Análise Espaço-Temporal da Extensão das Inundações Durante as Estações Chuvosas de Diferentes Anos na Cidade da Beira, Moçambique

1. INTRODUÇÃO

1.1. Contextualização

As inundações constituem um dos perigos naturais mais devastadores globalmente, com projecções de aumento da sua frequência e intensidade em cenários de mudanças climáticas (Tabari, 2020). As cidades costeiras em países em desenvolvimento enfrentam riscos desproporcionais devido à combinação de exposição geográfica, urbanização rápida e capacidade adaptativa limitada. A cidade da Beira, capital da Província de Sofala em Moçambique, exemplifica estes desafios por estar situada numa planície costeira de baixa altitude, altamente suscetível a inundações fluviais e pluviais (Ramayanti et al., 2022).

O mapeamento preciso e oportuno da suscetibilidade a inundações é fundamental para a redução eficaz do risco de desastres e para o planeamento urbano (Schumann et al., 2009). Contudo, os métodos hidrológicos tradicionais e os levantamentos de campo são frequentemente limitados por constrangimentos logísticos, cobertura temporal restrita e pela extensa área afectada. As tecnologias de sensoriamento remoto, em particular o Radar de Abertura Sintética (SAR), superam estas barreiras ao penetrar a cobertura de nuvens e operar independentemente da iluminação solar, oferecendo vantagens significativas para o monitoramento de inundações em regiões tropicais (Schumann & Moller, 2015).

Moçambique tem experienciado eventos de inundação devastadores nas últimas décadas, com o Ciclone Idai em Março de 2019 a revelar-se particularmente catastrófico, causando inundações generalizadas na Beira e arredores, resultando em mais de 600 fatalidades e no deslocamento de centenas de milhares de pessoas (UNDP, 2019). Este evento sublinhou a urgência de sistemas melhorados de monitoramento e alerta precoce na região (Guo et al., 2021).

O desenvolvimento de plataformas de computação em nuvem, como o Google Earth Engine (GEE), revolucionou o processamento de dados geoespaciais em grande escala, permitindo análises eficientes de mudanças ambientais de longo prazo (Gorelick et al., 2017). A integração do mapeamento global de águas superficiais (Pekel et al., 2016) com metodologias robustas de detecção automatizada de inundações usando dados SAR (Martinis et al., 2015) oferece oportunidades sem precedentes para avaliações abrangentes em regiões com escassez de dados.

1.2. Problema e justificativa

Persiste uma lacuna crítica de dados espaciais detalhados e em série temporal sobre a extensão das inundações na Beira, o que compromete o planeamento urbano baseado em evidências e a gestão de riscos de desastres. As abordagens convencionais são limitadas pela cobertura de nuvens durante as épocas chuvosas e pelas restrições logísticas inerentes ao monitoramento de campo, conforme evidenciado pelo desastre do Ciclone Idai em 2019, que destacou a necessidade de monitoramento sistemático para informar tanto a resposta de emergência como o planeamento de adaptação de longo prazo. Este estudo visa colmatar essa lacuna, recorrendo aos avanços no sensoriamento remoto SAR e na computação em nuvem para conduzir uma análise multitemporal rigorosa da extensão das inundações na Beira. Ao examinar três períodos distintos (2009–2010, 2015–2016 e 2024–2025), a pesquisa captura a variabilidade interanual e contribui para a compreensão dos factores que impulsionam a dinâmica das cheias nesta vulnerável cidade costeira. O quadro metodológico apresentado é replicável e escalável, oferecendo potencial para aplicação noutras regiões com escassez de dados que enfrentam desafios semelhantes.

1.3. Objectivos

1.3.1. Geral:

Analisar a evolução espaço-temporal da extensão das inundações na Cidade da Beira durante as épocas chuvosas de 2009–2010, 2015–2016 e 2024–2025, utilizando dados de sensoriamento remoto.

1.3.2. Específicos:

• Mapear as áreas inundadas nos três períodos analisados;
• Quantificar a área inundada por bairro em hectares para cada período;
• Comparar a evolução espacial das inundações entre os períodos estudados; e
• Classificar os bairros segundo o nível de exposição e vulnerabilidade às inundações.

