Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/249991 |
Resumo: | O Brasil é o país na América Latina com maior número de deslizamentos fatais provocados por precipitação. Neste trabalho, modela-se a suscetibilidade e os limiares de precipitação antecedente espacializados para ocorrência de deslizamentos de terra, a partir do desenvolvimento e aplicação de modelos baseados em Redes Neurais Artificiais (RNA). A modelagem é feita no âmbito da unidade geomorfológica da Serra Geral, com base em seis eventos passados cujas cicatrizes foram mapeadas com base em imagens de sensoriamento remoto. Os atributos do terreno utilizados como variáveis de entrada dos modelos foram obtidos a partir de um Modelo Digital de Elevação (MDE). O uso dos atributos reprojetados sobre os oito primeiros Componentes Principais acelerou o treinamento das RNAs, mas diminuiu a performance dos modelos. A pesquisa de métodos para a escolha dos locais para a extração das amostras de não-ocorrência proporcionou orientação importante para a composição da amostragem de treinamento dos modelos. O mapeamento da suscetibilidade também foi executado utilizando outros dois métodos de Aprendizagem de Máquina, Sistemas de Inferência Difusos (Fuzzy) (FIS) e Florestas Aleatórias, com bons resultados. Por fim, foram modelados conjuntamente a suscetibilidade a deslizamentos e os limiares de precipitação para a região de estudo, utilizando RNAs de múltiplas saídas treinadas com validação cruzada espacial, com resultados satisfatórios (AUC = 0,90, MEA = 32,77 mm, representando 25,99%). A transferibilidade do modelo de suscetibilidade foi analisada em uma bacia na mesma formação cujos dados não foram utilizados na modelagem, apresentando um AUC de 0,96. |
id |
URGS_01822461a5c0543c3e77fd98b1cdf760 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/249991 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Lucchese, Luisa VieiraPedrollo, Olavo CorreaOliveira, Guilherme Garcia de2022-10-19T04:47:55Z2022http://hdl.handle.net/10183/249991001152008O Brasil é o país na América Latina com maior número de deslizamentos fatais provocados por precipitação. Neste trabalho, modela-se a suscetibilidade e os limiares de precipitação antecedente espacializados para ocorrência de deslizamentos de terra, a partir do desenvolvimento e aplicação de modelos baseados em Redes Neurais Artificiais (RNA). A modelagem é feita no âmbito da unidade geomorfológica da Serra Geral, com base em seis eventos passados cujas cicatrizes foram mapeadas com base em imagens de sensoriamento remoto. Os atributos do terreno utilizados como variáveis de entrada dos modelos foram obtidos a partir de um Modelo Digital de Elevação (MDE). O uso dos atributos reprojetados sobre os oito primeiros Componentes Principais acelerou o treinamento das RNAs, mas diminuiu a performance dos modelos. A pesquisa de métodos para a escolha dos locais para a extração das amostras de não-ocorrência proporcionou orientação importante para a composição da amostragem de treinamento dos modelos. O mapeamento da suscetibilidade também foi executado utilizando outros dois métodos de Aprendizagem de Máquina, Sistemas de Inferência Difusos (Fuzzy) (FIS) e Florestas Aleatórias, com bons resultados. Por fim, foram modelados conjuntamente a suscetibilidade a deslizamentos e os limiares de precipitação para a região de estudo, utilizando RNAs de múltiplas saídas treinadas com validação cruzada espacial, com resultados satisfatórios (AUC = 0,90, MEA = 32,77 mm, representando 25,99%). A transferibilidade do modelo de suscetibilidade foi analisada em uma bacia na mesma formação cujos dados não foram utilizados na modelagem, apresentando um AUC de 0,96.Brazil is the Latin American country that concentrates the highest number of deadly rainfall-induced landslides. In this Thesis, landslide susceptibility and spatialized precipitation thresholds for landslide occurrence are modeled based on the development and application of Artificial Neural Networks (ANN). The area of study is the Serra Geral geomorphological unit. The modeling is based on six past events from which scars were mapped based on remote sensing imagery. The terrain attributes used as input variables for the models were obtained from a Digital Elevation Model (DEM). The use of the first eight attributes that were reprojected on Principal Components accelerated the training of the ANNs but decreased the performance of the models. Methods for non-landslide sample selection were investigated, and the results obtained were an important base for composing the training samples in the remaining of this Thesis. Landslide susceptibility was modeled through two other Machine Learning methods, namely Fuzzy Inference Systems (FIS) and Random Forests, attaining good performance. Finally, we modeled the landslide susceptibility and precipitation thresholds concurrently for the entire study region using multiple-output ANNs trained with spatial cross-validation, with satisfactory results (AUC = 0.90, MEA = 32.77 mm, representing 25.99%). The transferability of