Mapeamento de suscetibilidade a movimentos de massa a partir de redes neurais artificiais

Abstract

Os movimentos de massa são um dos principais fenômenos responsáveis por desastres naturais no Brasil. O mapeamento pode auxiliar no ordenamento territorial das áreas suscetíveis. As redes neurais artificiais 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 mapear áreas suscetíveis a movimentos de massa, considerando quatro conjuntos amostrais, a partir de um modelo de RNA. Para tal, foi elaborado um inventário de cicatrizes, extraídos atributos do terreno e analisados conforme sua importância para os modelos, organizados os conjuntos amostrais conforme duas áreas amostrais e dois processos de reamostragem, realizados treinamentos, validação e teste dos modelos, e reclassificação e espacialização das áreas suscetíveis. Foram identificadas 297 cicatrizes de movimentos de massa, as quais cobriram uma área de 1,06 km². As variáveis preditivas que apresentaram maior importância foram a elevação, seguida pela declividade, fator LS e profundidade do vale. Foi observado que a restrição de área para coleta de amostras aleatórias de não ocorrência pode afetar a capacidade de generalização do modelo, enquanto a redução do conjunto amostral de treinamento diminui o tempo de processamento, sem interferir significativamente na acurácia. Pode-se concluir que as RNA se mostraram capazes de modelar as áreas suscetíveis, com acurácia no mapeamento próximas ou superiores a 0,9.

Landslides are one of the main phenomena responsible for natural disasters in Brazil. Mapping can assess the spatial planning of susceptible areas. Artificial neural networks (ANN) stand out the susceptibility modeling and mapping by their high accuracy, as well as capacity learning and generalizing their results. Thus, this study aimed to map susceptible areas to landslides, considering four different sample sets, from an ANN model. For this, an inventory of landslides was drawn, with terrain attributes extracted and their importance to models analyzed, sample sets were organized according to two sample areas and two resampling processes, training, validation and test of the predictive models, followed by reclassification and spatialization of the susceptible areas. The were identified 297 landslides scars, covering a total area of 1.06 km². The most important predictive variables were elevation, slope, LS factor and valley depth. It was observed that the restriction of area for random sampling of non-occurrence may affect the model generalization capacity, while the reduction of the training sample set decreases the processing time, without significantly interfering with the accuracy. The ANN were able to model the susceptible areas, with mapping accuracy near or greater than 0.9.