2. MATERIAL E MÉTODOS

2.1. Área de Estudo

O estudo foi conduzido na Cidade da Beira, Província de Sofala, centro de Moçambique, localizada aproximadamente a 19°50’S, 34°51’E (Figura 1). A cidade ocupa uma planície costeira de baixa altitude, com elevações raramente excedendo os 10 metros acima do nível médio do mar. A região é caracterizada por um clima tropical húmido, com a época chuvosa estendendo-se de Novembro a Março, durante a qual a precipitação mensal frequentemente excede os 100 mm (Ramayanti et al., 2022). A geologia da Beira é predominantemente composta por depósitos sedimentares não consolidados das formações Mazamba e Dondo, consistindo em arenitos arcósicos, argilitos e conglomerados (Ramalho et al., 2019). O Rio Púnguè, que flui do Zimbabué para o Oceano Índico, é o principal curso de água que influencia a região. Os eventos históricos de inundação na Beira estão fortemente associados ao transbordamento dos Rios Púnguè e Búzi durante períodos de chuva intensa (Guo et al., 2021). A área de estudo abrange 26 bairros administrativos, cobrindo uma área aproximada de 633 km², com o núcleo urbanizado ocupando cerca de 200 km². A topografia é caracterizada por declives geralmente inferiores a 5%, o que, embora favorável ao desenvolvimento urbano, cria condições propícias à acumulação de água durante eventos de precipitação intensa.

2.2. Fontes de Dados

Para este estudo, foram utilizadas múltiplas fontes de dados geoespaciais (Tabela 1). Imagens Sentinel-1 Ground Range Detected (GRD) na polarização VH, com resolução espacial de 10 metros, foram adquiridas para os períodos de 2015–2016 e 2024–2025. Para o período de 2009–2010, o conjunto de dados JRC Global Surface Water (Pekel et al., 2016) com resolução de 30 metros foi empregue devido à indisponibilidade de dados Sentinel-1 antes de 2014. O Modelo Digital de Elevação SRTM com resolução de 30 metros foi utilizado para mascaramento topográfico, e dados de precipitação CHIRPS (Funk et al., 2015) com resolução de 5 km foram incorporados para análise de correlação. Os limites administrativos dos bairros da Beira foram utilizados para agregação espacial dos resultados.

2.3. Visão Geral da Metodologia

O quadro metodológico consistiu em três fases principais: aquisição e pré-processamento de dados, detecção e classificação de inundações, e integração estatística e avaliação de vulnerabilidade (Figura 2). O fluxo de processamento foi implementado utilizando o Google Earth Engine para processamento de dados de satélite e o Google Colab para análise estatística e integração de resultados.

2.4. Processamento de Dados no Google Earth Engine

O pré-processamento das imagens SAR seguiu protocolos estabelecidos para detecção de inundações (Martinis et al., 2015). Para os dados Sentinel-1, foram aplicadas as seguintes etapas de processamento:

• Calibração radiométrica para converter os números digitais em valores de retroespalhamento sigma-nought;
• Filtragem de speckle utilizando uma mediana focal com raio de 50 metros para reduzir o ruído preservando o detalhe espacial;
• Correção geométrica para assegurar o alinhamento preciso com os conjuntos de dados de referência;
• Mascaramento topográfico para excluir áreas com declive superior a 5% utilizando o SRTM DEM, isolando a inundação pluvial.

Para o período de 2009–2010, os dados mensais de ocorrência de água do JRC Global Surface Water foram processados para identificar áreas inundadas durante a época chuvosa. Este conjunto de dados, baseado na classificação de imagens Landsat, fornece informações históricas consistentes sobre águas superficiais (Pekel et al., 2016).

A detecção de inundações foi realizada utilizando limiarização adaptativa no coeficiente de retroespalhamento da polarização VH, que é sensível à presença de água parada. Para cada período, foram gerados mosaicos compostos a partir de imagens adquiridas durante a época chuvosa, e os pixels com valores de retroespalhamento abaixo do limiar foram classificados como inundados.

