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

• Ano de defesa: 2020
• Autor(a) principal: Gameiro, Samuel
• Orientador(a): Guasselli, Laurindo Antônio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Sensoriamento remoto; Desastres naturais : Prevenção
• Palavras-chave em Inglês: Sampling; Machine learning; Accuracy; Natural disaster
• Link de acesso: http://hdl.handle.net/10183/209959

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.