Evaluating disaster triggers and spatial susceptibility of retrogressive thawing slumps in permafrost regions Hoh Xil, Qinghai-Tibet Plateau

Nas planícies altas e ventosas do Planalto de Qinghai-Tibete, o solo não é apenas terra e rocha; é um arquivo congelado. Por milhares de anos, grande parte desta paisagem permaneceu retida em um estado de frio permanente, uma condição que os cientistas chamam de permafrost. Esta terra congelada atua como uma fundação sólida para os vastos ecossistemas da região e para a sua infraestrutura crítica, incluindo a ferrovia e a rodovia mais altas do mundo. No entanto, à medida que o clima global aquece, esta fundação congelada começa a amolecer. Quando o gelo dentro do solo derrete, o terreno perde sua resistência e pode colapsar subitamente. Uma das formas mais dramáticas e destrutivas deste colapso é o retrocesso de escorregamento por degelo (retrogressive thaw slump). Estes não são simples buracos de afundamento; são cicatrizes ativas e recuantes na paisagem, onde uma parede íngreme de solo rico em gelo cede, deslizando para trás e deixando para trás uma pilha caótica de lama e detritos. À medida que estes escorregamentos crescem, eles ameaçam engolir estradas, ferrovias e o delicado ambiente alpino, tornando vital compreender onde eles provavelmente aparecerão a seguir.

Em um estudo recente focado na região de Hoh Xil, uma parte remota e acidentada do planalto, pesquisadores se dedicaram a mapear as futuras zonas de perigo destes deslizamentos de degelo. O desafio era imenso. A paisagem é vasta, os dados são complexos e os fatores que desencadeiam um escorregamento estão profundamente interligados. Um escorregamento não acontece por uma única causa; é o resultado de uma combinação específica de calor, água, tipo de solo e a forma do terreno. Para desvendar esta teia, a equipe desenvolveu uma nova maneira de olhar para o problema, indo além de observações simples para uma análise digital sofisticada que imita como o cérebro humano reconhece padrões.

Os pesquisadores começaram reunindo uma quantidade massiva de informações sobre a região de Hoh Xil. Eles observaram a temperatura do ar, a quantidade de chuva que cai, a inclinação das encostas e o tipo de solo sob a superfície. Eles também examinaram a quantidade de gelo escondida no solo e a densidade da vegetação que o cobre. Usando imagens de satélite e levantamentos de campo, eles compilaram um registro detalhado de 1.825 escorregamentos de degelo existentes na área. Este inventário serviu como a verdade de campo, um mapa de onde o dano já aconteceu. O objetivo era ensinar um computador a reconhecer a receita ambiental específica que leva a um escorregamento, para que pudesse prever onde os próximos se formariam.

Para dar sentido a essa montanha de dados, a equipe primeiro teve que filtrar o ruído. Eles usaram um método estatístico para identificar quais fatores estavam realmente impulsionando os escorregamentos e quais eram apenas ruído de fundo. Descobriram que os gatilhos mais poderosos estavam relacionados à água e ao calor. Especificamente, eventos de chuva extrema e o ciclo intenso de congelamento e degelo durante os meses de verão foram os principais impulsionadores. Estas condições saturam o solo e enfraquecem as ligações congeladas que mantêm o solo unido. Embora a forma do terreno e o tipo de solo importassem, eles desempenharam um papel de suporte à influência avassaladora das condições hidrotérmicas. O estudo confirmou que áreas com alto conteúdo de gelo e solos de granulação fina, que retêm água como uma esponja, eram particularmente vulneráveis quando o tempo ficava quente e úmido.

O núcleo do estudo envolveu o treinamento de um sistema de computador para aprender com esses padrões. Os pesquisadores enfrentaram um problema comum neste tipo de pesquisa: é fácil encontrar exemplos de onde ocorreram escorregamentos, mas é difícil encontrar exemplos confiáveis de onde eles não ocorreram. Se um computador for mostrado apenas onde está o perigo, ele pode supor que o mundo inteiro é perigoso. Para resolver isso, a equipe criou uma estratégia de amostragem inteligente. Eles usaram uma técnica de agrupamento (clustering) para encontrar áreas que pareciam exatamente com as zonas de escorregamento em termos de seu ambiente, mas que permaneceram estáveis. Ao selecionar cuidadosamente esses pontos "seguros", garantiram que o computador aprendesse a diferença entre uma zona de desastre potencial e uma encosta estável, em vez de apenas memorizar localizações aleatórias.

Uma vez preparados os dados, a equipe testou vários modelos diferentes de aprendizado de máquina. Eles tentaram algoritmos padrão, mas descobriram que um tipo específico de sistema de aprendizado profundo, conhecido como rede neural convolucional, era muito superior na compreensão da paisagem. Este sistema é projetado para olhar para os dados da mesma forma que um humano olha para uma fotografia, reconhecendo as relações espaciais entre as características. Ele podia ver como uma encosta íngreme, um trecho de solo úmido e um dia de verão quente se encaixavam para criar um risco. Os pesquisadores então combinaram esta poderosa ferramenta de reconhecimento de padrões com uma abordagem de aprendizado de conjunto (ensemble learning). Esta técnica funciona como um painel de especialistas: em vez de confiar em um único modelo, eles combinaram as previsões de muitos modelos diferentes, deixando-os votar na resposta final. Este método reduziu os erros e tornou as previsões muito mais confiáveis.

O resultado foi um mapa de suscetibilidade altamente preciso para a região de Hoh Xil. O mapa revelou que as áreas de maior risco não estão espalhadas aleatoriamente, mas concentradas em zonas de transição específicas onde a terra muda de encostas íngremes para vales, e em áreas com intensa atividade de termocárstica. O modelo mais bem-sucedido, que combinou a extração de características por aprendizado profundo com a estratégia de amostragem inteligente, alcançou uma taxa de precisão que superou em muito os métodos anteriores. Ele identificou corretamente a vasta maioria dos escorregamentos conhecidos, evitando alarmes falsos em áreas estáveis. O mapa mostrou que quase 15.000 quilômetros quadrados da região caem em categorias de risco alto ou muito alto, com as zonas mais perigosas margeando os corredores das principais rotas de transporte.

Este estudo faz mais do que apenas desenhar um mapa; ele esclarece o mecanismo do desastre. Confirma que, embora o solo seja inerentemente instável nestas regiões, o gatilho final é frequentemente um evento climático específico, como uma forte tempestade de verão atingindo uma encosta rica em gelo. A pesquisa demonstra que, ao usar o aprendizado de máquina avançado para analisar as complexas interações entre clima, solo e terreno, os cientistas podem prever estes perigos com um nível de precisão que era anteriormente impossível. Esta capacidade oferece uma ferramenta poderosa para planejadores e engenheiros. Ao saber exatamente onde o solo tem maior probabilidade de ceder, eles podem reforçar a infraestrutura, desviar estradas ou monitorar áreas específicas antes que ocorra um colapso. Em uma região onde o clima está mudando mais rápido do que quase qualquer outro lugar na Terra, este tipo de previsão não é apenas um exercício acadêmico; é um passo necessário para proteger as vidas e os meios de subsistência que dependem da estabilidade do planalto congelado.