Integrating GIS and machine learning for pollution vulnerability mapping in South Africa’s Kruger National Park

O ar que respiramos raramente está parado. Mesmo nos cantos mais remotos do mundo, nuvens invisíveis de fumaça, poeira e gases deslocam-se através das fronteiras, carregadas pelo vento e pelo clima. Embora muitas vezes pensemos na poluição do ar como um problema confinado a cidades movimentadas e zonas industriais, esses poluentes viajam para longe, estabelecendo-se em lugares selvagens onde podem prejudicar plantas, animais e o delicado equilíbrio da natureza. Para os gestores de vastas terras protegidas, saber onde essas ameaças invisíveis são mais fortes é difícil. Eles não podem simplesmente colocar um sensor em cada colina ou rio, e o tempo muda rápido demais para que os jogos de adivinhação à moda antiga funcionem. Para resolver isso, os cientistas estão recorrendo a uma combinação poderosa de ferramentas: olhos de satélite que veem todo o planeta, mapas digitais que organizam essa visão e programas de computador inteligentes que aprendem com padrões para prever o futuro.

Em um estudo recente focado no Parque Nacional Kruger, na África do Sul, pesquisadores usaram esse conjunto de ferramentas modernas para criar um mapa detalhado de vulnerabilidade à poluição. O Kruger é uma das maiores reservas de vida selvagem da África, uma imensa natureza de quase 20.000 quilômetros quadrados onde elefantes, leões e rinocerontes circulam livremente. O parque não está isolado do mundo; ele fica perto de assentamentos humanos e áreas industriais, o que significa que está sujeito a poluentes que derivam de fora. Os pesquisadores queriam entender quais partes deste enorme parque estão mais em risco pela poluição do ar e quais fatores as tornam vulneráveis. Eles não confiaram em um único método, mas construíram um sistema que combinou dados de satélite sobre vegetação, chuva e temperatura com medições de gases específicos, como dióxido de nitrogênio e dióxido de enxofre. Eles então inseriram essas informações em três tipos diferentes de modelos de aprendizado de máquina para ver qual deles conseguiria melhor prever onde a poluição seria um problema.

A equipe reuniu dados do espaço, usando satélites para rastrear desde a densidade da vegetação verde até a concentração de gases nocivos na atmosfera. Eles observaram quanta chuva caiu, o quanto esquentou e quanto metano e monóxido de carbono estavam presentes. Ao sobrepor todas essas informações, criaram uma imagem digital do ambiente do parque. Em seguida, treinaram seus modelos de computador para reconhecer os sinais de poluição. Um modelo, chamado Random Forest (Floresta Aleatória), funciona construindo muitas pequenas árvores de decisão e pedindo que elas votem na resposta. Outro, o Gradient Boosting Machine (Máquina de Impulsionamento de Gradiente), aprende corrigindo seus próprios erros passo a passo. O terceiro, uma Support Vector Machine (Máquina de Vetores de Suporte), tenta encontrar a melhor linha possível para separar áreas limpas de áreas poluídas. O objetivo era ver qual dessas abordagens poderia identificar com mais precisidade as áreas onde o ecossistema tem maior probabilidade de sofrer com a má qualidade do ar.

Os resultados mostraram que os modelos de computador foram bastante bem-sucedidos em mapear as ameaças invisíveis. O modelo Gradient Boosting Machine provou ser o mais preciso ao classificar os dados, acertando a resposta cerca de 76 por cento das vezes. O modelo Random Forest foi ligeiramente menos preciso nessa medida específica, mas foi excepcionalmente bom em distinguir entre diferentes níveis de risco, uma qualidade que é crucial para tomar decisões detalhadas. O terceiro modelo, o Support Vector Machine, teve um bom desempenho, mas não foi tão forte quanto os outros dois. Todos os três modelos concordaram com o padrão geral: as partes sul e centro-sul do parque, particularmente perto dos rios Crocodile e Sabie, são as mais vulneráveis. Essas áreas apresentaram concentrações mais altas de dióxido de nitrogênio e dióxido de enxofre, gases frequentemente ligados à queima de combustíveis e atividade industrial. Os modelos também revelaram que esses dois gases eram os fatores mais importantes para prever onde a poluição seria um problema, mais do que a quantidade de chuva ou a densidade das árvores.

O que torna essa descoberta significativa é que ela confirma que a poluição não é apenas um problema das cidades. O estudo sugere que, mesmo em um lugar selvagem como o Kruger, a qualidade do ar é fortemente influenciada pela atividade humana distante, trazida pelo vento. Os pesquisadores descobriram que as áreas com maior risco não são aleatórias; elas se agrupam em torno de vales fluviais específicos e nas bordas sul do parque, onde o vento frequentemente carrega poluentes de cidades e estradas próximas. Os modelos de computador também destacaram que a vegetação desempenha um papel complexo. Embora florestas densas possam às vezes absorver a poluição, os dados mostraram que áreas com vegetação densa estavam frequentemente correlacionadas com níveis mais altos de certos gases, provavelmente porque essas áreas também estão mais próximas das fontes de poluição. Essa nuance é algo que a observação simples poderia perder, mas os modelos de computador a captaram claramente.

O resultado final deste trabalho é um conjunto de mapas de alta resolução que dividem o parque em cinco categorias, variando de vulnerabilidade muito baixa a muito alta. Esses mapas mostram que cerca de um quinto do parque está na categoria de maior risco, enquanto outro quinto está na categoria de risco muito baixo. O meio-termo, onde o risco é moderado, cobre a maior parte da terra. Esses mapas não são apenas imagens; são ferramentas práticas para os gestores do parque. Ao saber exatamente onde o ar tem maior probabilidade de ser tóxico, guardas florestais e conservacionistas podem focar seus esforços de monitoramento, planejar incêndios com mais cuidado e proteger a vida selvagem sensível nas áreas que mais precisam. O estudo sugere que essa abordagem de combinar dados de satélite com aprendizado de máquina inteligente pode ser um divisor de águas para proteger grandes áreas selvagens, oferecendo uma maneira de ver o invisível e agir antes que o dano seja feito.

A pesquisa também se conecta a objetivos globais para o planeta. Ao proteger a terra e seu ar, o estudo apoia os esforços para manter ecossistemas saudáveis, o que é uma parte fundamental dos objetivos globais de sustentabilidade. Também toca na ação climática, já que os mesmos padrões meteorológicos que movem a poluição também impulsionam as mudanças climáticas. Embora o estudo não tenha medido a saúde das pessoas que vivem por perto, ele fornece os dados ambientais necessários para entender como a poluição se move e se deposita, o que é o primeiro passo para proteger tanto a vida selvagem quanto as comunidades humanas. O trabalho demonstra que, mesmo em um lugar tão vasto e selvagem como o Kruger, a ciência pode fornecer uma visão clara dos desafios enfrentados pela natureza, transformando dados complexos em um guia simples e acionável para a conservação. Os mapas produzidos são um testemunho da ideia de que, com as ferramentas certas, podemos ver as ameaças ao nosso mundo natural com clareza suficiente para detê-las.