Mapeamento e caracterização da estabilidade das encostas na Sub-bacia do Ribeirão Araranguá através do modelo Random-Forest
DOI:
https://doi.org/10.53660/CONJ-1814-2M01Palavras-chave:
Probabilidade, Aprendizado de máquinas, Deslizamentos, Áreas de risco, Gestão territorial, Estabilidade de EncostasResumo
O presente estudo buscou avaliar a eficácia do modelo Random-Forest para o auxílio de mapeamentos de movimentos gravitacionais de massa. Neste trabalho o modelo foi definido em linguagem de programação R com o auxílio do pacote SDM. O algoritmo através deste pacote se mostrou de fácil implementação e possibilita a fácil interação com modelagens robustas, como o particionamento dos dados de entrada através de bootstrapping. Com o intuito de reduzir incertezas relacionados a um único modelo, definimos 20 modelos Random-Forest, dos quais foi realizado um ensamble – consenso. Como resultado obtivemos um mapa preditivo probabilístico caracterizado como a média ponderada entre os modelos, onde o AUC alcançado foi de 0,963. Ademais, a geração de curvas de resposta perante os pontos de ruptura nas encostas possibilitou uma análise mais profunda de como as diferentes variáveis utilizadas no modelamento de fato interagem e desenvolvem instabilidades na área de estudo.
Downloads
Referências
AUMOND, J. J et al.; Condições naturais que tornam o vale do Itajaí sujeito aos desastres. 2009. In: FRANK, B.; SEVEGNANI, L. (Orgs.). Desastre de 2008 no Vale do Itajaí: água, gente e política. Blumenau: Agência de Água do Vale do Itajaí.
BLUMENAU. Carta de Uso Recomendado do Solo (Área 09) Região Rua Araranguá e Transversais. Interno, Sub-bacia do Ribeirão Araranguá: Secretaria Municipal de Planejamento Urbano: Diretoria Geologia., 2010.
BREIMAN, L. Random Forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001. Disponível em: <https://doi.org/10.1023/A:1010933404324>.
BROWN, G. Ensemble Learning. In: C. Sammut; G. I. Webb (Orgs.); Encyclopedia of Machine Learning. p.312–320, 2010. Boston, MA: Springer US. Disponível em: <https://doi.org/10.1007/978-0-387-30164-8_252>.
CANAVESI, V.; SEGONI, S.; ROSI, A.; et al. Different Approaches to Use Morphometric Attributes in Landslide Susceptibility Mapping Based on Meso-Scale Spatial Units: A Case Study in Rio de Janeiro (Brazil). Remote Sensing, v. 12, n. 11, p. 1826, 2020. Multidisciplinary Digital Publishing Institute. Disponível em: <https://doi.org/ 10.3390/rs12111826 >.
CHUNG, C.J.; FABBRI, A. Validation of Spatial Prediction Models for Landslide Hazard Mapping. Natural Hazards: Journal of the International Society for the Prevention and Mitigation of Natural Hazards, v. 30, n. 3, p. 451–472, 2003. Springer & International Society for the Prevention and Mitigation of Natural Hazards.
COROMINAS, J.; MAVROULI, O.C. Living with landslide risk in Europe: Assessment,effects of global change, and risk management strategies (No. 226479). SafeLand, 2011.
COSTA, E. A. DA. Avaliação de ameaças e risco geotécnico aplicados à estabilidade de taludes, 2005. Dissertação, Porto Alegre: Universidade Federal do Rio Grande do Sul. Disponível em: <https://lume.ufrgs.br/handle/10183/6150>.
DARST, B. F.; MALECKI, K. C.; ENGELMAN, C. D. Using recursive feature elimination in random forest to account for correlated variables in high dimensional data. BMC Genetics, v. 19, n. 1, p. 65, 2018. Disponível em: <https://doi.org/ 10.1186/s12863-018-0633-8>.
