Mapeamento da suscetibilidade a inundação usando os modelos Floresta Aleatória e Máquina Vetor de Suporte com diferentes tipos de kernel
DOI:
https://doi.org/10.11606/eISSN.2236-2878.rdg.2024.213348Palabras clave:
Geotecnologias;, Desastres;, Vulnerabilidade social;, Geotecnologia;Resumen
O objetivo deste artigo foi avaliar o potencial preditivo dos modelos Floresta Aleatória (RF) e Máquina de Vetores de Suporte (SVM) com diferentes funções kernel para a previsão espacial da suscetibilidade às inundações. A área de estudo foi a microbacia urbana do rio Castanhal, localizada na Amazônia oriental brasileira. A modelagem foi baseada em um inventario das inundações registradas de 2020 a 2022 e um banco de dados geoespacial com os seguintes fatores condicionantes: altitude, declividade, precipitação, aspecto, índice de potência do fluxo, índice de umidade topográfica, altura acima da drenagem mais próxima (HAND), distância dos canais, perfis de solo e curva número. Foram estimados cinco modelos de suscetibilidade a inundações usando os algoritmos Floresta Aleatória e Máquina de Vetores de Suporte com os quatro tipos de kernel, linear (LN), polinomial (PL), função de base radial (FBR) e sigmoide (SIG). Um conjunto de métricas estatísticas e a área sob a curva (AUC) foram utilizados para validar os modelos. Os resultados da predição AUC para os mapas de suscetibilidade a inundações gerados pelo SVM-FBR, SVM-PL, SVM-LN, e SVM-SIG foram 98,28%, 97,32%, 96,74% e 73,35%, respectivamente. Por outro lado, a taxa de predição AUC do RF foi a maior, 98,94%. Os fatores condicionantes mais influentes foram: altitude, HAND, perfis de solo, distância dos canais e precipitação. Pode-se concluir que tanto o RF quanto o SVM são capazes de gerar modelos de suscetibilidade eficientes e confiáveis. Os mapas de suscetibilidade resultantes podem ser benéficos nas estratégias de mitigação de inundações.
Descargas
Referencias
AMBROISE, B.; BEVEN, K.; FREER, J. Toward a Generalization of the TOPMODEL Concepts: Topographic Indices of Hydrological Similarity. Water Resources Research, v.32, 2135–2145, 1996. DOI:10.1029/95wr03716
BAG, R.; MONDAL, I.; DEHBOZORGI, M.; BANK, S.P.; DAS, D.N.; BANDYOPADHYAY, J.; PHAM, Q.B.; AL-QURAISHI, AYAD M.F.; NGUYEN, X.C.; Modelling and mapping of soil erosion susceptibility using machine learning in a tropical hot sub-humid environment. Journal of Cleaner Production. v.364, 132-428, 2022. DOI: 10.1016/j.jclepro.2022.132428
BATJES, N. H. A world dataset of derived soil properties by FAO-UNESCO soil unit for global modelling. Soil Use and Management, v.13, 9–16, 1997. DOI:10.1111/j.1475-2743.1997.tb00550.x
CARDONA, O. D.; VAN AALST, M. K.; BIRKMANN, J.; FORDHAM, M.; MCGREGOR, G.; PEREZ, R.; PULWARTY, R. S. Determinants of risk: exposure and vulnerability. In Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. Cambridge University Press. v.1, 65-108, 2012.
