A multi-variable threshold approach to landslide prediction: integrating rainfall, soil moisture, and soil texture in Indonesia

Resumo Técnico: Uma Abordagem de Limiares Multivariáveis para a Previsão de Deslizamentos de Terra na Indonésia

Definição do Problema
Os deslizamentos de terra são um perigo devastador na Indonésia, onde o país ocupa a segunda posição mundial em ocorrências de deslizamentos. O atual sistema nacional de alerta precoce, o Blueprint of the Indonesian Landslide Early Warning System (BILEWS), baseia-se principalmente em limiares de chuva derivados de dados históricos em Java, Sumatra e Kalimantan. No entanto, este sistema enfrenta limitações significativas:

1. Variabilidade Regional: A Indonésia exibe padrões de chuva diversos (monçônicos, equatoriais e locais) e uma geomorfologia complexa. Aplicar limiares específicos de Java a outras ilhas, particularmente Sulawesi e Papua, falha ao não considerar as diferenças regionais, levando a previsões imprecisas.
2. Variáveis Ausentes: A iniciação de um deslizamento é impulsionada não apenas pela chuva, mas também pelas condições antecedentes de umidade do solo e características do solo. A estrutura atual do BILEWS carece de limiares integrados de umidade do solo e não leva em conta a variabilidade da textura do solo, que influencia a retenção de água e a infiltração.
3. Lacunas de Dados: Existe uma falta de limiares de chuva estabelecidos para Sulawesi e Papua, e há uma necessidade de integrar dados de umidade do solo na estrutura nacional de alerta, apesar das limitações espaciais nas redes de observação.

Metodologia
Este estudo desenvolveu uma estrutura de limiares multivariáveis integrando chuva, umidade do solo e textura do solo para melhorar a previsão de deslizamentos em cinco grandes ilhas da Indonésia: Sumatra, Java, Kalimantan, Sulawesi e Papua.

• Fontes de Dados:

  • Dados de Deslizamentos: Um conjunto de dados compilado de deslizamentos superficiais induzidos por chuva (2014–2025) provenientes de relatórios governamentais e mídia, distinguindo entre eventos gerais e "maiores" (causadores de danos a ≥5 casas). Foi utilizada uma proporção de 1:5 entre eventos de deslizamento e não-deslizamento para o treinamento.
  • Dados de Chuva: Dados de satélite da Global Precipitation Measurement (GPM) (resolução de 0,1°, 2014–2025) para calcular a chuva antecedente efetiva de 1 dia e 3 dias.
  • Dados de Umidade do Solo: Dados de reanálise ERA5-Land (resolução de 0,1°) fornecendo água volumétrica do solo (VSW) em três profundidades: 0–7 cm (Camada 1), 7–28 cm (Camada 2) e 28–100 cm (Camada 3).
  • Dados de Textura do Solo: Harmonized World Soil Database (HWSD) versão 2.0, categorizada em 12 classes de textura de solo da USDA.

• Desenvolvimento de Limiares:

  • Chuva: Os limiares foram derivados usando métricas estatísticas incluindo média, mínimo, mínimo de deslizamentos maiores e percentis (30, 40, 50, 60) tanto para a chuva antecedente efetiva de 1 dia quanto de 3 dias.
  • Umidade do Solo: Os limiares foram calculados para cada camada de VSW usando métricas estatísticas semelhantes.
  • Análise de Textura do Solo: Regressão logística e testes de Wald foram empregados para determinar a significância estatística (p < 0,05) da relação entre a umidade do solo e a ocorrência de deslizamentos através de diferentes texturas de solo.

