Aplicação de métodos de aprendizado de máquina para mapeamento de suscetibilidade à inundação

• Ano de defesa: 2025
• Autor(a) principal: Dransfeld, Nion Maron
• Orientador(a): Henning, Elisa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Mapas de suscetibilidade; Inundação; Floresta aleatória; Máquina de vetores de suporte
• Link de acesso: https://repositorio.udesc.br/handle/UDESC/22105

Este estudo investiga o desenvolvimento de aprendizado de máquina para o monitoramento de áreas suscetíveis às inundações e aplica os algoritmos floresta aleatória (FA) e máquina de vetores de suporte (MVS) para prever a suscetibilidade à inundação na bacia hidrográfica do Rio Cachoeira, localizada no município de Joinville (Santa Catarina, Brasil). Foram feitas avaliações comparativas da eficácia preditiva entre os modelos de FA e MVS, analisando seu desempenho na captura de relações não lineares entre as variáveis condicionantes identificadas na área de estudo. Foram utilizadas métricas de avaliação de classificação e técnicas de otimização hiperparamétrica, visando estabelecer um procedimento rigoroso para seleção dos melhores modelos. Para o modelo final foram integradas quatorze variáveis geoambientais, abrangendo parâmetros topográficos, geológicos, hidrológicos e meteorológicos, selecionadas mediante revisão sistemática de fatores condicionantes de inundação. A implementação computacional, desenvolvida em linguagem R, empregou pacotes como caret, otimização hiperparamétrica, validação cruzada k-fold, raster (processamento de dados georreferenciados) e rgeos (análises geoespaciais), garantindo reprodutibilidade e escalabilidade metodológica. Os modelos demonstraram desempenho elevado, com acurácias de 99,60% (FA) e 99,40% (MSV-R), atribuídas à robustez na seleção dos fatores, a geomorfologia da bacia e representatividade estatística da amostragem. A saída cartográfica gerada, além de identificar zonas críticas com alta resolução (10x10m), permite atualizações dinâmicas mediante inclusão de novos dados ambientais ou cenários climáticos, consolidando-se como ferramenta estratégica para gestão de riscos. Os resultados evidenciam a boa acurácia de técnicas de aprendizado supervisionado na assimilação de relações não lineares em sistemas naturais, reforçando seu potencial para políticas públicas de mitigação de desastres em regiões urbanas e com geomorfologias complexas.