2.5. Integração Estatística no Google Colab

Os dados de extensão de inundação classificados foram exportados do GEE e importados para o Google Colab, onde foi realizada a análise ao nível de bairro. As etapas analíticas principais incluíram:

• Agregação de pixels inundados por limite administrativo;
• Conversão de contagens de pixels para hectares com base na resolução espacial (10 m para Sentinel-1, 30 m para JRC);
• Classificação dos níveis de vulnerabilidade com base na extensão máxima de inundação observada nos três períodos;
• Análise de correlação entre a extensão da inundação e os dados de precipitação CHIRPS.

2.6. Classificação da Vulnerabilidade

A classificação da vulnerabilidade dos bairros foi estabelecida com base na extensão máxima de inundação registada entre os três períodos analisados. A definição dos limiares de classificação fundamentou-se em critérios amplamente adoptados na literatura especializada para a categorização de áreas sujeitas a inundação em ambiente urbano (Loat & Petrascheck, 1997; Werren et al., 2016). Estudos de mapeamento de perigo de inundação frequentemente utilizam sistemas de classificação com quatro ou cinco níveis, onde as categorias são definidas com base na extensão espacial da inundação ou na combinação de profundidade, velocidade e área afectada (Werren et al., 2016).

Diversas investigações sobre susceptibilidade e vulnerabilidade a inundações têm adoptado classificações baseadas na área afectada, utilizando intervalos que reflectem a magnitude espacial do evento e as suas implicações para o planeamento urbano (Getahun & Gebre, 2015; Soltani et al., 2021). Em contextos urbanos, a categorização da vulnerabilidade por bairro ou unidade administrativa permite a priorização de intervenções e a alocação de recursos de forma objectiva. A literatura internacional documenta a utilização de classes como “muito baixa”, “baixa”, “média”, “alta” e “muito alta” para caracterizar a vulnerabilidade a inundações em áreas urbanas, com os limiares ajustados às características específicas de cada região de estudo. De acordo com estes referenciais, a presente investigação adoptou os seguintes limiares para a classificação da vulnerabilidade dos bairros da Cidade da Beira, com base na extensão máxima de inundação registada em hectares (Tabela 2).

2.7. Dados de Precipitação

Os dados de precipitação CHIRPS (Funk et al., 2015) foram utilizados para quantificar a chuva acumulada para cada período de estudo. Foram adoptadas as seguintes janelas de acumulação: Janeiro–Março de 2010, Janeiro–Março de 2016, e Dezembro de 2024–Março de 2025, representando o núcleo da época chuvosa para cada período.

3. RESULTADOS

A análise da extensão espacial das inundações revela diferenças substanciais na distribuição e magnitude dos alagamentos entre os três períodos estudados. Em termos municipais, a área total inundada foi de 297,48 hectares em 2009–2010, reduziu drasticamente para 25,11 hectares em 2015–2016 e atingiu o valor máximo de 460,37 hectares em 2024–2025, evidenciando uma variabilidade interanual acentuada. Os mapas apresentados na Figura 3 ilustram a distribuição espacial destes eventos, permitindo visualizar as áreas mais afectadas em cada época chuvosa.

Conforme evidenciado nos mapas, as áreas inundadas ocorreram predominantemente em depressões de baixa altitude e bacias de drenagem natural localizadas na periferia norte e noroeste da cidade. Os bairros situados nas zonas centrais e mais consolidadas exibiram extensões de inundação mínimas ou nulas em todos os períodos, o que sugere a influência de melhores condições de drenagem e de cotas topográficas ligeiramente mais elevadas nessas porções do território. A Figura 4 apresenta o mapa de matriz de exposição e vulnerabilidade, que integra os três períodos analíticos e oferece uma síntese da susceptibilidade de cada bairro.

