Onde Amuwo-Odofin é mais propenso a inundações
O GeoAID é um modelo aberto de suscetibilidade a inundações para uma LGA (autarquia local) de Lagos. Mostra onde as inundações são estruturalmente mais prováveis, porquê, e quem está exposto. Também indica como se comporta em terreno que não viu.
- ROC-AUC, divisão aleatória
- ≈ 0,798
- Validação cruzada espacial
- ≈ 0,642
- Grelha
- 100 m
- Inundações no treino
- 4, de 2017 a 2022
Ampliar o mapa
A pergunta
Onde, em Amuwo-Odofin, as inundações são mais prováveis, e porquê? Os mapas de inundação baseados em pesos atribuídos por especialistas muitas vezes nunca são confrontados com inundações reais, e raramente explicam porque é que um local tem uma pontuação mais alta do que outro. O GeoAID é treinado com inundações observadas e explica cada previsão.
Três camadas
- Suscetibilidade estruturalQue zonas são, por natureza, propensas a inundações? 14 fatores derivados de satélite alimentam um Random Forest que produz um mapa de risco com quatro níveis.
- Ativação em tempo realEsse risco está a ser ativado agora? A precipitação quase em tempo real do NASA GPM IMERG é comparada com o mapa de risco.
- ExposiçãoQuem e o quê está no caminho? A população do WorldPop, e as escolas, unidades de saúde e estradas do OpenStreetMap, sobrepostas aos níveis de risco.
Dados e modelo
O registo de inundações vem do radar Sentinel-1, em 4 inundações verificadas em Lagos entre 2017 e 2022, com uma máscara que exclui as águas permanentes. Os fatores condicionantes cobrem relevo, precipitação, ocupação do solo, vegetação, solos e distância à rede de drenagem, todos numa grelha comum de 100 m.
Foi escolhido um Random Forest em vez da regressão logística e do XGBoost. O SHAP explica cada previsão: a cobertura vegetal é o principal fator da suscetibilidade, o que coincide com a importância das variáveis calculada pelo próprio modelo.
Até que ponto é bom?
Numa divisão aleatória, o modelo obtém cerca de 0,798. Esse número favorece-o, porque células vizinhas nos conjuntos de treino e de teste são parecidas. Em validação cruzada espacial, em que blocos inteiros de terreno ficam de fora, desce para cerca de 0,642. É com o segundo número que se deve planear. O GeoAID pode apontar zonas que merecem uma análise mais atenta, mas não deve servir de base a uma decisão sobre uma parcela concreta.
Um erro de dados detetado
Uma primeira versão do registo de inundações por radar marcava 97,7% da área de estudo como inundada, porque as águas permanentes estavam a entrar na classe «inundado». Depois de diagnosticar e aplicar a máscara, a parte inundada desceu para 5,18%, um valor fisicamente credível. Essa correção, e todas as outras, estão descritas no registo metodológico (em inglês).
Limites
- Suscetibilidade não é previsão. Mostra onde as condições tornam uma inundação mais provável, não quando vai acontecer.
- Duas das 14 variáveis, ambas conjuntos de dados de precipitação, são mais grosseiras do que a área de estudo, o que limita a sua capacidade de distinguir um local de outro.
- O modelo foi treinado e testado apenas para Amuwo-Odofin. Não foi testado se se transfere para outras LGA.
Preprint
Oyinloye, O. A. and Mustapha, I. O. (2026). GeoAID: An Explainable Geospatial Disaster Intelligence Framework for Urban Flood Risk in a Data-Poor Coastal Megacity. Preprints.org. doi:10.20944/preprints202609.1630.v1
Artigo em inglês. Os preprints não foram revistos por pares. O GeoAID foi desenvolvido como a minha dissertação de Master of Information Technology na Miva Open University.