DOU, J.; YUNUS, A. P.; TIEN BUI, D.; et al. Assessment of advanced random forest and decision tree algorithms for modeling rainfall-induced landslide susceptibility in the Izu-Oshima Volcanic Island, Japan. The Science of the Total Environment, v. 662, p. 332–346, 2019. Disponível em: <https://doi.org/ 10.1016/j.scitotenv.2019.01.221>.
FAWCETT, T. An introduction to ROC analysis. Pattern Recognition Letters, ROC Analysis in Pattern Recognition., v. 27, n. 8, p. 861–874, 2006. Disponível em: <https://doi.org/ 10.1016/j.patrec.2005.10.010>.
FIORI, A. P. Fundamentos de mecânica dos solos e das rochas. Oficina de Textos, 2016.
FRATTINI, P.; CROSTA, G.; CARRARA, A. Techniques for evaluating the performance of landslide susceptibility models. Engineering Geology, v. 111, n. 1–4, p. 62, 2010.
FURTADO, S. M. DE A. Um olhar sobre a paisagem e o lugar como expressão do comportamento frente ao risco de deslizamento, 2004. Phd, Florianópolis: Universidade Federal de Santa Catarina. Disponível em: <https://repositorio.ufsc.br/xmlui/handle/123456789/87294>.
GORSEVSKI, P.; GESSLER, P.; FOLTZ, R.; ELLIOT, W. Spatial Prediction of Landslide Hazard Using Logistic Regression and ROC Analysis. T. GIS, v. 10, p. 395–415, 2006. Disponível em: <https://doi.org/ 10.1111/j.1467-9671.2006. 01004.x>.
IWAHASHI, J.; PIKE, R. J. Automated classifications of topography from DEMs by an unsupervised nested-means algorithm and a three-part geometric signature. Geomorphology, v. 86, n. 3–4, p. 409–440, 2007. Disponível em: <https://doi.org/ 10.1016/j.geomorph.2006.09.012>.
KOTSIANTIS, S. B. Decision trees: a recent overview. Artificial Intelligence Review, v. 39, n. 4, p. 261–283, 2013. Disponível em: <https://doi.org/ 10.1007/s10462-011-9272-4>.
MICHEL, G. P.; KOBIYAMA, M.; GOERL, R. F. Análise comparativa entre os modelos Shalstab e Sinmap na identificação de áreas susceptíveis a escorregamentos translacionais. In: POLETO, C.; PLETSCH, A. L.; MELLO, E. E.; CARVALHO, N. O. (orgs) X ENES Encontro Nacional de Engenharia de Sedimentos: artigos selecionados. Porto Alegre: ABRH, 2012. p 209 - 225.
MOORE, I. D.; GESSLER, P. E.; NIELSEN, G. A.; PETERSON, G. A. Soil Attribute Prediction Using Terrain Analysis. Soil Science Society of America Journal, v. 57, n. 2, p. 443–452, 1993. Disponível em: <https://doi.org/ 10.2136/sssaj1993.03615995005700020026x>.
NAIMI, B.; ARAÚJO, M. B. sdm: a reproducible and extensible R platform for species distribution modelling. Ecography, v. 39, n. 4, p. 368–375, 2016. Disponível em: <https://doi.org/ 10.1111/ecog.01881>.
POURGHASEMI, H. R.; JIRANDEH, A. G.; PRADHAN, B.; XU, C.; GOKCEOGLU, C. Landslide susceptibility mapping using support vector machine and GIS at the Golestan Province, Iran. Journal of Earth System Science, v. 122, n. 2, p. 349–369, 2013. Disponível em: <https://doi.org/ 10.1007/s12040-013-0282-2>.
POURGHASEMI, H. R.; PRADHAN, B.; GOKCEOGLU, C. Remote Sensing Data Derived Parameters and its Use in Landslide Susceptibility Assessment Using Shannon’s Entropy and GIS. Applied Mechanics and Materials, v. 225, p. 486–491, 2012. Trans Tech Publications Ltd. Disponível em: <https://doi.org/ 10.4028/www.scientific.net/AMM.225.486>.
