Integração de sistemas para predição de deslizamentos de terra baseada em aprendizado de máquina

• Laedson Silva Pedreira Universidade Estadual de Feira de Santana http://orcid.org/0000-0003-1185-213X
• Maria do S. C. São Mateus Universidade Estadual de Feira de Santana http://orcid.org/0000-0003-2322-2290
• Rodrigo Tripodi Calumby Universidade Estadual de Feira de Santana https://orcid.org/0000-0001-8515-265X

DOI: https://doi.org/10.5753/sbsi_estendido.2022.222990

Resumo

Os deslizamentos de terra constituem um dos principais fenômenos causadores de desastres naturais, provocando prejuízos materiais e vítimas fatais. Por isso, um sistema inteligente capaz de prever esses eventos seria útil para suporte ao poder público no processo de tomada de decisão e no gerenciamento situacional em cidades inteligentes. Este trabalho realizou a integração de múltiplos sistemas necessários para enfrentar o problema e utilizou técnicas de mineração de dados e aprendizado de máquina na construção de uma base de dados integrada e na predição de deslizamentos de terra induzidos por chuvas. Os experimentos demonstraram resultados promissores, sendo corretamente preditos cerca 90% dos registros de deslizamentos.

Palavras-chave: Random Forest, Aprendizado de máquina, Mineração de dados, Predição, LightGBM, Deslizamento de Terra

Referências

Brasil (2008). Instituto Nacional de Pesquisas Espaciais (INPE). Topodata: banco de dados geomorfométricos do Brasil. Variáveis geomorfométricas locais.

Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.

Breiman, L., Friedman, J., Stone, C., and Olshen, R. (1984). Classification and Regression Trees. Taylor & Francis.

Farah, F. (2003). Habitação e encostas, volume volume. Instituto de Pesquisas Tecnológicas (IPT), São Paulo.

Farahmand, A. and Aghakouchak, A. (2013). A satellite-based global landslide model. Natural Hazards and Earth System Science, 13(5):1259–1267.

Haykin, S. S. (2009). Neural networks and learning machines. Pearson Education, third edition.

IBGE (2019). Suscetibilidade a deslizamentos do Brasil: primeira aproximação. Instituto Brasileiro de Geografia e Estatística - IBGE, Rio de Janeiro.

Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., and Liu, T. Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. Advances in Neural Information Processing Systems, 2017-December(Nips):3147–3155.

Kobiyama, M., Mendonça, M., Moreno, D. A., Marcelino, I. P. d. O., Marcelino, E. V., Brazetti, L. L. P., Goerl, R. F., Molleri, M. G. S. F., and Rudorf, F. d. M. R. (2006). Prevenção de desastres naturais - - Conceitos Básicos. page 109.

Korup, O. and Stolle, A. (2014). Landslide prediction from machine learning. Geology Today, 30.

Souza, F. T. d. and Ebecken, N. F. (2012). A Data Based Model to Predict Landslide Induced by Rainfall in Rio de Janeiro City. Geotechnical and Geological Engineering, 30(1):85–94.

Tehrani, F. S., Santinelli, G., and Herrera, M. (2019). A framework for predicting rainfall- induced landslides using machine learning methods. 17th European Conference on Soil Mechanics and Geotechnical Engineering, ECSMGE 2019 - Proceedings.