Dynamic mapping of flood susceptibility and exposure associated with the El Niño phenomenon using machine learning and geospatial modeling in Trujillo, Peru

As enchentes estão entre as forças mais poderosas e destrutivas da natureza, capazes de remodelar paisagens e devastar vidas em questão de horas. Para comunidades que vivem em áreas baixas ou próximas a vales de rios, a ameaça é constante, mas o perigo não é uniforme em todo o território. Alguns pontos são naturalmente propensos a reter água, enquanto outros permanecem secos mesmo durante tempestades pesadas. Tradicionalmente, os cientistas têm mapeado esses riscos usando imagens estáticas que mostram quais áreas são geralmente vulneráveis com base em sua forma, altura e solo. No entanto, esses mapas frequentemente falham em capturar uma realidade crucial: o risco muda quando o tempo muda. Uma encosta que é segura durante uma garoa leve pode se tornar uma torrente durante uma semana de chuva intensa, e uma planície pode só inundar se a precipitação for intensa o suficiente para sobrecarregar o solo. Compreender onde as pessoas e os edifícios se situam em relação a esses riscos mutáveis é essencial para manter as comunidades seguras, mas a maioria dos mapas existentes não se atualiza conforme o clima muda.

Na árida província costeira de Trujillo, Peru, esse desafio é particularmente agudo. A região é geralmente seca, mas é periodicamente atingida por eventos de chuva intensa ligados ao fenômeno El Niño, um padrão climático que aquece o Oceano Pacífico e altera o clima em todo o globo. Essas tempestades raras podem transformar ravinas secas em rios caudalosos, inundando bairros urbanos e danificando infraestruturas. Pesquisadores da Universidade Nacional de Trujillo e da Universidade Nacional de Altiplano buscaram resolver o problema do mapeamento estático criando uma nova forma de rastrear o risco de inundação que muda com o tempo. Eles queriam construir um sistema que pudesse não apenas identificar quais partes da cidade são naturalmente vulneráveis, mas também atualizar esse risco em tempo real conforme a chuva cai, enquanto simultaneamente mostra exatamente onde as pessoas e os edifícios estão localizados dentro dessas zonas de perigo.

Para alcançar isso, a equipe relembrou três grandes eventos de inundação que atingiram Trujillo em 2017, 2023 e 2025. Em vez de depender de câmeras tradicionais que não conseguem ver através das nuvens, eles usaram imagens de radar de satélites que podem escanear o solo dia ou noite, independentemente do clima. Ao comparar imagens tiradas antes e depois de cada tempestade, eles foram capazes de traçar as pegadas exatas da água à medida que ela se espalhava pelo terreno. Eles combinaram esses dados históricos com informações detalhadas sobre o terreno, como a inclinação da terra, a altura do solo e a localização de canais de drenagem, bem como dados geológicos sobre rochas e solo. Eles também inseriram dados sobre a própria chuva, decompondo as tempestades em diferentes durações para ver como rajadas curtas e intensas se comparavam a chuvas contínuas e prolongadas.

Os pesquisadores então utilizaram um tipo de aprendizado computacional chamado aprendizado de máquina para encontrar os padrões que conectam a paisagem e o clima às inundações reais. Eles testaram vários modelos de computador diferentes para ver qual poderia melhor prever para onde a água iria. Um modelo, conhecido como Random Forest (Floresta Aleatória), provou ser o mais preciso. Ele aprendeu a reconhecer que certas combinações de fatores — como uma direção específica para a qual a terra está voltada, a inclinação de uma encosta e a quantidade de chuva — eram indicadores fortes de inundação. Este modelo não apenas memorizou os eventos passados; ele aprendeu as regras subjacentes de como a água se move pelo cenário de Trujillo. A análise revelou que a direção para a qual a terra está voltada, a quantidade de chuva, a elevação e a inclinação foram os fatores mais importantes para determinar quais áreas inundariam.

O que torna este estudo distinto é sua capacidade de ir além de um único mapa imutável. Uma vez que o computador aprendeu as regras das tempestades passadas, os pesquisadores mostraram que poderiam atualizar o mapa de risco simplesmente inserindo novos dados de chuva, sem ter que ensinar o computador tudo de novo. Isso significa que, se uma nova tempestade atingir a região, o sistema pode gerar instantaneamente um novo mapa mostrando onde o risco é maior naquele momento. Eles testaram isso criando um cenário para setembro de 2026. Nesta visão atualizada, o risco não estava distribuído uniformemente; em vez disso, uma grande parte do território mostrou um nível de risco moderado, cobrindo mais da metade da área. No entanto, as áreas com o maior risco eram menores, mas ainda significativas, e sobrepunham-se a partes específicas da cidade onde muitas pessoas vivem.

O estudo também trouxe uma dimensão humana aos números ao sobrepor dados populacionais e densidade de edifícios aos mapas de inundação. Isso permitiu que a equipe visse não apenas para onde a água poderia ir, mas quem seria afetado. No evento de 2017, por exemplo, mais da metade da população exposta estava localizada em áreas de risco alto ou muito alto. Em contrapartida, no evento de 2025, a distribuição mudou, com uma parcela maior da população situada em áreas de risco moderado. Ao observar a atualização dinâmica para setembro de 2026, os pesquisadores descobriram que, embora a zona de risco moderado cobrisse a maioria da terra e a vasta maioria da população, as zonas menores de alto risco ainda continham quase 18% das pessoas e quase 20% da superfície construída. Isso destaca que mesmo uma pequena área de alto risco pode ser crítica se estiver repleta de casas e negócios.

Os pesquisadores concluíram que sua abordagem oferece uma ferramenta poderosa para tomadores de decisão. Ao combinar radar de satélite, aprendizado de máquina e dados meteorológicos em tempo real, eles criaram um sistema que pode rastrear a suscetibilidade a inundações conforme ela evolui. Essa visão dinâmica ajuda a identificar áreas prioritárias para prevenção e resposta, afastando-se da ideia de que o risco de inundação é uma característica fixa da paisagem. Embora o estudo dependa de simulações computacionais e dados históricos, em vez de medições hidráulicas em tempo real, ele fornece um método robusto para entender como a interação entre o terreno e o clima molda o perigo para as comunidades. Para uma cidade como Trujillo, onde a ameaça de chuvas súbitas e intensas é uma realidade recorrente, ter um mapa que pode se atualizar oferece um caminho mais claro para proteger vidas e propriedades.