Uma proposta de aprimoramento na previsão de deslizamentos de terra com aprendizado de máquina

• Renan Neves Rego UPE
• Thulio Aleixo Bezerra Brito UPE
• Keisy Lizandra Silva Vasconcelos UPE
• Fernando Pontual de Souza Leão Júnior UPE
• Jackson Raniel Florencio da Silva UPE

DOI: https://doi.org/10.5753/semish.2025.8501

Resumo

No Brasil, milhões de pessoas vivem em áreas de risco de enchentes e deslizamentos de terra, especialmente na Região Metropolitana do Recife. A crescente frequência de desastres naturais, como as chuvas intensas que causaram mortes e danos em 2021 e 2022, destaca a necessidade de sistemas de alerta eficazes. Este trabalho propõe a implementação de gatilhos dinâmicos em um sistema de monitoramento hidrometeorológico e de alerta para deslizamentos de terra, utilizando aprendizado de máquina para melhorar a precisão das previsões e fortalecer a resiliência urbana. Os resultados demonstram que a combinação de algoritmos como SVM com técnicas de oversampling, como ADASYN, alcançou um recall de 0,91 para a classe de deslizamentos, identificando corretamente 10 de 11 eventos críticos, evidenciando o potencial do modelo em aprimorar a detecção desses eventos e mitigar riscos por meio de um monitoramento mais preciso. A metodologia utilizada neste projeto é a Pesquisa em Ciência do Design (DSR). Em conclusão, a implementação de gatilhos dinâmicos, combinada com a coleta e padronização de dados relevantes, como informações sobre precipitação e deslizamentos de terra, fortalece a resiliência urbana e contribui significativamente para a proteção de vidas e propriedades. No entanto, o trabalho também enfatiza a necessidade de expandir a rede de monitoramento, coletar dados adicionais e melhorar os algoritmos para garantir a precisão e a eficácia do sistema a longo prazo.

Referências

Blagus, Rok, L. L. (2010). Class prediction for high-dimensional class-imbalanced data. BMC Bioinformatics, 11:523–523.

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

Brunetti, M. T., Peruccacci, S., Rossi, M., Luciani, S., Valigi, D., and Guzzetti, F. (2010). Rainfall thresholds for the possible occurrence of landslides in italy. Natural Hazards and Earth System Sciences, 10(3):447–458.

Cortes, Corinna, V. V. (1995). Support-vector networks. Machine Learning, 20:273–297.

Costa, A., Cipriano, J., Rego, R., Oliveira, C., Orengo, J., Brito, C., Guedes, R., Silva, T., and Jr, F. (2023). DESENVOLVIMENTO DE UM SISTEMA DE ALERTA DE DESLIZAMENTOS DE TERRA EM ESCALA MUNICIPAL: MONITORAMENTO, GATILHOS E PREVISÃO METEOROLÓGICA.

de Assis Dias, M. C., Saito, S. M., dos Santos Alvalá, R. C., Stenner, C., Pinho, G., Nobre, C. A., de Souza Fonseca, M. R., Santos, C., Amadeu, P., Silva, D., et al. (2018). Estimation of exposed population to landslides and floods risk areas in brazil, on an intra-urban scale. International Journal of Disaster Risk Reduction, 31:449–459.

Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. Annals of Statistics, 29(5):1189–1232.

Gregor, Shirley, H. A. R. (2013). Positioning and presenting design science research for maximum impact. MIS Quarterly, 37(2):337–355.

Han, Jiawei, Kamber, Micheline, Pei, and Jian (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann, 3 edition.

He, H., Bai, Y., Garcia, E. A., and Li, S. (2008). Adasyn: Adaptive synthetic sampling approach for imbalanced learning. In 2008 IEEE international joint conference on neural networks (IEEE world congress on computational intelligence), pages 1322–1328. Ieee.

Hevner, A. R., March, S. T., Park, J., and Ram, S. (2004). Design science in information systems research. MIS quarterly, pages 75–105.

Hutter, F., Kotthoff, L., and Vanschoren, J. (2019). Automated machine learning: methods, systems, challenges. Springer Nature.

Jordan, M. I. and Mitchell, T. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349:255–260.

Kanungo, D. and Sharma, S. (2014). Rainfall thresholds for prediction of shallow landslides around chamoli-joshimath region, garhwal himalayas, india. Landslides, 11(4):629–638.

Kohavi, R. (2001). A study of cross-validation and bootstrap for accuracy estimation and model selection. 14.

March, Salvatore, S. G. (1995). Design and natural science research on information technology. Decision Support Systems, 15:251–266.

Marchezini, V., o., editor (2017). Reduction of vulnerability to disasters: from knowledge to action. RiMa Editora São Carlos - SP.

Moraes, Katarina e Ferreira, C. (2023). Desastre das chuvas em pernambuco completa um ano com 134 mortes e nenhuma responsabilização. [link].

Nitesh, Chawla, V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002). Smote: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16:321–357.

Peffers, K., Tuunanen, T., Rothenberger, M. A., and Chatterjee, S. (2008). A design science research methodology for information systems research. Journal of Management Information Systems, 24:45–77.