Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UTFPR-12_49e9016765d5201b0e14aee624c58afc |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/10901 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2020-11-13T12:23:17Z2020-11-13T12:23:17Z2013-03-27DEBASTIANI, Aline Bernarda. Predição de áreas de riscos de deslizamento usando a rede neural artificial como critério de decisão. 2013. 71 f. Trabalho de Conclusão de Curso (Graduação) - Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2013.http://repositorio.utfpr.edu.br/jspui/handle/1/10901Os 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.Landslides all over the world have been causing big losses both economically and in lives. With the use of geotechnologies associated to the potential of the artificial intelligence is believed that it is possible to prevent or mitigate the impacts caused by such event. The objective is to test the ANN technique to verify if it is able to learn the existent patterns in the risk areas, and if it is possible to apply this learning to verify areas with landslide potential, both in the same area as in another one with some different characteristics. For this, was researched with the competent organs of the estate for the occurrence of landslides and its spatial location, information about the use and occupancy of the land, spectral image, land class, slope, hydrography, direction and length of the flow in the same place of the events occurrence. The information was introduced in the input layer of the ANN. To maximize the ANN learning rate, different architectures were verified empirically. The best result for the learning corresponded to 91.66% of success that was passed to the simulation. The simulation was applied in a part of the area that was used for training and for the city of Dois Vizinhos, that corresponds to an area with different characteristics from the training area. The ANN found a model for the patterns of the risk areas presented and was verified that these patterns also happens in different regions from those where the ANN architecture was trained because they have some similarities in their spectral or spatial data. Therefore, these results can help the managing organs in the decision making regarding to the prevention in areas with potential landslide risk.Fundação AraucáriaporUniversidade Tecnológica Federal do ParanáDois VizinhosCurso de Engenharia FlorestalUTFPRBrasilCNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTALRedes neurais (Computação)Inteligência artificialGeomorfologiaNeural networks (Computer science)Artificial intelligenceGeomorphologyPredição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisãoPrediction of landslide risk areas using artificial neural network as decision criterioninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisDois VizinhosBotelho, Mosar FariaBotelho, Mosar FariaMiranda, Fabiani das Dores AbatiSartor, Laercio RicardoDebastiani, Aline Bernardainfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRLICENSElicense.txttext/plain1290http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10901/1/license.txtb9d82215ab23456fa2d8b49c5df1b95bMD51ORIGINALDV_COENF_2012_2_02.pdfapplication/pdf4550234http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10901/2/DV_COENF_2012_2_02.pdf5c1f38dc5ef5bf53df7e72e7181dffacMD52TEXTDV_COENF_2012_2_02.pdf.txtExtracted texttext/plain111586http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10901/3/DV_COENF_2012_2_02.pdf.txt777e9f26b381a826358891cfb0fea506MD53THUMBNAILDV_COENF_2012_2_02.pdf.jpgGenerated Thumbnailimage/jpeg1264http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10901/4/DV_COENF_2012_2_02.pdf.jpg1b22d4e587f62577719662fc67af70b6MD541/109012020-11-13 10:23:17.963oai:repositorio.utfpr.edu.br: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ório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2020-11-13T12:23:17Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão |
dc.title.alternative.pt_BR.fl_str_mv |
Prediction of landslide risk areas using artificial neural network as decision criterion |
title |
Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão |
spellingShingle |
Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão Debastiani, Aline Bernarda CNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL Redes neurais (Computação) Inteligência artificial Geomorfologia Neural networks (Computer science) Artificial intelligence Geomorphology |
title_short |
Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão |
title_full |
Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão |
title_fullStr |
Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão |
title_full_unstemmed |
Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão |
title_sort |
Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão |
author |
Debastiani, Aline Bernarda |
author_facet |
Debastiani, Aline Bernarda |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Botelho, Mosar Faria |
dc.contributor.referee1.fl_str_mv |
Botelho, Mosar Faria |
dc.contributor.referee2.fl_str_mv |
Miranda, Fabiani das Dores Abati |
dc.contributor.referee3.fl_str_mv |
Sartor, Laercio Ricardo |
dc.contributor.author.fl_str_mv |
Debastiani, Aline Bernarda |
contributor_str_mv |
Botelho, Mosar Faria Botelho, Mosar Faria Miranda, Fabiani das Dores Abati Sartor, Laercio Ricardo |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL |
topic |
CNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL Redes neurais (Computação) Inteligência artificial Geomorfologia Neural networks (Computer science) Artificial intelligence Geomorphology |
dc.subject.por.fl_str_mv |
Redes neurais (Computação) Inteligência artificial Geomorfologia Neural networks (Computer science) Artificial intelligence Geomorphology |
description |
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. |
publishDate |
2013 |
dc.date.issued.fl_str_mv |
2013-03-27 |
dc.date.accessioned.fl_str_mv |
2020-11-13T12:23:17Z |
dc.date.available.fl_str_mv |
2020-11-13T12:23:17Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
DEBASTIANI, Aline Bernarda. Predição de áreas de riscos de deslizamento usando a rede neural artificial como critério de decisão. 2013. 71 f. Trabalho de Conclusão de Curso (Graduação) - Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2013. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/10901 |
identifier_str_mv |
DEBASTIANI, Aline Bernarda. Predição de áreas de riscos de deslizamento usando a rede neural artificial como critério de decisão. 2013. 71 f. Trabalho de Conclusão de Curso (Graduação) - Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2013. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/10901 |
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.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Dois Vizinhos |
dc.publisher.program.fl_str_mv |
Curso de Engenharia Florestal |
dc.publisher.initials.fl_str_mv |
UTFPR |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Dois Vizinhos |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10901/1/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10901/2/DV_COENF_2012_2_02.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10901/3/DV_COENF_2012_2_02.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/10901/4/DV_COENF_2012_2_02.pdf.jpg |
bitstream.checksum.fl_str_mv |
b9d82215ab23456fa2d8b49c5df1b95b 5c1f38dc5ef5bf53df7e72e7181dffac 777e9f26b381a826358891cfb0fea506 1b22d4e587f62577719662fc67af70b6 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1805922902773596160 |