Mapeamento de Suscetibilidade a Movimentos de Massa a partir de Redes Neurais Artificiais
DOI:
https://doi.org/10.11137/2020_2_128_138Palavras-chave:
Parâmetros Morfométricos, ALOS-PALSAR, Bacia Hidrográfica do Rio RolanteResumo
Os movimentos de massa são um dos principais fenômenos responsáveis por desastres naturais no Brasil. O mapeamento pode auxiliar no ordenamento territorial das áreas suscetíveis. As redes neurais artificiais se destacam na modelagem e mapeamento de suscetibilidade por sua elevada acurácia, capacidade de aprendizagem e generalização dos resultados. Assim, este estudo teve como objetivo mapear áreas suscetíveis a movimentos de massa, considerando quatro conjuntos amostrais, a partir de um modelo de RNA. Para tal, foi elaborado um inventário de cicatrizes, extraídos atributos do terreno e analisados conforme sua importância para os modelos, organizados os conjuntos amostrais conforme duas áreas amostrais e dois processos de reamostragem, realizados treinamentos, validação e teste dos modelos, e reclassificação e espacialização das áreas suscetíveis. Foram identificadas 297 cicatrizes de movimentos de massa, as quais cobriram uma área de 1,06 km². As variáveis preditivas que apresentaram maior importância foram a elevação, seguida pela declividade, fator LS e profundidade do vale. Foi observado que a restrição de área para coleta de amostras aleatórias de não ocorrência pode afetar a capacidade de generalização do modelo, enquanto a redução do conjunto amostral de treinamento diminui o tempo de processamento, sem interferir significativamente na acurácia. Pode-se concluir que as RNA se mostraram capazes de modelar as áreas suscetíveis, com acurácia no mapeamento próximas ou superiores a 0,9.
Referências
Aditian, A.; Kubota, T. & Shinohara, Y. 2018. Comparison
of GIS-based landslide susceptibility models using
frequency ratio, logistic regression, and artificial
neural network in a tertiary region of Ambon,
Indonesia. Geomorphology, 318: 101-111.
CEPED UFSC. 2013. Atlas Brasileiro de Desastres Naturais
– 1991 a 2012. Volume Brasil. Centro Universitário
de Estudos e Pesquisas sobre Desastres, Universidade
Federal de Santa Catarina. 2ed. rev. amp. Florianópolis,
CEPED UFSC, 127 p.
Dai, F.C. & Lee, C.F. 2002. Landslide characteristics and slope
instability modeling using GIS, Lantau Island, Hong
Kong. Geomorphology, 42: 213-228.
Dou, J.; Yamagashi, H.; Pourghasemi, H.R.; Yunus, A.P.; Song,
X.; Xu, Y. & Zhu, Z. 2015. An integrated artificial
neural network model for landslide susceptibility
assessment of Osado Island, Japan. Natural Hazards,
: 1749-1776.
Fawcett, T. 2006. An introduction to ROC analysis. Pattern
Recognition Letters, 27(8): 861–874.
Garcia-Urquia, E. & Yamagishi, H. 2017. Landslide Susceptibility Mapping Based on Aerial Photograph Interpretation Inventory for Tegucigalpa, Honduras: An
Application of the Matrix Method. In: YAMAGASHI,
H. & BHANDARY, N.P. (ed.). GIS Landslide.
Springer, Tokyo, p. 163-181.
Gameiro, S.; Quevedo, R.P.; Oliveira, G.G.; Ruiz, L.F.C. &
Guasselli, L.A. 2019. Análise e correlação de atributos
morfométricos e sua influência nos movimentos de
massa ocorridos na Bacia do Rio Rolante, RS. In:
SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO XIX, Santos, 2019. Anais do XIX Simpósio
Brasileiro de Sensoriamento Remoto, Santos, INPE, v.
, p. 2880-2883.
Jensen, J.R. 2005. Introductory digital image processing:
a remote sensing perspective. 3 ed., New Jersey,
Prentice-Hall, 526p.
Kawabata, D. & Bandibas, J. 2009. Landslide susceptibility
mapping using geological data, a DEM from ASTER
images and an Artificial Neural Network (ANN).
Geomorphology, 113: 97-109.
Lajas, S.M.A. 2016. Integração de métodos estatístico e
determinístico para a avaliação da suscetibilidade a
deslizamentos superficiais. Instituto de Geografia e
Ordenamento do Território, Universidade de Lisboa,
Dissertação de Mestrado, 170p.
