Capacidade de generalização e extrapolação espacial de redes neurais artificiais no mapeamento a sucetibilidade de deslizamentos

Abstract

Os deslizamentos de terra podem provocar sérias consequências ambientais, econômicas e sociais. O primeiro passo para a mitigação desses deslizamentos é o mapeamento da suscetibilidade. Entre as diversas técnicas que são atualmente utilizadas para esse mapeamento, destacam-se as redes neurais artificiais (RNA), sendo considerado um dos métodos mais precisos para essa finalidade. Como um dos principais fatores que podem influenciar no desempenho do modelo de RNA e de seus mapas resultantes, afetando ainda sua capacidade de generalização e extrapolação, destaca-se a amostragem. Pensando nisto, esta dissertação tem o intuito de avaliar a influência do processo de amostragem no resultado final dos modelos de suscetibilidade a deslizamentos e como esse processo pode interferir na generalização e extrapolação dos modelos de RNA. Para tal, utilizou-se 16 atributos morfométricos de terreno e confeccionou-se um inventário de cicatrizes de deslizamento utilizando 5 diferentes áreas presentes na Serra Geral do Sul do Brasil. A partir desse inventário, foram criadas as amostras de ocorrência de deslizamento. O mesmo número de amostras foi criado aleatoriamente para serem amostras de não ocorrência, porém, para essas amostras, utilizou-se limitações de distâncias (buffers) a fim de se analisar a influência exercida por essa distância nos modelos. No treinamento da rede, o qual utilizou-se do algoritmo retropropagativo, foram usadas, primeiramente, amostras de cada área e, posteriormente, um conjunto de todas as áreas juntas, para se analisar como o modelo se comportaria com o uso de amostras de múltiplos eventos de deslizamentos em comparação com eventos separados. Finalmente, ainda se avaliou a importância de cada variável independente (atributos morfométricos) com relação aos melhores modelos de suscetibilidade gerados. Na análise da distância, os modelos que utilizaram amostras de não ocorrência mais distantes (40 km) foram os que obtiveram maiores acurácias. Isso aconteceu pelo fato de que quanto maiores as distâncias, mais compartimentos do relevo são utilizados para amostras de não ocorrência, o que facilita o processo de modelagem pela RNA. Analisando as amostras de eventos separados e múltiplos eventos, notou-se a maior acurácia e capacidade de extrapolação para os múltiplos eventos, atingindo acurácias de 0,95, contra 0,93 dos que utilizaram apenas um único evento. Essa capacidade se dá pela maior variação e amplitude dos dados utilizados para treinar o modelo, fazendo com que as amostras de treinamento atingem valores mais significativos de toda a Serra Geral e não de apenas uma área específica dentro da Serra. Na relação dos atributos, percebeu-se que os mais importantes foram a declividade, o fator LS, a profundidade de vale com índices de relação linear maiores do que 0,36. Entretanto a elevação ainda demonstrou ser um fator de relevância para a modelagem de suscetibilidade a deslizamentos, mesmo com valores mais baixos de relação, principalmente quando utilizado somente um evento de deslizamento para o treinamento da rede.

Landslides can have serious environmental, economic and social consequences. The first step in mitigating these landslides is the mapping of susceptibility. Among the various techniques that are currently used for this mapping, artificial neural networks (ANN) stand out, being considered one of the most accurate methods for this purpose. As one of the main factors that can influence the performance of the RNA model and its resulting maps, also affecting its ability to generalize and extrapolate, sampling stands out. With this in mind, this dissertation aims to evaluate the influence of the sampling process on the final result of the slide susceptibility models and how this process can interfere in the generalization and extrapolation of the RNA models. To this end, 16 terrain morphometric attributes were used and an inventory of sliding scars was made using 5 different areas present in the Serra Geral do Sul do Brasil. From this inventory, samples of slip occurrence were created. The same number of samples was created randomly to be non-occurrence samples, however, for these samples, limitations of distances (buffers) were used in order to analyze the influence exerted by this distance on the models. In the training of the network, which used the retropropagative algorithm, samples of each area were used first and, subsequently, a set of all areas together, to analyze how the model would behave with the use of multiple samples. slip events compared to separate events. Finally, the importance of each independent variable (morphometric attributes) was also evaluated in relation to the best susceptibility models generated. In the analysis of the distance, the models that used more distant samples (40 km) were the ones that obtained greater accuracy. This was due to the fact that the greater the distances, the more relief compartments are used for non-occurrence samples, which facilitates the process of differentiating between occurrence and non-occurrence by ANN. Analyzing the samples of separate events and multiple events, it was noted the highest accuracy and extrapolation capacity for multiple events, reaching accuracy of 0,95, against 0,93 of those who used only a single event. This capacity is due to the greater variance and amplitude of the data used to train the model, making the training samples reach more significant values from the entire Serra Geral and not from just a specific area within the Serra. In the relation of the attributes, it was noticed that the most important ones were the slope, the LS factor, the valley depth with linear relation indexes greater than 0,36. However, the elevation still proved to be a relevant factor for the modeling of susceptibility to landslides, even with lower values of ratio, especially when using only one landslide event for training the network.