionar o campo, permitindo o teste de novos métodos em diversas paisagens e condições geológicas.

Apesar desses avanços significativos, o estudo aponta que desafios permanecem. Os pesquisadores observam que, embora os modelos estejam se tornando mais precisos, eles ainda lutam com a incerteza. Muitas vezes é difícil saber exatamente como um modelo se comportará em um novo local que ele nunca viu antes, um problema conhecido como transferibilidade. Há também preocupações sobre a qualidade dos dados usados para treinar esses sistemas; se os registros de deslizamentos passados forem incompletos ou imprecisos, as previsões sofrerão. Além disso, a complexidade dos novos modelos de inteligência artificial pode torná-los difíceis de interpretar, levantando questões sobre como garantir que eles estejam tomando decisões baseadas em princípios geológicos sólidos e não apenas em coincidências estatísticas.

Em última análise, esta revisão serve como um roteiro para o futuro da ciência de deslizamentos. Ela confirma que o campo evoluiu muito além dos mapas simples baseados em especialistas do passado, transformando-se em uma disciplina sofisticada impulsionada por big data e inteligência artificial. Os autores sugerem que a próxima fronteira reside na criação de sistemas que não sejam apenas poderosos, mas também transparentes e capazes de operar em tempo real. Ao combinar a mais recente tecnologia geoespacial com computação avançada, os cientistas visam construir um futuro onde as comunidades possam ser alertadas sobre deslizamentos iminentes com maior precisão e confiabilidade, revertendo o curso contra um dos perigos mais imprevisíveis da natureza.