Mapeamento de Suscetibilidade a Movimentos de Massa a partir de Redes Neurais Artificiais

Autores

  • Renata Pacheco Quevedo Universidade Federal do Rio Grande do Sul, Centro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologia, Programa de Pós-Graduação em Sensoriamento Remoto, Av. Bento Gonçalves 9500, 91501-970, Porto Alegre, RS, Brasil
  • Guilherme Garcia de Oliveira Universidade Federal do Rio Grande do Sul, Departamento Interdisciplinar, Rodovia RS 030 km 92, 11.700, 95590-000, Tramandaí, RS, Brasil
  • Laurindo Antonio Guasselli Universidade Federal do Rio Grande do Sul, Departamento de Geografia e Programa de Pós-Graduação em Geografia, Instituto de Geociências, UFRGS, Av. Bento Gonçalves 9500, 91501-970, Porto Alegre, RS, Brasil

DOI:

https://doi.org/10.11137/2020_2_128_138

Palavras-chave:

Parâmetros Morfométricos, ALOS-PALSAR, Bacia Hidrográfica do Rio Rolante

Resumo

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

2020-08-21

Edição

Seção

Artigos