Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão

• Autor(a) principal: Debastiani, Aline Bernarda
• Data de Publicação: 2013
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/10901
• topic: CNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL; Redes neurais (Computação); Inteligência artificial; Geomorfologia; Neural networks (Computer science); Artificial intelligence; Geomorphology

Os deslizamentos no mundo inteiro têm causado grandes perdas econômicas e sociais. Com o uso de geotecnologias associadas ao potencial de inteligência artificial acredita-se que se possa prevenir ou amenizar os impactos causados por tal evento. Este trabalho teve objetivo testar a técnica da rede neural artificial (RNA) para verificar se a mesma é capaz de aprender os padrões existentes nas áreas de risco, e se é possível aplicar este aprendizado para verificar áreas com potencial para desmoronar, tanto na mesma área quanto em outra com algumas características diferentes. Portanto, buscou-se junto aos órgãos competentes do estado por ocorrência de deslizamento e a sua localização espacial, além de informações referentes ao uso e ocupação do solo, imagem espectral, classe de solo, declividade, hidrografia, direção do fluxo e comprimento do fluxo do mesmo local de ocorrência dos eventos, estas informações foram atribuídas na camada de entrada da RNA. Para maximizar o desempenho de aprendizagem da RNA, foram verificadas diferentes arquiteturas empiricamente. O melhor resultado para o aprendizado correspondeu a 91,66% de acerto que foi passado para a simulação. A simulação foi aplicada para uma parte da área que foi utilizada como treinamento e para o município de Dois Vizinhos, que corresponde a uma área com características diferentes da área de treinamento. A RNA encontrou um modelo para os padrões das áreas de risco apresentados e verificou-se que esses padrões ocorrem também em diferentes regiões das quais a arquitetura da RNA foi treinada pois apresentam alguma semelhança em seus dados espectrais ou espaciais. Portanto, esses resultados podem auxiliar os órgãos gestores na tomada de decisão quanto a prevenção de áreas com potencial a risco de desmoronamento.