the susceptibility model was analyzed in a basin within the same geological formation, from which data was not previously acquired for the models, attaining an AUC of 0.96.application/pdfporPrecipitaçãoDesastres naturaisDeslizamento de terraRedes neurais artificiaisLandslidesArtificial Neural NetworksNatural HazardsArtificial IntelligenceModelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal do Rio Grande do SulInstituto de Pesquisas HidráulicasPrograma de Pós-Graduação em Recursos Hídricos e Saneamento AmbientalPorto Alegre, BR-RS2022doutoradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001152008.pdf.txt001152008.pdf.txtExtracted Texttext/plain513464http://www.lume.ufrgs.br/bitstream/10183/249991/2/001152008.pdf.txtf51bdcad163763bb1a05ac04f60937aeMD52ORIGINAL001152008.pdfTexto completoapplication/pdf97034734http://www.lume.ufrgs.br/bitstream/10183/249991/1/001152008.pdf08c0418a4ed1911713b29bd6db01b573MD5110183/2499912022-10-20 04:43:45.14016oai:www.lume.ufrgs.br:10183/249991Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532022-10-20T07:43:45Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina |
title |
Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina |
spellingShingle |
Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina Lucchese, Luisa Vieira Precipitação Desastres naturais Deslizamento de terra Redes neurais artificiais Landslides Artificial Neural Networks Natural Hazards Artificial Intelligence |
title_short |
Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina |
title_full |
Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina |
title_fullStr |
Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina |
title_full_unstemmed |
Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina |
title_sort |
Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina |
author |
Lucchese, Luisa Vieira |
author_facet |
Lucchese, Luisa Vieira |
author_role |
author |
dc.contributor.author.fl_str_mv |
Lucchese, Luisa Vieira |
dc.contributor.advisor1.fl_str_mv |
Pedrollo, Olavo Correa |
dc.contributor.advisor-co1.fl_str_mv |
Oliveira, Guilherme Garcia de |
contributor_str_mv |
Pedrollo, Olavo Correa Oliveira, Guilherme Garcia de |
dc.subject.por.fl_str_mv |
Precipitação Desastres naturais Deslizamento de terra Redes neurais artificiais |
topic |
Precipitação Desastres naturais Deslizamento de terra Redes neurais artificiais Landslides Artificial Neural Networks Natural Hazards Artificial Intelligence |
dc.subject.eng.fl_str_mv |
Landslides Artificial Neural Networks Natural Hazards Artificial Intelligence |
description |
O Brasil é o país na América Latina com maior número de deslizamentos fatais provocados por precipitação. Neste trabalho, modela-se a suscetibilidade e os limiares de precipitação antecedente espacializados para ocorrência de deslizamentos de terra, a partir do desenvolvimento e aplicação de modelos baseados em Redes Neurais Artificiais (RNA). A modelagem é feita no âmbito da unidade geomorfológica da Serra Geral, com base em seis eventos passados cujas cicatrizes foram mapeadas com base em imagens de sensoriamento remoto. Os atributos do terreno utilizados como variáveis de entrada dos modelos foram obtidos a partir de um Modelo Digital de Elevação (MDE). O uso dos atributos reprojetados sobre os oito primeiros Componentes Principais acelerou o treinamento das RNAs, mas diminuiu a performance dos modelos. A pesquisa de métodos para a escolha dos locais para a extração das amostras de não-ocorrência proporcionou orientação importante para a composição da amostragem de treinamento dos modelos. O mapeamento da suscetibilidade também foi executado utilizando outros dois métodos de Aprendizagem de Máquina, Sistemas de Inferência Difusos (Fuzzy) (FIS) e Florestas Aleatórias, com bons resultados. Por fim, foram modelados conjuntamente a suscetibilidade a deslizamentos e os limiares de precipitação para a região de estudo, utilizando RNAs de múltiplas saídas treinadas com validação cruzada espacial, com resultados satisfatórios (AUC = 0,90, MEA = 32,77 mm, representando 25,99%). A transferibilidade do modelo de suscetibilidade foi analisada em uma bacia na mesma formação cujos dados não foram utilizados na modelagem, apresentando um AUC de 0,96. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-10-19T04:47:55Z |
dc.date.issued.fl_str_mv |
2022 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/249991 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001152008 |
url |
http://hdl.handle.net/10183/249991 |
identifier_str_mv |
001152008 |
dc.language.iso.fl_str_mv |
por |
language |
por |
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:Biblioteca Digital de Teses e Dissertações 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 |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/249991/2/001152008.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/249991/1/001152008.pdf |
bitstream.checksum.fl_str_mv |
f51bdcad163763bb1a05ac04f60937ae 08c0418a4ed1911713b29bd6db01b573 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085599877529600 |