Após um desastre natural de grandes proporções, algumas pessoas cujas casas foram destruídas permanecerão no local para reconstruí-las, enquanto outras se mudarão e estabelecerão novas vidas em outro lugar.

Comunidades inteiras são transformadas de maneiras que ainda não foram totalmente compreendidas. Elas são reconstruídas de forma equitativa ou as forças que favorecem o crescimento se transformam em uma espécie de "máquina de recuperação" que reinveste e reconstrói em benefício dos ricos?

No passado, os pesquisadores costumavam avaliar os impactos dos desastres naturais uma tempestade de cada vez e por curtos períodos de tempo, com foco nas mudanças populacionais em vez do ambiente construído, diz Tianyuan Huang, que concluiu seu doutorado em engenharia civil e ambiental e ciência da computação em Stanford no ano passado e agora trabalha para a Waymo.

Para superar essas limitações, Huang e seus colegas recorreram a dados históricos do Google Street View, que incluem fotos tiradas de praticamente todos os endereços nos Estados Unidos a cada um a três anos. "Esse conjunto de dados oferece uma oportunidade para um estudo em escala muito maior e de longo prazo sobre como o ambiente construído muda ao longo do tempo após eventos extremos", afirma Huang.

Os pesquisadores pediram ao GPT-4, o primeiro modelo multimodal disponível publicamente capaz de combinar visão e linguagem, para analisar os dados do Google Street View e avaliar o grau de recuperação de edifícios danificados por eventos climáticos extremos em 16 estados americanos entre 2011 e 2018.

As descobertas da equipe, apoiadas por um  crédito em nuvem do Instituto Stanford para IA Centrada no Ser Humano e agora publicadas na Nature , mostram que edifícios em áreas de baixa renda que foram visivelmente danificados após um desastre tinham muito mais probabilidade de se tornarem terrenos baldios por anos, enquanto edifícios danificados em áreas ricas tinham muito mais probabilidade de serem reconstruídos como estruturas maiores e mais robustas. "Após um desastre, as disparidades de renda são amplificadas", diz Huang. 

Os resultados corroboram a  hipótese da "máquina de recuperação" , que postula que, após um desastre, incorporadores, corretores de imóveis e banqueiros seguem suas inclinações pró-crescimento para reconstruir melhor do que nunca. É um impulso que tende a beneficiar pessoas com acesso a recursos financeiros ou que os controlam, enquanto negligencia as pessoas de baixa renda.

Segundo a coautora  Jackelyn Hwang , professora associada de sociologia na Escola de Humanidades e Ciências de Stanford e diretora do  Laboratório de Pesquisa Changing Cities , esta pesquisa mostra que o sistema de assistência em desastres do nosso país ajuda bairros mais ricos a se tornarem ainda mais ricos e a manterem o valor de seus imóveis, apesar de estarem localizados em áreas de risco climático. "As políticas atuais não estão funcionando tão bem para as comunidades pobres", afirma ela.

Huang já havia usado o conjunto de dados de imagens históricas do Google Street View para estudar a gentrificação urbana ao longo de um período de 16 anos. Para esse trabalho, ele treinou um modelo para reconhecer mudanças no ambiente construído. Mas quando ele e seus colegas lançaram seu projeto relacionado a desastres climáticos em 2023, eles tinham uma nova ferramenta à sua disposição: o GPT-4 da OpenAI. "Nós o usamos no segundo dia após o lançamento", diz Huang. 

A equipe primeiro solicitou ao GPT-4 que identificasse todos os edifícios visivelmente danificados após eventos extremos nos dados históricos do Google Street View, abrangendo mais de 106.000 propriedades com relatórios de danos da FEMA em 16 estados, entre 2007 e 2023. Uma verificação manual constatou que o GPT-4 apresentou 98% de precisão nessa tarefa e identificou mais de 17.000 edifícios visivelmente danificados.

A equipe então pediu ao GPT-4 para avaliar quantos dos prédios danificados se tornaram ou permaneceram terrenos baldios, foram reconstruídos no mesmo nível de antes do desastre ou foram reconstruídos maiores ou melhores do que eram antes. Comparado com avaliadores humanos, o GPT-4 teve 80% de precisão nessa tarefa. A equipe também validou essas descobertas com dados de satélite.

Os pesquisadores encontraram diferenças significativas nas taxas de reconstrução em setores censitários com diferentes níveis de renda mediana (baixa, média e alta). Em áreas de baixa renda, mais de 37% dos edifícios danificados que se tornaram terrenos baldios após um desastre permaneceram assim por anos, enquanto apenas 22% e 7% permaneceram nessa situação em áreas de renda média e alta, respectivamente. Por outro lado, quase 82% dos edifícios danificados foram reconstruídos em setores censitários de alta renda, em comparação com 56% e 33% em setores de renda média e baixa, respectivamente.

Análises adicionais dos beneficiários da assistência da FEMA por código postal mostraram que houve mais reconstruções em áreas onde mais pessoas possuíam seguro residencial e contra inundações. "Proprietários de imóveis em bairros pobres geralmente não têm seguro, o que significa que são muito menos propensos a reconstruir", diz Hwang.

Com o aumento da frequência de desastres, o custo do seguro tornou-se proibitivo para proprietários de imóveis de baixa renda, observa Huang. Essas constatações, segundo ele, apontam para a importância de fornecer subsídios para seguros. "Isso ajudaria muito no processo de recuperação."

Algumas pesquisas anteriores sugeriram que populações de baixa renda ou vulneráveis ficam presas no local após desastres naturais por não terem recursos para se deslocar. Essa teoria, chamada de retirada segmentada, tornou-se especialmente popular após o furacão Katrina, quando pessoas negras de baixa renda em Nova Orleans ficaram aparentemente presas em áreas baixas sujeitas a inundações, afirma Huang.

Mas o trabalho de Huang e seus colegas com o Google Street View apoia a teoria oposta: que incorporadoras imobiliárias e outras forças que favorecem o crescimento têm maior probabilidade de apoiar as elites mais ricas na reconstrução e até mesmo na melhoria de suas casas após um desastre, do que de fornecer esse apoio a bairros de baixa renda. Como resultado, mais pessoas de baixa renda abandonam suas propriedades.

Na visão de Hwang, há muito trabalho de engajamento comunitário a ser feito para encontrar a solução ideal para comunidades de baixa renda em áreas propensas a desastres climáticos. "As abordagens atuais para auxiliar na recuperação climática em bairros pobres não são equitativas."