p Todo ano, deslizamentos de terra - o movimento da rocha, solo, e detritos descendo uma encosta - causam milhares de mortes, bilhões de dólares em danos, e interrupções em estradas e linhas de energia. Porque o terreno, características das rochas e do solo, clima, e o clima contribuem para a atividade de deslizamento de terra, localizar com precisão as áreas de maior risco desses perigos a qualquer momento pode ser um desafio. Os sistemas de alerta precoce são geralmente regionais - com base em dados específicos da região fornecidos por sensores de solo, observações de campo, e totais de precipitação. Mas e se pudéssemos identificar áreas de risco em qualquer lugar do mundo a qualquer momento? p Entre no modelo e na ferramenta de mapeamento da NASA Global Landslide Hazard Assessment (LHASA).

p LHASA Versão 2, lançado no mês passado junto com a pesquisa correspondente, é um modelo baseado em aprendizado de máquina que analisa uma coleção de variáveis ​​individuais e conjuntos de dados derivados de satélite para produzir "previsões instantâneas" personalizáveis. Esses prognósticos oportunos e direcionados são estimativas da atividade potencial de deslizamento de terra em tempo quase real para cada área de 1 quilômetro quadrado entre os pólos. O modelo leva em consideração a inclinação do terreno (inclinações mais altas são mais propensas a deslizamentos), distância para falhas geológicas, a composição do rock, chuvas passadas e presentes, e dados de umidade do solo e massa de neve derivados de satélite.

p "O modelo processa todos esses dados e produz uma estimativa probabilística do risco de deslizamento na forma de um mapa interativo, "disse Thomas Stanley, Cientista da Universities Space Research Association no Goddard Space Flight Center da NASA em Greenbelt, Maryland, quem liderou a pesquisa. "Isso é valioso porque fornece uma escala relativa de risco de deslizamento, em vez de apenas dizer que há ou não risco de deslizamento. Os usuários podem definir sua área de interesse e ajustar as categorias e o limite de probabilidade de acordo com suas necessidades. "

p Para "ensinar" o modelo, os pesquisadores inserem uma tabela com todas as variáveis ​​de deslizamento relevantes e muitos locais que registraram deslizamentos no passado. O algoritmo de aprendizado de máquina pega a tabela e testa diferentes cenários e resultados possíveis, e quando encontra aquele que se ajusta aos dados com mais precisão, ele produz uma árvore de decisão. Em seguida, ele identifica os erros na árvore de decisão e calcula outra árvore que corrige esses erros. Esse processo continua até que o modelo tenha "aprendido" e melhorado 300 vezes.

p "O resultado é que esta versão do modelo é quase duas vezes mais precisa que a primeira versão do modelo, tornando-o a ferramenta de previsão global mais precisa disponível, "disse Stanley." Embora a precisão seja mais alta - geralmente 100% - para grandes deslizamentos de terra desencadeados por ciclones tropicais, melhorou significativamente em todos os estoques. "

p Versão 1, lançado em 2018, não era um modelo de aprendizado de máquina. Ele combinou dados de precipitação de satélite com um mapa global de suscetibilidade a deslizamentos de terra para produzir seus prognósticos. Ele fez suas previsões usando uma árvore de decisão amplamente baseada nos dados de precipitação da semana anterior e categorizou cada célula da grade como baixa, moderado, ou alto risco.

p "Nesta nova versão, temos 300 árvores de informações cada vez melhores em comparação com a primeira versão, que foi baseado em apenas uma árvore de decisão, "Stanley disse." A versão 2 também incorpora mais variáveis ​​do que sua antecessora, incluindo dados de umidade do solo e massa de neve. "

p De um modo geral, o solo só pode absorver um determinado limite de água antes de se tornar saturado, e combinado com outras condições, representando um risco de deslizamento de terra. Ao incorporar dados de umidade do solo, o modelo pode discernir quanta água já está presente no solo e quanta chuva adicional o empurraria para além desse limite. Da mesma forma, se o modelo souber a quantidade de neve presente em uma determinada área, pode levar em consideração a entrada de água adicional no solo à medida que a neve derrete. Esses dados vêm do satélite Soil Moisture Active Passive (SMAP), que é gerenciado pelo Laboratório de Propulsão a Jato da NASA no sul da Califórnia. Foi lançado em 2015 e fornece cobertura contínua de umidade do solo.

p A versão 2 do LHASA também adiciona um novo recurso de exposição que analisa a distribuição de estradas e população em cada célula da grade para calcular o número de pessoas ou infraestrutura expostas a riscos de deslizamento. Os dados de exposição podem ser baixados e integrados ao mapa interativo. Adicionar este tipo de informação sobre estradas expostas e populações vulneráveis ​​a deslizamentos de terra ajuda a melhorar a consciência situacional e ações por partes interessadas de organizações internacionais a autoridades locais.

p Com base em anos de pesquisa e aplicações, O LHASA versão 2 foi testado pelo programa Desastres da NASA e partes interessadas em situações do mundo real que levaram ao seu lançamento formal. Em novembro de 2020, quando os furacões Eta e Iota atingiram a América Central em um período de duas semanas, pesquisadores que trabalham com o programa Earth Applied Sciences Disasters da NASA usaram a versão 2 do LHASA para gerar mapas de risco de deslizamento de terra previsto para a Guatemala e Honduras. Os pesquisadores sobrepuseram o modelo com dados populacionais em nível de distrito para que pudessem avaliar melhor a proximidade entre os perigos potenciais e as comunidades densamente povoadas. Os coordenadores do programa de desastres compartilharam as informações com agências de resposta a emergências nacionais e internacionais para fornecer uma melhor visão dos perigos para o pessoal no local.

p Embora seja uma ferramenta útil para fins de planejamento e mitigação de riscos, Stanley diz que o modelo deve ser usado com uma perspectiva global em mente, e não como um sistema local de alerta de emergência para qualquer área específica. Contudo, pesquisas futuras podem expandir esse objetivo.

p "Estamos trabalhando para incorporar uma previsão de precipitação ao LHASA Versão 2, e esperamos que forneça mais informações para planejamento avançado e ações antes dos grandes eventos de chuva, "disse Stanley. Um desafio, Stanley observa, está obtendo um arquivo longo o suficiente de dados de precipitação prevista com os quais o modelo pode aprender.

p Enquanto isso, governos, agências de ajuda humanitária, respondentes de emergência, e outras partes interessadas (bem como o público em geral) têm acesso a uma ferramenta poderosa de avaliação de risco na versão 2 da LHASA.