A quantificação detalhada ao nível de bairro, sintetizada na Tabela 3, revela uma heterogeneidade acentuada na distribuição do impacto das cheias. A maioria dos bairros registou áreas inundadas residuais, com valores inferiores a 5 hectares em todos os períodos, ao passo que um grupo restrito de bairros periféricos concentrou a quase totalidade da extensão alagada. Entre os bairros mais afectados, Nhangau destaca-se como o de maior exposição, tendo registado 211,02 hectares em 2010, uma redução para 7,33 hectares em 2016 e um aumento expressivo para 335,31 hectares em 2025, o que corresponde a um acréscimo de aproximadamente 59% relativamente ao período inicial. Tchonja apresentou uma trajectória semelhante, com 19,65 hectares em 2010, 0,76 hectares em 2016 e 56,14 hectares em 2025. Inhamizua e Muave exibiram vulnerabilidade alta persistente, embora com comportamentos distintos: Muave aumentou de 18,70 hectares em 2010 para 20,30 hectares em 2025, enquanto Inhamizua diminuiu de 29,92 hectares para 13,23 hectares no mesmo intervalo. Ndunda e Vila Massane, classificados como de vulnerabilidade média, apresentaram extensões máximas de 10,28 hectares (2010) e 19,21 hectares (2025), respectivamente.

A evolução multitemporal das áreas inundadas nos bairros mais expostos é visualmente sintetizada na Figura 5, que permite comparar as variações ocorridas entre 2009-2010, 2015-2016 e 2024-2025 para os quinze bairros com maior extensão no período mais recente. Com base na extensão máxima de inundação registada em cada bairro ao longo dos três períodos, procedeu-se à classificação dos níveis de vulnerabilidade. Dos 26 bairros analisados, dois foram classificados como de vulnerabilidade crítica (Nhangau e Tchonja), dois como de vulnerabilidade alta (Inhamizua e Muave), dois como de vulnerabilidade média (Ndunda e Vila Massane), enquanto os restantes vinte bairros foram enquadrados na classe de vulnerabilidade baixa, com extensões máximas inferiores a 5 hectares. Esta distribuição evidencia que cerca de 23,1% dos bairros da cidade concentram a quase totalidade da exposição a inundações, estando localizados predominantemente nas porções norte e noroeste do município.

A Tabela 4 apresenta a síntese municipal das áreas totais inundadas e da precipitação acumulada para cada período, permitindo uma análise integrada da relação entre estas duas variáveis. O período de 2015–2016 registou a menor extensão de cheias (25,11 hectares), não obstante ter apresentado uma precipitação acumulada (712,8 mm) superior à de 2009–2010 (650,4 mm), que por sua vez produziu uma área inundada de 297,48 hectares. O período de 2024–2025 distinguiu-se tanto pelo maior volume pluvial (835,2 mm) como pela maior extensão de alagamentos (460,37 hectares), sugerindo uma associação positiva entre estas variáveis, ainda que não linear.

A análise de correlação entre a precipitação acumulada e a área total inundada, representada na Figura 6, revela uma forte associação positiva (r = 0,893), com um coeficiente de determinação R² = 0,797. Este valor indica que a precipitação acumulada explica aproximadamente 79,7% da variabilidade observada na extensão das áreas inundadas entre os três períodos estudados.

Não obstante a forte correlação global, a análise dos pontos individuais revela que o período de 2015–2016 constitui um outlier aparente, uma vez que, apesar de uma precipitação superior à de 2009–2010, a área inundada foi dramaticamente inferior. Esta discrepância sugere que, para além do volume total acumulado, factores como a distribuição temporal da precipitação, a intensidade dos eventos pluviais e as condições de humidade antecedente do solo desempenham um papel modulador determinante na extensão das cheias, especialmente em ambientes urbanos com capacidade de drenagem limitada. O período de 2024–2025, com os valores mais elevados para ambas as variáveis, evidencia a materialização de condições extremas que podem vir a tornar-se mais frequentes, reforçando a necessidade de estratégias de adaptação e planeamento urbano resiliente.