• Estrutura de Avaliação:

  • Validação de Divisão de Amostra (Split-Sample Validation): Os dados de 2014–2023 serviram como o conjunto de treinamento, enquanto os dados de 2024–2025 serviram como o conjunto de teste.
  • Métricas de Desempenho: Os modelos foram avaliados usando curvas Característica de Operação do Receptor (ROC), Área Sob a Curva (AUC), Taxa de Verdadeiros Positivos (TPR), Taxa de Verdadeiros Negativos (TNR), Acurácia e o Índice de Youden (J = Sensibilidade + Especificidade - 1). O Índice de Youden foi priorizado para garantir um desempenho equilibrado entre a detecção de eventos de deslizamento e a prevenção de falsos alarmes.
  • Cenários Comparativos: O estudo comparou os limiares de chuva existentes, os novos limiares de chuva desenvolvidos e os limiares combinados de chuva-umidade do solo. Além disso, os limiares foram testados com e sem filtragem para texturas de solo significativas (Sandy Clay Loam e Loam).

Principais Resultados

• Variabilidade Regional de Limiares: Os limiares ideais variam significativamente por ilha.
  • Sumatra e Java: Os limiares de chuva existentes (1 dia e 3 dias) apresentaram melhor desempenho, alcançando Índices de Youden de 0,545 e 0,740, respectivamente.
  • Sulawesi: Os novos limiares de chuva desenvolvidos superaram os existentes, gerando um Índice de Youden de 0,477.
  • Kalimantan e Papua: Os limiares combinados de chuva-umidade do solo forneceram o desempenho mais equilibrado, com Índices de Youden de 0,465 e 0,458, respectivamente.
• Impacto da Umidade do Solo: Embora os limiares de umidade do solo isoladamente tenham mostrado uma discriminação "pobre a aceitável" (AUC 0,547–0,647), sua integração com a chuva melhorou o Índice de Youden em regiões específicas (Kalimantan e Papua), indicando um compromisso onde os modelos combinados equilibram melhor as taxas de detecção e os falsos alarmes.
• Significância da Textura do Solo:
  • Texturas Dominantes: Os deslizamentos ocorreram com mais frequência em solos de Sandy Clay Loam (28,70%) e Loam (26,14%).
  • Relação Estatística: A regressão logística confirmou que a umidade do solo influencia significativamente a ocorrência de deslizamentos nas texturas de solo Sandy Clay Loam e Loam (p < 0,05).
  • Ganho de Desempenho: O desenvolvimento de limiares especificamente para essas texturas de solo significativas (ST) resultou em valores de Índice de Youden mais altos em comparação com os limiares que ignoravam a textura do solo (NST) em Sumatra, Java, Kalimantan e Sulawesi. Por exemplo, em Java, a abordagem ST alcançou um Índice de Youden de 0,650 (Camada 2) versus 0,634 para a abordagem de não-textura.

Significância e Alegações
O artigo afirma que nenhum limiar universal único é adequado para as diversas condições climáticas e geomorfológicas da Indonésia. A principal contribuição do estudo é a demonstração de que:

1. A Especificidade Regional é Crítica: Adaptar os limiares para ilhas específicas (por exemplo, desenvolvendo novos limiares de chuva para Sulawesi e Papua) melhora significativamente a confiabilidade da previsão em comparação com a aplicação de um modelo unificado baseado em Java.
2. Integração de Múltiplas Variáveis: Incorporar a umidade do solo, particularmente em regiões como Kalimantan e Papua, melhora o equilíbrio entre a detecção de deslizamentos reais e a minimização de falsos alarmes, conforme medido pelo Índice de Youden.
3. Limiares Fisicamente Informados: Integrar informações de textura do solo no processo de desenvolvimento de limiares produz um desempenho preditivo superior. Ao focar em texturas de solo onde a umidade do solo é estatisticamente significativa (Sandy Clay Loam e Loam), o sistema alcança uma previsão mais robusta do que as abordagens puramente estatísticas.

Os autores concluem que estas descobertas fornecem uma base técnica para atualizar a estrutura do BILEWS, passando de uma abordagem de variável única e regionalmente uniforme para um sistema de alerta multivariável, específico para cada região e fisicamente informado.