Show simple item record

dc.contributor.advisorSimões, Silvio Jorge Coelho
dc.contributor.advisorMendes, Tatiana Sussel Gonçalves
dc.contributor.authorSantos, Tatiany Correia da Silva
dc.date.accessioned2022-01-03T14:07:07Z
dc.date.available2022-01-03T14:07:07Z
dc.date.issued2021-09-22
dc.identifier.urihttp://hdl.handle.net/11449/215647
dc.description.abstractO desafio dos entes federativos brasileiros em gerir e conviver com o risco de desastres é uma pauta cada vez mais constante e necessária na administração pública. A região Sudeste do Brasil está significativamente relacionada à ocorrência de movimentos gravitacionais de massa, que representam o segundo maior tipo de desastre que causa óbitos nessa região. Dessa forma, o desenvolvimento e utilização de métodos que auxiliem na previsão desses processos podem ser grandes aliados no planejamento urbano dos municípios. Dentre os diversos métodos utilizados para mapear a suscetibilidade a escorregamentos, as técnicas baseadas em aprendizado de máquina possuem uma grande vantagem, uma vez que permitem lidar com grande volume e diversidade de dados, além de trabalhar amplamente com fatores que condicionam a deflagração de escorregamentos. A combinação dessas técnicas com ambientes SIG permite otimizar e superar limitações de processamento e espacialização dos dados. Diante de diversos algoritmos de aprendizado de máquina, a Floresta Aleatória vem sendo cada vez mais utilizada nessa temática e apresentando bons resultados para a predição de suscetibilidade. Dessa forma, o objetivo desse trabalho consiste em analisar a suscetibilidade a escorregamentos da Bacia do Córrego Piracuama, localizada no município Campos do Jordão, SP, usando o algoritmo Floresta Aleatória. A partir do inventário de cicatrizes, foram definidas 200 amostras de forma aleatória (100 de ocorrência e 100 de não ocorrência), destinadas ao treino/validação e teste do modelo de predição, em uma proporção de 70:30. Quatorze fatores condicionantes de escorregamentos, divididos em morfométricos e temáticos, foram selecionados como variáveis de entrada para a construção do modelo de predição por Floresta Aleatória e, dentre essas variáveis, o Índice de Rugosidade do Terreno (TRI) e a declividade foram as que apresentaram, respectivamente, as melhores importâncias no modelo. Com a finalidade de alcançar a melhor parametrização do algoritmo, foi aplicado a técnica busca em grade, que identificou que os melhores parâmetros para a Floresta Aleatória foram 300 árvores e 4 variáveis testadas em cada nó. Após a construção do modelo, diversas métricas de avaliação foram utilizadas para analisar a sua performance que, de acordo com os resultados, apresentou uma boa capacidade no mapeamento da suscetibilidade a escorregamentos. Por fim, o mapa de suscetibilidade obtido pelo método proposto foi comparado com mapas já existentes para a área, porém produzidos através de diferentes técnicas de mapeamento. Esse trabalho permitiu identificar que modelagens baseadas em aprendizado de máquina devem ser cada vez mais exploradas na gestão de riscos de desastres, visto que configuram ferramentas importantes na elaboração de estratégias, políticas públicas e conhecimento territorial..pt
dc.description.abstractThe challenge of Brazilian federative entities in managing and living with the risk of disasters is an increasingly constant and necessary agenda in public administration. The Southeast region of Brazil is related to landslides, which represents the second largest type of disaster that causes death in this region. Thus, the development and use of methods that assist in predicting these processes can be great allies in urban planning in municipalities. Among the various methods used to map the landslide susceptibility, techniques based on machine learning have a great advantage, since they allow dealing with a large volume and diversity of data, in addition to working extensively with factors that affect the occurrence of landslides. The combination of these techniques with GIS environments allows optimizing and overcoming limitations in data processing and spatialization. Faced with several machine learning algorithms, the Random Forest has been increasingly used in this theme and this has good results for the prediction of susceptibility. Thus, the objective of this work is to analyze the susceptibility to landslides in the Córrego Piracuama Basin, located in Campos do Jordão, SP, using the Random Forest algorithm. From the landslide inventory, 200 were randomly defined (100 occurrences and 100 non-occurrences), intended for training and testing of the prediction model, in a ratio of 70:30. Fourteen landslide conditioning factors, divided into morphometric and thematic, were selected as input variables for the construction of the Random Forest prediction model and, among these variables, Terrain Ruggedness Index (TRI) and slope were the ones that presented, respectively, the best importance in the model. In order to achieve the best parameterization of the algorithm, the grid search technique was applied, which identified that the best parameters for the Random Forest were 300 trees and 4 variables tested in each node. After building the model, several evaluation metrics were used to analyze its performance, which, according to the results, showed a good ability to map the susceptibility to landslides. Finally, the susceptibility map obtained by the proposed method was compared with existing maps for the area but produced through different mapping techniques. This work allowed us to identify that machine learning-based models should be increasingly explored in disaster risk management, as they constitute important tools in the development of strategies, public policies and territorial knowledge.en
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.subjectSuscetibilidade a escorregamentospt
dc.subjectAprendizado de máquinapt
dc.subjectSistema de Informação Geográficapt
dc.subjectDesastres naturaispt
dc.subjectFloresta aleatóriapt
dc.subjectLandslide susceptibilityen
dc.subjectMachine learningen
dc.subjectRandom foresten
dc.subjectGeographic Information Systemen
dc.subjectNatural disastersen
dc.titleIntegração de análises geoespaciais e o método floresta aleatória para a análise de suscetibilidade a escorregamentos: estudo de caso na bacia do córrego Piracuama, município de Campos do Jordão (SP)pt
dc.title.alternativeIntegration of geospatial analysis and the random forest method for the analysis of landslide susceptibility: case study in the Piracuama basin, municipality of Campos do Jordão (SP)en
dc.typeDissertação de mestrado
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
unesp.graduateProgramDesastres Naturais - ICTpt
unesp.knowledgeAreaOutrapt
unesp.researchAreaDesastres associados a eventos extremos, inundações e movimentos de massapt
unesp.campusUniversidade Estadual Paulista (Unesp), Instituto de Ciência e Tecnologia, São José dos Campospt
unesp.embargoOnlinept
dc.identifier.capes33004145083P2
unesp.examinationboard.typeBanca públicapt
Localize o texto completo

Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record