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

Detalhes bibliográficos
Autor(a) principal: Quevedo, Renata Pacheco
Data de Publicação: 2020
Outros Autores: Oliveira, Guilherme Garcia de, Guasselli, Laurindo Antonio
Tipo de documento: Artigo
Idioma: por
Título da fonte: Anuário do Instituto de Geociências (Online)
Texto Completo: https://revistas.ufrj.br/index.php/aigeo/article/view/37217
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 UFRJ-21_d984b1d16988874c8972d2d37c367bcc
oai_identifier_str oai:www.revistas.ufrj.br:article/37217
network_acronym_str UFRJ-21
network_name_str Anuário do Instituto de Geociências (Online)
repository_id_str
spelling Mapeamento de Suscetibilidade a Movimentos de Massa a partir de Redes Neurais ArtificiaisParâmetros Morfométricos; ALOS-PALSAR; Bacia Hidrográfica do Rio RolanteOs 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.Universidade Federal do Rio de JaneiroQuevedo, Renata PachecoOliveira, Guilherme Garcia deGuasselli, Laurindo Antonio2020-08-21info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ufrj.br/index.php/aigeo/article/view/3721710.11137/2020_2_128_138Anuário do Instituto de Geociências; Vol 43, No 2 (2020); 128_138Anuário do Instituto de Geociências; Vol 43, No 2 (2020); 128_1381982-39080101-9759reponame:Anuário do Instituto de Geociências (Online)instname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJporhttps://revistas.ufrj.br/index.php/aigeo/article/view/37217/pdf/*ref*/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, 78: 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. 17, 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: 1297-1325. 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: 47-61. Oliveira, G.G.; Ruiz, L.F.C.; Guasselli, L.A. & Haetinger, C. 2019. Random forest and artificial neural networks in landslide susceptibility modeling: a case study of the Fão River Basin, Southern Brazil. Natural Hazards, 99(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. 2019. 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, 323: 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: 1960 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, 589: 250-267.Copyright (c) 2020 Anuário do Instituto de Geociênciashttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2020-09-21T10:59:44Zoai:www.revistas.ufrj.br:article/37217Revistahttps://revistas.ufrj.br/index.php/aigeo/indexPUBhttps://revistas.ufrj.br/index.php/aigeo/oaianuario@igeo.ufrj.br||1982-39080101-9759opendoar:2020-09-21T10:59:44Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Mapeamento de Suscetibilidade a Movimentos de Massa a partir de Redes Neurais Artificiais
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
Parâmetros Morfométricos; ALOS-PALSAR; Bacia Hidrográfica do Rio Rolante
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 Antonio
author_role author
author2 Oliveira, Guilherme Garcia de
Guasselli, Laurindo Antonio
author2_role author
author
dc.contributor.none.fl_str_mv
dc.contributor.author.fl_str_mv Quevedo, Renata Pacheco
Oliveira, Guilherme Garcia de
Guasselli, Laurindo Antonio
dc.subject.por.fl_str_mv Parâmetros Morfométricos; ALOS-PALSAR; Bacia Hidrográfica do Rio Rolante
topic Parâmetros Morfométricos; ALOS-PALSAR; Bacia Hidrográfica do Rio Rolante
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.none.fl_str_mv 2020-08-21
dc.type.none.fl_str_mv

dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/37217
10.11137/2020_2_128_138
url https://revistas.ufrj.br/index.php/aigeo/article/view/37217
identifier_str_mv 10.11137/2020_2_128_138
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/37217/pdf
/*ref*/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, 78: 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. 17, 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: 1297-1325. 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: 47-61. Oliveira, G.G.; Ruiz, L.F.C.; Guasselli, L.A. & Haetinger, C. 2019. Random forest and artificial neural networks in landslide susceptibility modeling: a case study of the Fão River Basin, Southern Brazil. Natural Hazards, 99(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. 2019. 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, 323: 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: 1960 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, 589: 250-267.
dc.rights.driver.fl_str_mv Copyright (c) 2020 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2020 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.source.none.fl_str_mv Anuário do Instituto de Geociências; Vol 43, No 2 (2020); 128_138
Anuário do Instituto de Geociências; Vol 43, No 2 (2020); 128_138
1982-3908
0101-9759
reponame:Anuário do Instituto de Geociências (Online)
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Anuário do Instituto de Geociências (Online)
collection Anuário do Instituto de Geociências (Online)
repository.name.fl_str_mv Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv anuario@igeo.ufrj.br||
_version_ 1797053537478246401

Registros relacionados