Quando chuvas extremas atingem áreas urbanas, o desastre quase nunca é totalmente inesperado. Em muitos casos, ele ocorre exatamente nos locais que mapas técnicos já apontavam como mais suscetíveis. O problema é que grande parte dos governos municipais não dispõe de equipes especializadas para produzir esse tipo de informação. Isso transforma o mapeamento de tendências ou riscos em um dos principais obstáculos para que as cidades consigam se planejar e avançar de forma concreta na adaptação às mudanças climáticas.
Nos últimos anos, pesquisadores têm se debruçado sobre o desafio de desenvolver e aprimorar métodos capazes de prever, com maior precisão, onde deslizamentos de terra tendem a ocorrer em áreas urbanas. Uma abordagem recente nesse campo é o emprego do chamado AHP Gaussiano, um método que permite estimar o grau de suscetibilidade de diferentes regiões a partir da combinação de dados ambientais e urbanos, com menor dependência de julgamentos subjetivos.
No meu caso, venho trabalhando diretamente na adaptação desse método para aplicações em planejamento urbano e gestão de riscos. O AHP Gaussiano é uma versão estatística de uma técnica clássica de tomada de decisão amplamente usada em estudos ambientais, o AHP (Analytic Hierarchy Process). Testamos essa abordagem recentemente em São Sebastião, no litoral norte de São Paulo, uma das cidades brasileiras mais afetadas por deslizamentos, especialmente após as chuvas extremas de 2023.
O desafio de mapear com menos subjetividade
Mapas de suscetibilidade a deslizamentos combinam diversos fatores, como a inclinação do terreno, o tipo de solo, a proximidade a rios, a cobertura vegetal, a presença de estradas, o volume de chuvas, dentre outras. Para integrar todas essas informações, um dos métodos mais utilizados é o AHP. Ele funciona a partir de comparações feitas por especialistas, que avaliam, por exemplo, se a inclinação é mais importante que o tipo de solo, ou se a distância a um rio pesa mais do que o tipo de vegetação.
Embora seja útil e amplamente aplicado, esse processo apresenta limitações importantes. Ele depende fortemente da experiência e da percepção de quem realiza as comparações, o que pode gerar resultados diferentes entre equipes ou instituições. Além disso, torna-se cada vez mais difícil de aplicar quando há muitas variáveis e grandes áreas urbanas envolvidas. Foi justamente para enfrentar esses problemas que aplicamos o AHP Gaussiano, uma alternativa baseada em estatística e automatização dos pesos atribuídos a cada fator.
O que muda com o AHP Gaussiano
Em vez de pedir que especialistas atribuam pesos subjetivos aos fatores, o AHP Gaussiano usa estatísticas simples dos próprios dados espaciais.
Funciona assim:
-
Cada variável do mapa (como altitude ou distância a rios) é analisada pixel a pixel;
-
Calculamos sua média e sua variabilidade;
-
Variáveis que mudam mais no espaço — e, portanto, ajudam mais a diferenciar áreas seguras e perigosas — recebem maior peso automaticamente.
Em outras palavras, o método "deixa os dados falarem". Essa abordagem reduz vieses humanos, facilita a reprodução dos resultados e permite trabalhar com dezenas de camadas de dados sem tornar o processo impraticável.
O teste em São Sebastião
Aplicamos o método em São Sebastião usando 16 variáveis ambientais e urbanas e um inventário detalhado de deslizamentos ocorridos durante o evento extremo de fevereiro de 2023.
Comparamos diretamente o AHP tradicional e o AHP Gaussiano.
Os dois métodos identificaram corretamente as áreas mais suscetíveis. Mas o AHP Gaussiano apresentou três vantagens importantes:
-
Maior precisão geral na identificação de áreas suscetíveis.
-
Melhor separação das classes intermediárias, evitando mapas "manchados" ou incoerentes.
-
Maior destaque para fatores urbanos reais, como proximidade a rios e estradas — locais onde os deslizamentos de fato se concentraram.
Em termos técnicos, o ganho estatístico foi modesto, mas consistente. Em termos práticos, o mapa final ficou mais estável, mais coerente no espaço e mais fácil de interpretar.
Por que isso importa para políticas públicas
No Brasil, muitos municípios pequenos e médios não dispõem de equipes grandes, especialistas em geotecnia ou infraestrutura computacional avançada. Ainda assim, precisam cumprir o Estatuto da Cidade, elaborar planos diretores, mapear áreas de risco e planejar reassentamentos.
O AHP Gaussiano é particularmente útil nesse contexto porque usa dados públicos já disponíveis (modelos de terreno, mapas geológicos, imagens de satélite); pode ser automatizado; produz resultados reproduzíveis, e reduz a dependência de julgamentos subjetivos.
Tudo isso permite que seus usuários consigam priorizar obras de drenagem e contenção; orientar a expansão urbana; definir áreas onde construções devem ser restringidas; apoiar sistemas de alerta e defesa civil, e integrar mapas de suscetibilidade aos planos diretores municipais.
Ou seja: com essas habilidades, em vez de reagir após a tragédia, os gestores urbanos podem atuar antes dela acontecer.
Um complemento, não um substituto
É importante deixar claro: o AHP Gaussiano não substitui modelos avançados de inteligência artificial, que em alguns casos atingem níveis mais altos de precisão. Mas esses modelos exigem equipes especializadas, longos treinamentos e grande volume de dados rotulados — algo distante da realidade de muitos municípios.
Nossa proposta ocupa um meio-termo: mais objetiva e robusta que métodos tradicionais, mas simples o suficiente para ser aplicada na rotina do planejamento urbano.
Risco climático é também risco urbano
Com as mudanças climáticas, eventos extremos tendem a se tornar mais frequentes. Ao mesmo tempo, a urbanização avança sobre encostas, margens de rios e áreas frágeis.
Mapear riscos não é apenas um exercício técnico. É uma ferramenta de justiça social, de prevenção de mortes e de uso inteligente do território.
Se conseguirmos tornar esses mapas mais confiáveis, transparentes e fáceis de atualizar, damos um passo importante para que políticas públicas deixem de ser reativas e passem a ser realmente preventivas.
Rômulo Marques-Carvalho não presta consultoria, trabalha, possui ações ou recebe financiamento de qualquer empresa ou organização que poderia se beneficiar com a publicação deste artigo e não revelou nenhum vínculo relevante além de seu cargo acadêmico.
