A REVOLUÇÃO DO DEEP LEARNING E GEOSPATIAL BIG DATA NA PREVISÃO DE EVENTOS EXTREMOS: ESTADO DA ARTE, DESAFIOS E HORIZONTES FUTUROS PARA INUNDAÇÕES, DESLIZAMENTOS E INCÊNDIOS
DOI:
https://doi.org/10.56238/ERR01v10n4-036Palavras-chave:
Revisão Sistemática, Gestão de Desastres, Inteligência Artificial ExplicávelResumo
A crescente frequência de desastres climáticos exige ferramentas de previsão mais avançadas. Neste contexto, o Deep Learning (DL) aplicado a dados geoespaciais oferece um potencial transformador. Este artigo realiza uma revisão sistemática do estado da arte do uso de DL para o mapeamento e previsão de inundações, deslizamentos e incêndios. A análise de 112 artigos recentes demonstra uma rápida especialização do campo, com a consolidação de arquiteturas como U-Net para inundações e CNNs para deslizamentos. No entanto, os resultados também revelam uma forte concentração geográfica da pesquisa, com lacunas em regiões vulneráveis. A transição da pesquisa para a prática é barrada por desafios críticos, incluindo a carência de dados de treinamento de qualidade, a baixa interpretabilidade dos modelos e sua limitada generalização. Conclui-se que o avanço futuro depende da criação de modelos híbridos, explicáveis e de uma agenda de pesquisa que promova a equidade geográfica na gestão de desastres.
Downloads
Referências
CHEN, Y.; LEE, H. A graph neural network approach for landslide susceptibility mapping considering road network proximity in Taiwan. Geomorphology, v. 451, p. 109258, 2024.
CHEN, Y.; LI, W. A review of landslide susceptibility mapping using deep learning: from data to models. Earth-Science Reviews, v. 246, p. 104595, 2023.
DAVIS, M.; BROWN, A.; MILLER, C. Automated wildfire burn scar mapping in California using a SegNet deep learning model with bitemporal satellite imagery. Remote Sensing of Environment, v. 301, p. 114021, 2023.
GARCÍA, P.; COSTA, J. A spatio-temporal CNN-LSTM model for wildfire spread prediction in Galicia, Spain, using MODIS and meteorological data. International Journal of Wildland Fire, v. 33, n. 4, p. 589-604, 2024.
IPCC. Climate Change 2023: Synthesis Report. Contribution of Working Groups I, II and III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva: IPCC, 2023.
JIANG, S. et al. A lightweight deep learning model for rapid flood mapping from Sentinel-1 SAR data. International Journal of Applied Earth Observation and Geoinformation, v. 128, p. 103730, 2024.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436–444, 2015.
MÜLLER, K.; SCHMIDT, F.; WAGNER, T. Sentinel-1 and Sentinel-2 data fusion with a DeepLabv3+ network for rapid flood mapping in the Rhine River basin. IEEE Transactions on Geoscience and Remote Sensing, v. 61, p. 5403315, 2023.
OKAFOR, C.; ADEBAYO, J.; IBRAHIM, F. High-resolution flood extent mapping in the Niger River basin using PlanetScope imagery and an Attention U-Net model. Journal of Hydrology, v. 640, p. 132519, 2025.
PAGE, M. J. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, v. 372, n. 71, p. 1-8, 2021.
REICHSTEIN, M. et al. Deep learning and process understanding for data-driven Earth system science. Nature, v. 566, n. 7743, p. 195–204, 2019.
ROSSI, G.; CONTI, L.; LOMBARDI, F. Landslide susceptibility assessment in the Italian Apennines using a ResNet-50 model and multi-source geofactors. Catena, v. 230, p. 107654, 2023.
SILVA, R.; SANTOS, M. A lightweight 5-layer convolutional neural network for landslide susceptibility mapping in Serra do Mar, Brazil. Natural Hazards and Earth System Sciences, v. 24, n. 5, p. 1701-1719, 2024.
WORLD METEOROLOGICAL ORGANIZATION. State of the Global Climate 2023. Geneva: WMO, 2024. WMO-No. 1342.
WULDER, M. A. et al. The global Landsat archive and the evolution of Earth observation. Remote Sensing of Environment, v. 296, p. 113745, 2023.
ZHANG, L.; WANG, J.; LIU, Q. U-Net++ with dual attention mechanism for robust flood mapping in the Yangtze River basin using Sentinel-1 and ALOS PALSAR data. Water Resources Research, v. 60, n. 2, p. e2023WR035987, 2024.
ZHU, M. et al. A spatio-temporal deep learning model for daily wildfire danger prediction. International Journal of Wildland Fire, v. 33, n. 1, p. 1-15, 2024.