CHOUBIN, B.; MORADI, E.; GOLSHAN, M.; ADAMOWSKI J.; SAJEDI-HOSSEINI, F.; MOSAVI, A. An Ensemble prediction of flood susceptibility using multivariate discriminant analysis, classification and regression trees, and support vector machines. Sci Total Environ. v.651, 2087-2096, 2018. DOI: 10.1016/j.scitotenv.2018.10.064
COSTACHE, R.; ARABAMERI, A.; ELKHRACHY, I.; GHORBANZADEH, O.; PHAM, Q.B. Detection of areas prone to flood risk using state-of-the-art machine learning models. Geomatics, Natural Hazards and Risk. v.12, 1488-1507, 2021. DOI: 10.1080/19475705.2021.1920480
CUREBAL, I.; EFE, R.; OZDEMIR, H.; SOYKAN, A.; SÖNMEZ, S. GIS-based approach for flood analysis: case study of Keçidere flash flood event (Turkey). Geocarto Int. v.31, 355–366, 2016. DOI: 10.1080/10106049.2015.1047411
DARABI, H.; RAHMATI, O.; NAGHIBI, S.A.; MOHAMMADI, F.; AHMADISHARAF, E.; KALANTARI, Z.; HAGHIGHI, A.T.; SOLEIMANPOUR, S.M.; TIEFENBACHER, J.P.; BUI, D.T. Development of a novel hybrid multi-boosting neural network model for spatial prediction of urban flood. Geocarto International, v.37, 5716-5741, 2022. DOI: 10.1080/10106049.2021.1920629
DARABI, H.; HAGHIGHI, A.T.; MOHAMADI, M.A.; RASHIDPOUR, M.; ZIEGLER, A.D.; HEKMATZADEH, A.A.; KLØVE, B. Urban flood risk mapping using data-driven geospatial techniques for a flood-prone case area in Iran. Hydrology Research. v.51, 127–142, 2020. DOI:10.2166/nh.2019.090
DORMANN, C. F.; ELITH, J.; BACHER, S.; CARRÉ, G. C. G.; GARCÍA MÁRQUEZ, J. R.; GRUBER, B.; LAFOURCADE, B.; LEITAO, P. J.; MÜNKEMÜLLER, T.; MCCLEAN, C. J.; OSBORNE, P. E.; RENEKING, B.; SCHRÖDER, B.; SKIDMORE, A. K.; ZURELL, D.; LAUTENBACH, S. Collinearity. a review of methods to deal with it and a simulation study evaluating their performance: open access. Ecography. v.36, 27-46, 2013. DOI:10.1111/j.1600-0587.2012.07348.x
FLÜGEL, W.A. Delineating hydrological response units by geographical information system analyses for regional hydrological modelling using PRMS/MMS in the drainage basin of the River Bröl, Germany. Hydrological Processes. v.9, 423–436, 1995. DOI:10.1002/hyp.3360090313
GUDIYANGADA, N. T.; TAVAKKOLI, P. S.; GHOLAMNIA, K.; GHORBANZADEH, O.; RAHMATI, O.; BLASCHKE, T. Flood Susceptibility Mapping with Machine Learning, Multi-Criteria Decision Analysis and Ensemble Using Dempster Shafer Theory, Journal of Hydrology. v. 590, 2020, DOI: 10.1016/j.jhydrol.2020.125275
HAIR, J.F.; BLACK, W.C.; BABIN, B.J.; ANDERSON, R.E. Multivariate Data Analysis: Pearson New International Edition. 7.ed. Pearson Education Limited; 2013.
HO, T. K. Random decision forests, Proceedings of 3rd International Conference on Document Analysis and Recognition, Montreal, QC, Canada, v.1, 278-282, 1995. DOI: 10.1109/ICDAR.1995.598994.
HUBER, S.; RUST, C. Calculate travel time and distance with OpenStreetMap data using the Open Source Routing Machine (OSRM). Stata J. v.16, 416–423, 2016.
LEE, S.; KIM, J.C.; JUNG, H.S.; LEE, M.J.; LEE, S. Predição espacial da suscetibilidade a inundações usando modelos de floresta aleatória e árvores impulsionadas na cidade metropolitana de Seul, Coreia. Geomática, Perigos e Riscos Naturais. v.8, 1185-1203, 2017. DOI: 10.1080/19475705.2017.1308971
MASOOD, M.; TAKEUCHI, K. Assessment of flood hazard, vulnerability and risk of mid-eastern Dhaka using DEM and 1D hydrodynamic model. Nat. Hazards. V.6, 1757–770, 2012. DOI: 10.1007/s11069-011-0060-x
MOSAVI, A.; SAJEDI-HOSSEINI, F.; CHOUBIN, B.; TAROMIDEH, F;HI, G.; DINEVA, A.A. Susceptibility mapping of soil water erosion using machine learning models. Water. v.12, 1-17, 2020, DOI:10.3390/w12071995
