Show simple item record

dc.contributor.advisorGuasselli, Laurindo Antôniopt_BR
dc.contributor.authorQuevedo, Renata Pachecopt_BR
dc.date.accessioned2019-05-18T02:36:31Zpt_BR
dc.date.issued2019pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/194324pt_BR
dc.description.abstractOs movimentos de massa são fenômenos naturais que, ao atingir um conjunto social, pode vir a causar danos e prejuízos. No Brasil, foram os principais desencadeantes de desastres com registro de óbitos entre os anos de 1991 e 2012. Nesse sentido, o mapeamento de áreas suscetíveis a movimentos de massa atua como uma importante ferramenta para os gestores locais, a fim de localizar as áreas mais suscetíveis e a pensar estratégias para mitigar riscos. As redes neurais artificiais (RNA) e o Random Forest (RF) 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 analisar diferentes técnicas para modelar e mapear áreas suscetíveis a movimentos de massa na Bacia Hidrográfica do Rio Rolante. Foram utilizados RNA e RF, considerando como dados de entrada sete atributos do terreno extraídos dos modelos digitais de elevação (MDE) ALOS-PALSAR (AP) e ASTER (AS): elevação, declividade, curvaturas longitudinal e vertical, relevo sombreado, fator LS e profundidade do vale. As amostras foram compostas de áreas de ocorrência e de não ocorrência de movimentos de massa. Amostras de não ocorrência foram obtidas a partir de duas áreas amostrais distintas (restritiva/abrangente) e de ocorrência foram extraídas por elaboração de inventário de cicatrizes. Foram realizados processos de reamostragem do conjunto de treinamento, a fim de diminuir o tempo e a exigência de capacidade do processamento. De modo geral, os atributos do terreno que apresentaram maior importância foram: elevação, declividade, fator LS e profundidade do vale. Em contrapartida, os menos relevantes foram as curvaturas. Ressalta-se que quando há dois parâmetros com informações similares, como declividade e fator LS, a tendência é que um apresente maior importância, enquanto o outro apresente um valor menor de relevância. Foi observado que a restrição de área para coleta de amostras aleatórias de não ocorrência pode afetar a capacidade de generalização do modelo. Pode-se concluir que a redução do conjunto amostral de treinamento diminui o tempo de processamento, sem interferir significativamente na acurácia. Todas as configurações de modelos resultaram em acurácias entre 0,88 e 0,94, demonstrando que os modelos RNA e RF, combinados com os MDEs AP e AS, atendem ao objetivo de identificar áreas suscetíveis a movimentos de massa.pt_BR
dc.description.abstractLos movimientos de masa son fenómenos naturales que, al alcanzar un conjunto social, pueden causar daños y perjuicios. En Brasil, han sido los principales responsables por la ocurrencia de desastres con registro de muertes entre los años 1991 y 2012. En este sentido, el mapeo de de áreas susceptibles a movimientos de masa actúa como una importante herramienta para los gestores locales, a fin de ubicar las áreas más susceptibles y pensar en estrategias para mitigar los riesgos. Redes neuronales artificiales (RNA) y Random Forest (RF) se han destacado en la modelización y mapeo de susceptibilidad debido a su elevada precisión, capacidad de aprendizaje y generalización de los resultados. Este estudio ha objetivado analizar diferentes técnicas para modelizar y mapear áreas susceptibles a movimientos de masa en la cuenca del río Rolante. Han sido utilizados RNA y RF, y considerados como datos de entrada siete atributos del terreno extraídos de los Modelos Digitales de Elevación (MDE) ALOS-PALSAR (AP) y ASTER (AS): elevación, declividad, curvas horizontales y verticales, relieve sombreado, factor-LS y profundidad del valle. Las muestras han sido compuestas por áreas de ocurrencia y de no ocurrencia de movimientos de masa. Muestras de no ocurrencia han sido obtenidas por dos áreas de muestreo distintas (restrictiva/amplia) y de ocurrencia han sido extraídas por elaboración de inventario de cicatrices. Han sido realizados dos procesos de reducción de muestreo para el conjunto de entrenamiento, para disminuir el tiempo y la exigencia de capacidad de procesamiento. En general, los atributos de terreno que presentaron más gran importancia han sido: elevación, declividad, factor-LS y profundidad del valle, los menos pertinentes han sido las curvas. Destacase que cuando hay dos parámetros con informaciones similares, como la declividad y el factor-LS, la tendencia es que uno de ellos presente más gran importancia, mientras tanto el otro presente valor menor de pertinencia. Se ha observado que el área restrictiva para la selección de muestras aleatorias de no ocurrencia puede afectar la capacidad de generalización del modelo. Se concluye que la reducción del conjunto de muestreo de entrenamiento disminuye el tiempo de procesamiento, sin afectar de manera significativa la precisión. Todas las configuraciones de modelos resultaron en precisiones (AUC) entre 0,88 y 0,94, demostrando que los modelos RNA y RF, sumados a los MDEs AP y AS, cumple el objetivo de identificar las áreas susceptibles a movimientos de masa.es
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectALOS-PALSARes
dc.subjectSensoriamento remotopt_BR
dc.subjectModelo digital de elevaçãopt_BR
dc.subjectCuenca del Río Rolantees
dc.subjectRandom Foresten
dc.subjectMovimentos de massapt_BR
dc.subjectRedes Neuronales Artificialeses
dc.subjectASTER GDEMes
dc.titleMapeamento de suscetibilidade a movimentos de massa a partir de aprendizado de máquinapt_BR
dc.typeDissertaçãopt_BR
dc.contributor.advisor-coOliveira, Guilherme Garcia dept_BR
dc.identifier.nrb001093249pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentCentro Estadual de Pesquisas em Sensoriamento Remoto e Meteorologiapt_BR
dc.degree.programPrograma de Pós-Graduação em Sensoriamento Remotopt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2019pt_BR
dc.degree.levelmestradopt_BR


Files in this item

Thumbnail
   

This item is licensed under a Creative Commons License

Show simple item record