Inundações recorrentes representam uma ameaça persistente e crescente para as bacias da África Ocidental enfrentando rápida urbanização e mudanças climáticas. Apesar dos avanços em aprendizado de máquina e conjuntos de dados geoespaciais, o planejamento urbano e a prevenção de inundações muitas vezes dependem de conjuntos de dados limitados e análises tradicionais. Este estudo aborda essa lacuna de pesquisa na bacia do Bonoumin-Palmeraie (Abidjan, Costa do Marfim) desenvolvendo uma abordagem integrada que aproveita o sensoriamento remoto, Sistemas de Informação Geográfica (SIG) e o algoritmo Random Forest para avaliar e mapear a susceptibilidade a inundações. Doze fatores condicionantes relacionados à topografia, hidrologia, uso da terra e clima foram derivados de conjuntos de dados de observação da Terra de múltiplas fontes, incluindo Sentinel-1 e ALOS PALSAR. Extensões históricas de inundações foram mapeadas no Google Earth Engine para treinar o modelo Random Forest em um ambiente Google Colab. O modelo demonstrou alto poder discriminatório, resultando em uma Área Sob a Curva de 0,94 e uma Precisão Geral de 0,83. A densidade de drenagem, a precipitação e a altitude foram identificadas como os principais fatores explicativos. O mapa resultante de susceptibilidade a inundações indica que 39% da bacia apresenta susceptibilidade de média a muito alta, com pontos críticos nos bairros Palmeraie, Attoban, Akouedo, Djorogobité e Riviera-Sogefiha. Embora limitado pela exclusão de certas variáveis antrópicas e restrições de verificação em campo, o estudo fornece uma estrutura reproduzível e orientada por dados para avaliação de risco de inundações em ambientes urbanos tropicais. Esses achados oferecem suporte científico essencial para planejadores urbanos e tomadores de decisão a fim de aprimorar o planejamento territorial e a gestão sustentável de inundações em Abidjan.
Danumah et al. (Wed,) estudaram essa questão.