QUEVEDO, R. P.; GUASSELLI, L. A.; OLIVEIRA, G. G. D.; RUIZ, L. F. C. MODELAGEM DE ÁREAS SUSCETÍVEIS A MOVIMENTOS DE MASSA: AVALIAÇÃO COMPARATIVA DE TÉCNICAS DE AMOSTRAGEM, APRENDIZADO DE MÁQUINA E MODELOS DIGITAIS DE ELEVAÇÃO. Geosciences = Geociências, v. 38, n. 3, p. 781–795, 2019. Disponível em: <https://doi.org/ 10.5016/geociencias.v38i3.14019>.
THASNEEM, S.A; N. R. CHITHRA; SANTOSH G. THAMPI. Assessment of Nonstationarity and Uncertainty in Precipitation Extremes of a River Basin Under Climate Change. Environmental modeling and assessment, v. 26, n. 3, p. 295–312, 2021. Disponível em: <https://doi.org/ 10.1007/s10666-021-09752-y>.
SHIRANI, K.; PASANDI, M.; ARABAMERI, A. Landslide susceptibility assessment by Dempster–Shafer and Index of Entropy models, Sarkhoun basin, Southwestern Iran. Natural Hazards: Journal of the International Society for the Prevention and Mitigation of Natural Hazards, v. 93, n. 3, p. 1379–1418, 2018. Springer & International Society for the Prevention and Mitigation of Natural Hazards.
SILVEIRA, C. T. DA; FIORI, A. P.; SCHILIPACK, P.; DIAS, S. M. MAPEAMENTO PRELIMINAR DA SUSCETIBILIDADE NATURAL A MOVIMENTOS DE MASSA DA SERRA DO MAR PARANAENSE APOIADO NA ANÁLISE DIGITAL DO RELEVO. Revista Brasileira de Geomorfologia, v. 15, n. 1, 2014. Disponível em: < https://doi.org/ 10.20502/rbg.v15i1.366>.
SILVEIRA R. M da.; Comportamento Geotécnico das Encostas. 2016. Disponível em: <https://www.crea-pr.org.br/ws/wp-content/uploads/2016/12/comportamento-geotecnico-das-encostas.pdf>
TERZAGHI, K.; PECK, R. B.; MESRI, G. Soil Mechanics in Engineering Practice. John Wiley & Sons, 1996.
UEHARA, T. D. T.; CORRÊA, S. P. L. P.; QUEVEDO, R. P.; et al. Landslide Scars Detection using Remote Sensing and Pattern Recognition Techniques: Comparison Among Artificial Neural Networks, Gaussian Maximum Likelihood, Random Forest, and Support Vector Machine Classifiers. Revista Brasileira de Cartografia, v. 72, n. 4, p. 665–680, 2020. Disponível em: < https://doi.org/ 10.14393/rbcv72n4-54037>.
WANG, Q.; WANG, Y.; NIU, R.; PENG, L. Integration of Information Theory, K-Means Cluster Analysis and the Logistic Regression Model for Landslide Susceptibility Mapping in the Three Gorges Area, China. Remote Sensing, v. 9, p. 938, 2017. Disponível em: < https://doi.org/ 10.3390/rs9090938>.
YILMAZ, I. Landslide susceptibility mapping using frequency ratio, logistic regression, artificial neural networks and their comparison: A case study from Kat landslides (Tokat—Turkey). Computers & Geosciences, v. 35, n. 6, p. 1125–1138, 2009. Disponível em: < https://doi.org/ 10.1016/j.cageo.2008.08.007>.
ZIZIOLI, D.; MEISINA, C.; VALENTINO, R.; MONTRASIO, L. Comparison between different approaches to modeling shallow landslide susceptibility: a case history in Oltrepo Pavese, Northern Italy. Natural Hazards and Earth System Sciences, v. 13, n. 3, p. 559–573, 2013. Copernicus GmbH. Disponível em: < https://doi.org/ 10.5194/nhess-13-559-2013>.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Conjecturas
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
