Comparação de dados derivados de LiDAR e VANT para o mapeamento de suscetibilidade de deslizamento usando o algoritmo Random Forest

Abstract

Impulsionados pela tectônica, clima e/ou atividade humana, os deslizamentos de terra são onipresentes. Este fenômeno é uma das principais ameaças ao desenvolvimento econômico e social das zonas montanhosas, muitas vezes resultando em vítimas e consequências econômicas. O mapeamento de suscetibilidade a deslizamentos é considerado uma importante ferramenta para os gestores locais localizarem as áreas que possuem maior probabilidade de ocorrência de eventos e pensarem em estratégias de redução de risco. O Modelo Digital de Terreno (MDT) é um dos dados fundamentais para os modelos de predição e é usado para derivar importantes fatores condicionantes para análises de suscetibilidade de deslizamento em escala detalhada. Desse modo, a utilização de técnicas de Sensoriamento Remoto e Fotogrametria, usando as tecnologias de varredura a LASER (Light Detection and Range - LiDAR) e de imageamento por Veículo Aéreo Não-Tripulado (VANT), podem impulsionar esse levantamento, produzindo dados de altíssima resolução. Nesse sentido, este estudo teve como objetivo comparar mapas de suscetibilidade a deslizamentos gerados pelo algoritmo de aprendizado de máquina floresta aleatória (Random Forest - RF) com dados de LiDAR e VANT. Para tanto, o desempenho alcançado na previsão foi avaliado usando medidas de avaliação estatística baseadas em conjuntos de dados de treinamento e validação. Os resultados obtidos mostraram que a precisão de ambos os modelos é maior que 0,70, a área sob a curva (AUC) é maior que 0,80, e o modelo gerado a partir dos dados LiDAR é mais preciso. Os resultados também mostraram que os dados do VANT têm potencial para uso no mapeamento de suscetibilidade a deslizamentos em escala intraurbana, contribuindo para estudos em áreas de risco sem dados disponíveis.

Driven by tectonics, weather and/or human activity, landslides are ubiquitous. This phenomenon is one of the main threats to the economic and social development of mountainous areas, often resulting in victims and economic consequences. The landslide susceptibility mapping is considered an important tool for local managers to locate the most vulnerable areas and think about risk reduction strategies. The Digital Terrain Model (DTM) is one of the fundamental modeling data and is used to derive important conditional factors for detailed scale landslide susceptibility analyses. Thus, the use of Remote Sensing and Photogrammetry techniques, using LASER (Light Detection and Range - LiDAR) and Unmanned Aerial Vehicle (UAV) imaging technologies, can boost this survey, producing data of very high resolution. In this sense, this study aimed to compare landslide susceptibility maps generated by the Random Forest (RF) machine learning algorithm with LiDAR and UAV data. To this end, the performance achieved in the prediction was evaluated using statistical evaluation measures based on training and validation data sets. The results obtained showed that the accuracy of both models is greater than 0.70, the area under the curve (AUC) is greater than 0.80, and the model generated from LiDAR data is more accurate. The results also showed that UAV data have potential for use in mapping landslide susceptibility on an intra-urban scale, contributing to studies in risk areas without available data.