4. DISCUSSÃO

Os padrões espaciais observados, com concentração em Nhangau e Tchonja, corroboram os mapas de suscetibilidade de Ramayanti et al. (2022), que identificaram as porções noroeste da Beira como áreas de elevada propensão a cheias. A quantificação empírica obtida (335,31 hectares em 2025) valida esse modelo espacial. Contudo, a análise multitemporal revela que a suscetibilidade é dinâmica, evidenciada pela redução para 7,33 hectares em 2016, o que indica que factores como intensidade pluvial e saturação do solo modulam a extensão efectiva das inundações, aspecto não capturado por modelos estáticos.

A relação entre precipitação acumulada e área inundada demonstra uma não-linearidade que contesta projeções simplistas. Embora Tabari (2020) aponte para o aumento de extremos pluviais, os dados mostram que 2016 (712,8 mm) teve maior precipitação que 2010 (650,4 mm), mas gerou uma área inundada 92% inferior (25,11 ha contra 297,48 ha). Esta aparente contradição é explicada pela distribuição temporal da chuva e pelas condições de humidade antecedente do solo (Schumann et al., 2009). O período de 2025, com 835,2 mm e 460,37 ha, evidencia que, localmente, a intensidade e frequência dos picos pluviais são mais críticas do que o volume total acumulado. Ao confrontar os dados históricos do JRC de Pekel et al., (2016), com resolução de 30 metros, com os dados SAR de 10 metros, verifica-se que a área de 297,48 hectares registada em 2010 pode estar subdimensionada, tornando a comparação com os 460,37 hectares de 2025 conservadora.

A vulnerabilidade concentra-se em apenas seis bairros (23,1% do total), reflectindo um padrão histórico de ocupação periférica por populações de menor renda, conforme discutido por Ramayanti et al. (2022). A análise temporal revela um agravamento significativo, com um aumento de 59% na extensão inundada em Nhangau entre 2010 e 2025. Estes resultados fornecem uma base temporal essencial para o planeamento urbano, permitindo direcionar investimentos em infraestruturas de drenagem e revisão do zoneamento para os bairros de vulnerabilidade crítica, indo além do foco emergencial (Martinis et al., 2020).

5. CONCLUSÃO E RECOMENDAÇÕES

Este estudo demonstrou com sucesso a aplicação do sensoriamento remoto e da computação em nuvem para analisar a dinâmica das inundações na Cidade da Beira em três períodos distintos. Os resultados revelam uma variabilidade interanual substancial na extensão das inundações, variando de 25,11 hectares em 2015–2016 a 460,37 hectares em 2024–2025. Nhangau e Tchonja foram classificados como de vulnerabilidade crítica, com extensões de inundação atingindo 335,31 e 56,14 hectares, respectivamente, em 2025. A relação não linear entre a precipitação e a extensão das inundações destaca a importância de considerar múltiplos factores na avaliação do risco, embora a análise seja condicionada por diferenças na resolução espacial e pela ausência de validação de campo.

Com base nestes achados, recomenda-se: (i) a priorização de investimentos em infraestruturas de drenagem nos bairros de vulnerabilidade crítica e alta; (ii) a revisão do regulamento municipal de zoneamento para restringir novas construções em áreas propensas a inundações; (iii) o desenvolvimento de um sistema de monitoramento em tempo real e alerta precoce baseado em estimativas de precipitação por satélite; (iv) a implementação de programas de avaliação participativa de riscos e preparação para desastres baseados na comunidade; e (v) a superação de limitações metodológicas futuras por meio da integração de dados in situ, abordagens multi-sensor e modelos hidrológicos.

6. AGRADECIMENTOS

O autor expressa gratidão à Agência Espacial Europeia por fornecer os dados Sentinel-1, ao Joint Research Centre da Comissão Europeia pelo conjunto de dados Global Surface Water, ao Climate Hazards Group pelos dados CHIRPS, e à NASA pelos dados SRTM DEM. As plataformas Google Earth Engine e Google Colab forneceram a infraestrutura computacional essencial para esta pesquisa.

7. DECLARAÇÃO DE CONFLITO DE INTERESSES

O autor declara que não existem interesses financeiros concorrentes conhecidos ou relações pessoais que possam ter influenciado o trabalho reportado neste artigo.

8. REFERÊNCIAS