Novo modelo usa imagens de satélite e aprendizado de máquina para mapear inundações em ambientes urbanos

À medida que as mudanças climáticas intensificam as tempestades, novas ferramentas são necessárias para mapear onde ocorrem inundações em áreas pouco estudadas.

Uma nova ferramenta de mapeamento da North Carolina State University usa aprendizado de máquina e imagens de satélite de código aberto para modelar inundações em ambientes urbanos. O novo modelo pode criar mapas que preveem inundações em áreas urbanas, que tradicionalmente não são acessíveis a planejadores urbanos. Isso pode ajudar a identificar áreas potencialmente propensas a inundações em ambientes urbanos, ajudando autoridades a fazer escolhas mais bem informadas sobre onde alocar recursos de resiliência e prevenção de inundações.

O trabalho é publicado na revista Riscos naturais.

Rebecca Composto, estudante de pós-graduação na NC State e principal autora de um artigo que descreve o modelo, disse que as áreas urbanas apresentam desafios únicos na coleta de dados de satélite e no rastreamento do fluxo de água.

“Um dos primeiros problemas são as sombras dos edifícios. Edifícios mais altos criam mais sombras, o que significa que as imagens de satélite parecem mais escuras e carregam menos informações”, disse ela. “Áreas urbanas também têm hidrologia mais complexa, pois a existência de tantos sistemas de drenagem junto com superfícies de concreto que não absorvem água significa que é mais difícil prever onde a água se acumula.”

As inundações em áreas urbanas também tendem a começar e terminar rapidamente, às vezes rápido demais para que os satélites coletem dados úteis suficientes. Para resolver isso, a Composto usou dados de satélite do furacão Ida, que causou inundações e danos significativos no nordeste dos EUA em 2021. As inundações do Ida duraram mais do que o normal em áreas como Filadélfia, e isso combinado com uma quebra repentina na cobertura de nuvens deu à Composto exatamente o tipo de dados de satélite de que ela precisava.

O próximo passo foi treinar um modelo de aprendizado de máquina para reconhecer e mapear inundações. Para criar dados de treinamento suficientes para o modelo reconhecer inundações urbanas, Composto passou meses desenhando polígonos à mão em suas imagens de satélite para ajudar o programa a entender o que estava olhando. Esses polígonos ajudaram o algoritmo de aprendizado de máquina a “ver” as características das imagens de satélite mais alinhadas com inundações e, então, mapeá-las.

Composto então comparou o mapa resultante, conhecido como extensão de inundação, às zonas de inundação da Federal Emergency Management Agency. Essas zonas designam áreas dependendo da probabilidade de inundação — por exemplo, uma zona de inundação de “500 anos” tem aproximadamente 1 em 500 chances de inundação a cada ano. Outras áreas são consideradas “risco mínimo de inundação”, o que as coloca fora do limite da designação de inundação de 500 anos.

O modelo descobriu que mais inundações estavam ocorrendo nessas áreas de risco mínimo do que nas zonas de 500 anos. Composto disse que isso provavelmente se devia ao tamanho muito maior das zonas de risco mínimo — apesar de haver mais inundações por volume, o risco de inundação nessas áreas ainda era proporcionalmente menor do que nas zonas de 500 anos.

Pesquisas futuras podem se concentrar em simplificar o modelo para facilitar o uso. A Composto planeja integrar um novo mapa exibindo a profundidade da inundação e tornar seu código de código aberto para facilitar o compartilhamento com líderes de resposta a emergências.

Os coautores da pesquisa incluem Mirela G. Tulbure, Varun Tiwari, Mollie D. Gaines e Júlio Caineta.