Le, Q.H.; Nguyen, T.H.V.; Do, M.D.; Le, T.C.H.; Pham, V.S.;
Nguyen, H.K. & Luu, T.B. 2018. TXT-tool 1.084-3.1:
Landslide Susceptibility Mapping at a Regional
Scale in Vietnam. In: SASSA, K.; GUZZETTI, F.;
YAMAGASHI, H.; ARBANAS, Z.; CASAGLI, N.;
MCSAVENEY, M. & DANG, K. (ed.). Landslide
Dynamics: ISDR-ICL Landslide Interactive Teaching
Tools. Springer, p. 161-174.
Meinhardt, M.; Fink, M. & Tünschel, H. 2015. Landslide
susceptibility analysis in central Vietnam based on an
incomplete landslide inventory: Comparison of a new
method to calculate weighting factors by means of
bivariate statistics. Geomorphology, 234: 80-97.
Meten, M.; Prakashbhandary, N. & Yatabe, R. 2015. Effect
of Landslide Factor Combinations on the Prediction
Accuracy of Landslide Susceptibility Maps in the Blue
Nile Gorge of Central Ethiopia. Geoenvironmental
Disasters, 2(9): 1- 17.
Mokhtari, M. & Abedian, S. 2019. Spatial prediction of landslide
susceptibility in Taleghan basin, Iran. Stochastic
Environmental Research and Risk Assessment, 33:
-1325.
Oliveira, G.G.; Pedrollo, O.C. & Castro, N.M. 2015. Simplifying
artificial neural network models of river basin behaviour
by an automated procedure for input variable selection.
Engineering Applications of Artificial Intelligence, 40:
-61.
Oliveira, G.G.; Ruiz, L.F.C.; Guasselli, L.A. & Haetinger, C.
Random forest and artificial neural networks in
landslide susceptibility modeling: a case study of the
Fão River Basin, Southern Brazil. Natural Hazards,
(2): 1049-1073.
Pradhan, B. & Lee, S. 2010. Regional landslide susceptibility
analysis using backpropagation neural network model
at Cameron Highland, Malaysia. Landslides, 7: 13-30.
Pourghasemi, H.R.; Kornejady, A.; Kerle, N. & Shabani, F. 2020.
Investigating the effects of different landslide positioning
techniques, landslide partitioning approaches, and
presence-absence balances on landslide susceptibility
mapping. Catena, 187: 104364.
Quevedo, R.P.; Guasselli, L.A.; Oliveira, G.G. & Ruizm L.F.C.
Modelagem de áreas suscetíveis a movimentos
de massa: avaliação comparativa de técnicas de
amostragem, aprendizado de máquina e modelos digitais
de elevação. Geociências, 39(3): 781-795.
Riffel, E.S.; Ruiz, L.F.C. & Guasselli, L.A. 2016. Mapeamento
de suscetibilidade a deslizamentos a partir de Mineração
de Dados e do modelo SHALSTAB. Revista Brasileira
de Cartografia, Especial Movimentos de Massa e
Processos Erosivos, 68(9): 1805-1818.
Rossato, M.S. 2011. Os Climas do Rio Grande do Sul: variabilidade, tendências e tipologia. Programa de Pós-Graduação em Geografia, Universidade Federal do Rio
Grande do Sul. Tese de Doutorado, 253p.
Rumelhart, D.E.; Hinton, G.E. & Williams, R.J. 1986. Learning
representations by back-propagating errors. Nature,
: 533-536.
SEMA. 2017. Diagnóstico Preliminar: Descritivo dos eventos
ocorridos no dia 5 de janeiro de 2017 entre as regiões
dos municípios de São Francisco de Paula e Rolante/RS.
Secretaria do Ambiente e Desenvolvimento Sustentável,
Porto Alegre, 26p.
Widrow, B. & Hoff, M.E. 1960. Adaptive Switching Circuits. In:
IRE WESCON CONVENTION RECORD, New
York, 1960, IRE Part, p. 96-104.
Wischmeier, E.H. & Smith, D.D. 1978. Predicting rainfall erosion
lossess: a guide to conservation planning. Washington
D.C., USDA, Agriculture Research Service. 58p.
Zêzere, J.L.; Pereira, S.; Melo, R.; Oliveira, S.C. & Garcia,
R.A.C. 2017. Mapping landslide susceptibility using
data-driven methods. Science of the Total Environment,
: 250-267.
Downloads
Publicado
Edição
Seção
Licença
Os artigos publicados nesta revista se encontram sob a llicença Creative Commons — Atribuição 4.0 Internacional — CC BY 4.0, que permite o uso, distribuição e reprodução em qualquer meio, contanto que o trabalho original seja devidamente citado.
Exceto onde indicado de outra forma, o conteúdo deste site é licenciado sob uma licença 