Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

Em muitas partes do mundo, as cidades estão crescendo mais rápido do que a terra sob elas consegue suportar. Quando chuvas intensas caem sobre uma paisagem coberta de concreto e asfalto, a água não consegue infiltrar-se no solo como fazia antigamente. Em vez disso, ela corre pela superfície, ganhando velocidade e volume até sobrecarregar ruas e porões. Esta é a essência das inundações urbanas, uma crise que se torna mais frequente à medida que as mudanças climáticas trazem tempestades mais intensas e a construção rápida sela a drenagem natural. Para proteger pessoas e propriedades, os planejadores urbanos precisam saber exatamente onde a água irá acumular e quão profunda ela pode ficar. Por décadas, especialistas confiaram em mapas e registros históricos para adivinhar esses riscos, mas uma nova abordagem está mudando o jogo. Ao combinar olhos de satélite que conseguem ver através das nuvens com programas de computador poderosos que aprendem com padrões, cientistas agora podem prever riscos de inundação com um nível de precisão que era anteriormente impossível. Essa mudança permite que as comunidades passem de reagir a desastres para preveni-los.

No oeste de Riade, Arábia Saudita, um pesquisador aplicou este conjunto de ferramentas modernas a um desafio específico: a bacia de Wadi Hanifa. Este vale, que corta os distritos ocidentais e centrais da cidade, é um canal natural para a água que flui das montanhas próximas. Embora historicamente tenha sustentado a agricultura e o assentamento, a rápida expansão de Riade transformou grande parte deste vale em uma área urbana densa. O crescimento da cidade criou uma situação em que chuvas pesadas, que são raras, mas intensas, podem rapidamente transformar-se em inundações repentinas perigosas. O pesquisador propôs-se a criar um mapa detalhado mostrando exatamente quais bairros têm maior probabilidade de serem inundados. Ele não dependeu de suposições ou regras simples de bolso. Em vez disso, construiu um modelo digital de toda a bacia, alimentando-o com uma vasta gama de informações coletadas do espaço e do solo.

O pesquisador reuniu dados de cinco fontes diferentes para construir um quadro completo da paisagem. Eles usaram imagens de satélite para ver os tipos de superfícies que cobrem o solo, distinguindo entre vegetação verde, solo nu e as superfícies impermeáveis de edifícios e estradas. Eles buscaram imagens de radar que podem detectar a água mesmo quando o céu está nublado, garantindo que pudessem ver a real extensão de inundações passadas. Também incorporaram um mapa 3D detalhado do terreno para entender a inclinação e a forma da terra, juntamente com décadas de registros de chuva para ver onde as tempestades mais pesadas atingiram. Finalmente, mapearam as redes rodoviárias, que podem atuar tanto como barreiras quanto como canais para a água. Com todas essas informações reunidas, eles recorreram a um algoritmo de aprendizado de máquina, um tipo de programa de computador que aprende por meio de exemplos. Eles mostraram ao computador milhares de exemplos de áreas que inundaram no passado e milhares de exemplos de áreas que permaneceram secas. O computador analisou esses exemplos para encontrar os padrões ocultos que conectam a paisagem à água.

O computador aprendeu que o risco de inundação nesta região é impulsionado por alguns fatores fundamentais. O fator mais importante revelou-se ser a densidade da rede de drenagem. Áreas com uma alta concentração de riachos e canais têm maior probabilidade de inundar porque a água se concentra nelas, especialmente durante chuvas intensas. O segundo fator mais crítico é o tipo de cobertura do solo. Bairros com muitos edifícios e estradas pavimentadas, onde a água não consegue infiltrar-se, enfrentam um risco muito maior do que áreas com mais solo ou vegetação. A intensidade da chuva foi o terceiro grande motor, confirmando que o volume de água que cai em um curto período de tempo é uma causa primária do problema. O computador também aprendeu que a rugosidade do terreno importa; áreas mais lisas e planas permitem que a água se espalhe e se acumule, enquanto terrenos mais rugosos podem retardá-la. Outros fatores, como a direção da inclinação do terreno ou sua elevação exata, desempenharam um papel, mas foram menos decisivos do que os padrões de drenagem e uso do solo.

Uma vez que o computador aprendeu esses padrões, aplicou-os a toda a bacia de Wadi Hanifa para prever os riscos de inundação para cada ponto do mapa. Os resultados foram surpreendentemente precisos. Quando o pesquisador testou o modelo contra dados do mundo real, ele identificou corretamente as áreas inundadas 90 por cento das vezes. O modelo distinguiu com sucesso entre lugares que inundariam e aqueles que não inundariam, provando que a combinação de dados de satélite e aprendizado de máquina poderia capturar a realidade complexa das inundações urbanas. O mapa resultante divide a bacia em cinco categorias de risco, variando de muito baixo a muito alto. A análise revelou que cerca de 6,1 por cento da bacia está em risco muito alto, com outros 14,2 por cento enfrentando risco alto. Essas zonas perigosas não estão espalhadas aleatoriamente; elas se agrupam em bairros específicos e densamente povoados.

O mapa identificou várias comunidades que requerem atenção imediata. Áreas como Centro Uraija, Uraija, Derab, Ukaz, Marwwah, Uraid, Twaeeq-Etaigah e Hejrat Wadi Leban foram sinalizadas como tendo uma suscetibilidade muito alta à inundação urbana. Esses bairros situam-se em áreas baixas onde a água naturalmente se acumula, e são cercados por extensas redes de estradas e edifícios que impedem que a água escoe. O estudo destaca que estes não são apenas riscos teóricos; as previsões do modelo alinham-se com os locais reais onde as inundações ocorreram. Por exemplo, quando ocorreu um grande evento de inundação em abril de 2026, a vasta maioria dos pontos de inundação observados caiu exatamente dentro das zonas que o modelo havia marcado como de risco alto ou muito alto. Esta validação oferece aos funcionários da cidade uma ferramenta poderosa para a tomada de decisões. Eles podem agora ver exatamente onde reforçar os sistemas de drenagem, onde restringir novas construções e onde priorizar planos de resposta de emergência.

Esta pesquisa demonstra que o futuro da gestão de inundações reside na integração de tecnologia avançada com o conhecimento local. Ao usar o aprendizado de máquina para analisar a complexa interação entre chuva, terreno e desenvolvimento humano, os cientistas podem fornecer percepções claras e acionáveis para proteger cidades em crescimento. O estudo não afirma ter resolvido o problema das inundações para sempre, mas forneceu um método fiável para identificar os pontos mais vulneráveis. Para os residentes de Riade e de outras cidades em rápida urbanização, isto significa uma mudança de esperar pelo melhor para preparar-se para o pior com confiança. O mapa serve como um guia, mostrando para onde a água irá, para que as pessoas possam construir melhor, planejar de forma mais inteligente e manter-se seguras.