Integrated debris-flow susceptibility assessment along the Karakoram highway using statistical, multi- criteria, and explainable machine-learning models

Nas montanhas altas e acidentadas, onde a terra está constantemente em movimento e o tempo pode tornar-se violento num instante, um tipo específico de desastre representa uma ameaça implacável à vida e à infraestrutura. Trata-se do fluxo de detritos, um rio turbulento e rápido de lama, rochas e água que desce encostas íngremes com uma força devastadora. Ao contrário de um simples deslizamento de terra que poderia parar após centenas de metros, um fluxo de detritos pode percorrer quilómetros, carregando tudo o que encontra pelo caminho e enterrando estradas, pontes e aldeias sob toneladas de detritos. Estes eventos são particularmente perigosos em regiões onde o desenvolvimento humano, como a construção de estradas, corta encostas instáveis, ou onde as alterações climáticas trazem chuvas mais intensas e um degelo mais rápido da neve. Compreender onde estes fluxos têm maior probabilidade de ocorrer não é apenas um exercício académico; é uma questão de sobrevivência para as comunidades e para as rotas comerciais vitais que atravessam estas paisagens traiçoeiras.

Os investigadores tentam há muito prever estes desastres utilizando diferentes ferramentas. Alguns dependem do julgamento de especialistas, onde os geólogos analisam um mapa e decidem quais as áreas que parecem perigosas com base na sua experiência. Outros utilizam métodos estatísticos que contam com que frequência ocorreram desastres passados em certos tipos de terreno. Mais recentemente, os cientistas começaram a utilizar programas de computador avançados, conhecidos como aprendizagem automática (machine learning), que podem aprender com vastas quantidades de dados para encontrar padrões complexos que os humanos poderiam perder. No entanto, estes modelos de computador funcionam frequentemente como uma "caixa preta", fazendo previsões sem explicar claramente por que chegaram a determinada conclusão. Um novo estudo focado na Autoestrada de Karakoram, uma estrada crítica de 1.200 quilómetros que liga a China ao Paquistão através de algumas das zonas geologicamente mais ativas da Terra, procurou comparar estas diferentes abordagens. A equipa queria ver qual método funcionava melhor e, crucialmente, utilizar técnicas modernas para abrir a "caixa preta" e compreender exatamente quais os fatores que impulsionam estes fluxos mortais.

A Autoestrada de Karakoram é uma linha de vida para a região, mas é também um lugar de perigo extremo. A estrada serpenteia por uma zona onde três grandes cadeias montanhosas colidem, criando falésias íngremes, vales profundos e uma paisagem que é constantemente remodelada por sismos e erosão. A autoestrada tem um histórico de ser bloqueada por fluxos de detritos, o que por vezes corta o comércio e prende viajantes durante semanas. Para compreender o risco, a equipa de investigação, liderada por cientistas de universidades da China, Paquistão e Arábia Saudita, compilou um registo detalhado de 104 eventos passados de fluxos de detritos ao longo da autoestrada. Eles verificaram 62 destes locais através de visitas de campo e identificaram os restantes 42 utilizando imagens de satélite de alta resolução, criando um mapa fiável de onde estes desastres ocorreram no passado.

Com este inventário em mãos, os investigadores testaram cinco métodos diferentes para prever onde poderão ocorrer futuros fluxos de detritos. Compararam dois métodos tradicionais que dependem da opinião de especialistas e de regras estatísticas contra três modelos de computador avançados. Os métodos tradicionais incluíram um processo onde os especialistas classificam a importância de diferentes fatores, como a inclinação da encosta ou a precipitação, e outro que analisa a relação simples entre eventos passados e características específicas do terreno. Os modelos de computador incluíram dois algoritmos poderosos de aprendizagem automática, Random Forest e XGBoost, que são concebidos para encontrar conexões complexas e não lineares nos dados que métodos mais simples poderiam ignorar. A equipa alimentou todos estes modelos com treze informações sobre a paisagem, incluindo altitude, declive, distância às estradas, tipo de solo, precipitação e a quantidade de neve e cobertura vegetal.

