Proposta metodológica para a avaliação de suscetibilidade a escorregamentos: contribuições do aprendizado de máquina no município de Belo Horizonte, MG
Carregando...
Arquivos
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Tese de doutorado
Título alternativo
Primeiro orientador
Membros da banca
Jorge Geraldo Roncato Júnior
Thiago Bomjardim Porto
César Falcão Barella
Felipe de Ávila Chaves Borges
Thiago Bomjardim Porto
César Falcão Barella
Felipe de Ávila Chaves Borges
Resumo
Esta pesquisa teve como objetivo a proposição de novos modelos para classificação de
suscetibilidade utilizando técnicas de inteligência artificial para o município de Belo Horizonte.
Isto se justifica pela rápida urbanização e à presença de muitas áreas de risco na região. Para
isso, foi criado um banco de dados integrado, com informações de fatores condicionantes de
deslizamentos, além do inventário de deslizamentos fornecidos pela URBEL e Defesa Civil de
Belo Horizonte. Quatro algoritmos de aprendizado de máquina (ML), sendo eles: Redes neurais
artificiais (ANN), Random Forest (RF), Support Vector Machine (SVM) e Regressão Logística
(LR) foram treinados para classificar os locais de ocorrência e não ocorrência a deslizamentos,
tratando a tarefa de ML como uma classificação binária e expressando os resultados na forma
de probabilidade para produzir mapas de suscetibilidade. Assim, foram propostos 12 mapas de
suscetibilidade a deslizamentos na região de Belo Horizonte, derivados de três cenários que
foram avaliados: área total do município de Belo Horizonte, porção sul denominada modelo
anisotrópico e a porção norte do município denominada modelo isotrópico. Os resultados
indicaram que o modelo de RF apresentou a melhor performance com uma acurácia de 81,17%,
seguido pelo SVM com 80,95%. Já as ANNs tiveram uma acurácia de 79,03%, enquanto o RL
obteve o menor desempenho, com 76,45% no cenário geral. No cenário anisotrópico os valores
de acurácia dos modelos foram 82,87%, 81,82%, 81,29% e 78,52% para RF, SVM, ANN e LR,
respectivamente. Para o cenário isotrópico, houve uma queda geral no desempenho de todos os
modelos, com o RF e o SVM obtendo aproximadamente 77% de acurácia, ANN com 74,13%
e LR com 73,28% de acurácia. Os modelos de RF e SVM se destacaram como as técnicas mais
eficientes nos três cenários avaliados, oferecendo um desempenho consistente e promissor na
identificação de áreas suscetíveis a deslizamentos. O trabalho apresenta novas abordagens para
o uso da inteligência artificial na geração de mapas de suscetibilidade no Brasil, oferecendo
uma perspectiva promissora para reduzir a subjetividade inerente aos processos tradicionais.
Embora a implementação destas técnicas seja complexa, elas permitem atualizações contínuas
e revisões dos dados, resultando em mapas mais precisos e eficazes, além da automação de
tarefas que podem ser otimizados. Isso, por sua vez, tem o potencial de transformar
significativamente a capacidade das cidades em lidar com os riscos geológicos, contribuindo
para o desenvolvimento de comunidades mais seguras e resilientes.
Abstract
Quickly urbanization and the presence of numerous risk areas have made landslide
susceptibility mapping a crucial aspect of urban planning in Belo Horizonte, southeastern
Brazil. This study proposes novel machine learning (ML) models for landslide susceptibility
classification in the region. An integrated database was developed, incorporating landslideconditioning factors and landslide inventories from URBEL and Belo Horizonte's Civil
Defense. Four ML algorithms 3 Artificial Neural Networks (ANN), Random Forest (RF),
Support Vector Machine (SVM), and Logistic Regression (LR) 3 were trained to classify
landslide occurrence and non-occurrence locations. The ML task was treated as binary
classification, with results expressed as probabilities to generate susceptibility maps. Twelve
landslide susceptibility maps were produced for the Belo Horizonte region, derived from three
evaluated scenarios: the entire municipality, the southern portion (anisotropic model), and the
northern portion (isotropic model). Results indicated that RF outperformed other models with
an accuracy of 81.17%, followed by SVM with 80.95%. ANNs achieved an accuracy of
79.03%, while LR exhibited the lowest performance with 76.45% in the overall scenario. In the
anisotropic scenario, accuracy values for the test data were 82.87%, 81.82%, 81.29%, and
78.52% for RF, SVM, ANN, and LR, respectively. For the isotropic scenario, there was a
general decline in performance for all models, with RF and SVM achieving approximately 77%
accuracy, ANN showing 74.13%, and LR with an accuracy of 73.28% for the test data. RF and
SVM emerged as the most effective and reliable techniques across the three evaluated scenarios,
offering consistent and promising performance in identifying landslide-susceptible areas. The
study presents novel approaches for utilizing artificial intelligence in generating susceptibility
maps in Brazil, providing a promising perspective to reduce the subjectivity inherent in
traditional processes. While implementing artificial intelligence techniques is complex, these
approaches enable continuous data updates and revisions, resulting in more accurate and
effective maps, along with the automation of tasks that can be optimized. This, in turn, has the
potential to significantly transform cities' capacity to deal with geological risks, contributing to
the development of safer and more resilient communities.
Assunto
Deslizamento -- Belo Horizonte (MG) -- Teses, Mapeamento geológico -- Belo Horizonte (MG) -- Teses, Aprendizado do computador -- Teses, Inteligência artificial -- Teses
Palavras-chave
Desastres, Escorregamentos, Belo Horizonte, Mapas de suscetibilidade, Inteligência artificial