Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/214996 |
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. |
id |
UFRGS-2_0d18cfdfbeab3798baa07746c469c493 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/214996 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Quevedo, Renata PachecoOliveira, Guilherme Garcia deGuasselli, Laurindo Antônio2020-11-12T04:11:57Z20200101-9759http://hdl.handle.net/10183/214996001117507Os 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.Landslides are one of the main phenomena responsible for natural disasters in Brazil. Mapping can assess the spatial planning of susceptible areas. Artificial neural networks (ANN) stand out the susceptibility modeling and mapping by their high accuracy, as well as capacity learning and generalizing their results. Thus, this study aimed to map susceptible areas to landslides, considering four different sample sets, from an ANN model. For this, an inventory of landslides was drawn, with terrain attributes extracted and their importance to models analyzed, sample sets were organized according to two sample areas and two resampling processes, training, validation and test of the predictive models, followed by reclassification and spatialization of the susceptible areas. The were identified 297 landslides scars, covering a total area of 1.06 km². The most important predictive variables were elevation, slope, LS factor and valley depth. It was observed that the restriction of area for random sampling of non-occurrence may affect the model generalization capacity, while the reduction of the training sample set decreases the processing time, without significantly interfering with the accuracy. The ANN were able to model the susceptible areas, with mapping accuracy near or greater than 0.9.application/pdfporAnuario do Instituto de Geociencias. Rio de Janeiro. Vol. 43, n. 2 (2020), p. 128-138Área de riscoCicatrizes de escorregamentosRolante, Rio (RS)Morphometric ParametersALOS-PALSARRolante River BasinMapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiaisLandslide susceptibility mapping using artificial neural networks info:eu-repo/semantics/articleinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001117507.pdf.txt001117507.pdf.txtExtracted Texttext/plain31837http://www.lume.ufrgs.br/bitstream/10183/214996/2/001117507.pdf.txt7287615191bf9652d1013151b3b4cdb2MD52ORIGINAL001117507.pdfTexto completoapplication/pdf665874http://www.lume.ufrgs.br/bitstream/10183/214996/1/001117507.pdfab8cb500627afab6e0336f18cead8e6fMD5110183/2149962021-05-07 05:07:46.329591oai:www.lume.ufrgs.br:10183/214996Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2021-05-07T08:07:46Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais |
dc.title.alternative.en.fl_str_mv |
Landslide susceptibility mapping using artificial neural networks |
title |
Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais |
spellingShingle |
Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais Quevedo, Renata Pacheco Área de risco Cicatrizes de escorregamentos Rolante, Rio (RS) Morphometric Parameters ALOS-PALSAR Rolante River Basin |
title_short |
Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais |
title_full |
Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais |
title_fullStr |
Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais |
title_full_unstemmed |
Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais |
title_sort |
Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais |
author |
Quevedo, Renata Pacheco |
author_facet |
Quevedo, Renata Pacheco Oliveira, Guilherme Garcia de Guasselli, Laurindo Antônio |
author_role |
author |
author2 |
Oliveira, Guilherme Garcia de Guasselli, Laurindo Antônio |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Quevedo, Renata Pacheco Oliveira, Guilherme Garcia de Guasselli, Laurindo Antônio |
dc.subject.por.fl_str_mv |
Área de risco Cicatrizes de escorregamentos Rolante, Rio (RS) |
topic |
Área de risco Cicatrizes de escorregamentos Rolante, Rio (RS) Morphometric Parameters ALOS-PALSAR Rolante River Basin |
dc.subject.eng.fl_str_mv |
Morphometric Parameters ALOS-PALSAR Rolante River Basin |
description |
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. |
publishDate |
2020 |
dc.date.accessioned.fl_str_mv |
2020-11-12T04:11:57Z |
dc.date.issued.fl_str_mv |
2020 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/other |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/214996 |
dc.identifier.issn.pt_BR.fl_str_mv |
0101-9759 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001117507 |
identifier_str_mv |
0101-9759 001117507 |
url |
http://hdl.handle.net/10183/214996 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.ispartof.pt_BR.fl_str_mv |
Anuario do Instituto de Geociencias. Rio de Janeiro. Vol. 43, n. 2 (2020), p. 128-138 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/214996/2/001117507.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/214996/1/001117507.pdf |
bitstream.checksum.fl_str_mv |
7287615191bf9652d1013151b3b4cdb2 ab8cb500627afab6e0336f18cead8e6f |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801225001158836224 |