Os resultados mostraram um vencedor claro em termos de precisão. Os modelos de aprendizagem automática superaram significativamente os métodos tradicionais. O modelo Random Forest provou ser o mais preciso a distinguir entre áreas seguras e perigosas, identificando corretamente os locais de fluxos de detritos passados com um elevado grau de fiabilidade. O modelo XGBoost seguiu de perto, também demonstrando um desempenho superior em comparação com as abordagens baseadas em especialistas e estatísticas. Os métodos tradicionais, embora úteis, tendiam a sobrestimar o perigo em algumas áreas ou a perder os pontos específicos e localizados onde os fluxos são mais prováveis de começar. Os modelos de computador foram melhores a reconhecer que o risco não está distribuído uniformemente pelo terreno, mas sim concentrado em zonas específicas de alto risco, onde encostas íngremes encontram canais de água ativos e infraestruturas humanas.

Talvez a contribuição mais valiosa deste estudo não tenha sido apenas encontrar o melhor modelo, mas sim explicar como ele funciona. Como os modelos de aprendizagem automática são frequentemente difíceis de interpretar, os investigadores utilizaram uma técnica chamada SHAP, que atua como um holofote para mostrar exatamente quanto cada fator influenciou a decisão do computador. Descobriram que os principais motores dos fluxos de detritos não eram apenas uma coisa, mas sim uma combinação de fatores a trabalhar em conjunto. O volume de água que se acumula no solo, a inclinação da encosta e a proximidade de riachos foram os principais contributores. No entanto, o estudo revelou uma interação crucial: a presença de estradas aumentou significavelmente o risco. Quando as estradas cortam terrenos íngremes, elas interrompem a drenagem natural e desestabilizam o solo, tornando as encostas muito mais propensas a falhar quando ocorrem chuvas intensas ou o degelo da neve. Os modelos de computador mostraram que as áreas de maior risco são aquelas onde estas condições naturais — encostas íngremes e concentração de água — encontram a perturbação humana.

O estudo também destacou o papel específico do clima e da geologia nesta região. A área é propensa a precipitação sazonal intensa e ao degelo rápido da neve, que fornecem a água necessária para transformar o solo solto num rio corrente de detritos. O próprio solo é fraturado por grandes falhas geológicas, tornando a rocha e o solo inerentemente instáveis. Quando a água se infiltra nestas fendas e congela, expande-se e quebra a rocha ainda mais, criando um suprimento de material solto que pode ser facilmente arrastado. Os investigadores descobriram que os modelos de aprendizagem automática capturaram com sucesso estas interações complexas, identificando que o perigo é maior em vales estreitos e nas bocas de riachos tributários, onde a água e os detritos convergem.

Os mapas produzidos pelo estudo oferecem uma ferramenta prática para a gestão de riscos ao longo da Autoestrada de Karakoram. Ao identificar os pontos com maior probabilidade de fluxos de detritos, engenheiros e planeadores podem concentrar os seus esforços onde são mais necessários. Em vez de tentarem reforçar toda a estrada, os recursos podem ser direcionados para "pontos de estrangulamento" específicos, como pontes e aquedutos, onde a estrada é mais vulnerável a ser bloqueada ou destruída. O estudo sugere que a atualização dos sistemas de drenagem, a construção de barreiras de proteção e o reforço de encostas cortadas em zonas de alto risco identificadas poderiam melhorar significativamente a resiliência da autoestrada. Além disso, a capacidade de prever estes eventos com maior precisão significa que os sistemas de alerta precoce podem ser melhor calibrados, dando aos viajantes e às comunidades locais mais tempo para reagir antes que um desastre ocorra.

Esta investigação sublinha uma mudança na forma como abordamos os perigos naturais em ambientes complexos. Embora o conhecimento especializado e as estatísticas básicas tenham o seu lugar, a capacidade da aprendizagem automática para processar vastas quantidades de dados e revelar padrões ocultos oferece uma forma mais precisa de compreender o risco. O estudo confirma que a Autoestrada de Karakoram é um corredor de alta vulnerabilidade, mas também fornece um caminho claro a seguir. Ao compreender a combinação específica de terreno íngreme, fluxo de água e atividade humana que desencadeia estes desastres, é possível construir uma infraestrutura mais segura e resiliente que possa resistir às poderosas forças da natureza. As conclusões servem como um modelo não apenas para esta rota comercial crítica, mas também para outras regiões montanhosas em todo o mundo onde existem desafios semelhantes.