NOBRE, A. D.; CUARTAS, L. A.; HODNETT, M.; RENNÓ, C. D.; RODRIGUES, G.; SILVEIRA, A.; WATERLOO, M.; SALESKA, S. Height Above the Nearest Drainage – a hydrologically relevant new terrain model. Journal of Hydrology. v.404, 13–29, 2011. DOI:10.1016/j.jhydrol.2011.03.051
OH, H. J.; PRADHAN, B. Application of a neuro-fuzzy model to landslide-susceptibility mapping for shallow landslides in a tropical hilly area. Computers & Geosciences. v.37, 1264-1276, 2011. DOI:10.1016/j.cageo.2010.10.012
RAHMATI, O. et al. PMT: new analytical framework for automated evaluation of geo-environmental modelling approaches. Sci. Total Environ. 664, 296–311, 2019. DOI: 10.1016/j.scitotenv.2019.02.017
RAHMATI, O.; ZEINIVAND, H.; BESHARAT, M. Flood hazard zoning in Yasooj region, Iran, 533 using GIS and multi-criteria decision analysis. Geomat. Nat. Haz. Risk. v.7, 1000-1017, 2016. DOI: 10.1080/19475705.2015.1045043
RAHMATI, O.; POURGHASEMI, H. R.; ZEINIVAND, H. Flood susceptibility mapping using frequency ratio and weights-of-evidence models in the Golastan Province, Iran. Geocarto International, v.31, 42-70, 2015. doi:10.1080/10106049.2015.1041559
REFSGAARD, J.C. Parameterisation, calibration and validation of distributed hydrological models. Journal of Hydrology, v. 198, p. 69-97, 1997. DOI: 10.1016/s0022-1694(96)03329-2.
RENNÓ, C. D.; NOBRE, A. D.; CUARTAS, L. A.; SOARES, J. V.; HODNETT, M. G.; TOMASELLA, J.; WATERLOO, M.J. HAND, a new terrain descriptor using SRTM-DEM: Mapping terra-firme rainforest environments in Amazonia. Remote Sensing of Environment, v.112, 3469-3481, 2008. DOI: 10.1016/j.rse.2008.03.018
SARTORI, A.; NETO, F. L.; GENOVEZ, A, M. Classificação Hidrológica de Solos Brasileiros para a Estimativa da Chuva Excedente com o Método do Serviço de Conservação do Solo dos Estados Unidos Parte 1: Classificação. RBRH – Revista Brasileira de Recursos Hídricos. v.10, p. 05-18, 2005.
SELEEM, O.; AYZEL, G.; DE SOUZA, A.C.T.; BRONSTERT, A.; HEISTERMANN, M. Towards urban flood susceptibility mapping using data-driven models in Berlin, Germany. Geomatics, Natural Hazards and Risk, v.13, 1640-1662, 2022. DOI: 10.1080/19475705.2022.2097131
TEHRANY, M. S.; PRADHAN, B.; MANSOR, S.; AHMAD, N. Flood susceptibility assessment using GIS-based support vector machine model with diferent kernel types. Catena. v.125, 91–101, 2015. Doi: 10.1016/j.catena.2014.10.017
TEHRANY, M. S.; PRADHAN, B.; JEBUR, M. N. Flood susceptibility mapping using a novel ensemble weights-of-evidence and support vector machine models in GIS. Journal of Hydrology, v.512, 332–343, 2014. DOI: 10.1016/j.jhydrol.2014.03.008
TOMINAGA, L. K; SANTORO, J; AMARAL, R. do (Orgs). Desastres naturais: conhecer para prevenir. 3. ed. São Paulo: Instituto Geológico, 2015. 196 p. il. color. ISBN 978-85-87235-09-1.
VEDOVELLO, R. ;MACEDO, E. S. DE. Deslizamentos de encostas. In: Santos, Rosely Ferreira dos. (org.). Vulnerabilidade ambiental: desastres naturais ou fenômenos induzidos? Brasília, Ministério do Meio Ambiente – MMA, pp. 75-94. 2007.
VOJTEK. M.; VOJTEKOVÁ J. Flood hazard and flood risk assessment at the local spatial scale: a case study. Geomatics, Natural Hazards and Risk. v.7, 1973–1992, 2016. DOI: 10.1080/19475705.2016.1166874
YESILNACAR, E.K. The application of computational intelligence to landslide susceptibility mapping in Turkey. Parkville, Victoria: University of Melbourne; 2005.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Francisco Amaral; Edson Luís Piroli , Viviane Corrêa Santos
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution BY-NC-SA que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista. A licença adotada enquadra-se no padrão CC-BY-NC-SA.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
