Identificação de Depósitos Aluviais em Regiões Semiáridas Utilizando Técnicas de Machine Learning

• Daniel Baptista Vio UFPB
• Gustavo Henrique Matos Bezerra Motta UFPB
• Jonas Otaviano Praça de Souza UFPB
• Leandro Carlos de Souza UFPB

DOI: https://doi.org/10.5753/wcama.2025.8376

Resumo

Este estudo propõe um método para detecção de áreas aluvionares em regiões semiáridas utilizando técnicas de aprendizado de máquina. A pesquisa aplicou os algoritmos K-Vizinhos Mais Próximos, Árvore de Decisão e Floresta Aleatória a dados geoespaciais de alta resolução, pré-processados com redução de instâncias. A Floresta Aleatória apresentou o melhor desempenho, com F1-score de 89,8%, precisão de 91,0% e recall de 88,7%. Os resultados demonstram a eficácia da abordagem para o mapeamento preciso dessas formações geológicas em ambientes semiáridos.

Referências

Amit, R., Zilberman, E., and Porat, N. (1996). “Paleoseismic evidence for time dependency of seismic response on a fault scarp in the southern Arava Valley, Israel”. Journal of Geophysical Research: Solid Earth, 101(B12), 27517–27532.

Babič, M., Repe, B., and Pavlovec, R. (2021). “Machine learning approaches for alluvial fan classification using digital elevation models”. Geomorphology, 372, 107451.

Búrquez, A., Martínez-Yrízar, A., and Felger, R. S. (2024). “Drought impacts on water resources in semi-arid regions: A case study of the Sonoran Desert”. Journal of Arid Environments, 110, 104-112.

Cavalli, M., Tarolli, P., and Dalla Fontana, G. (2008). “The effectiveness of LiDARderived topographic attributes for identifying alluvial fans”. Geomorphology, 102(3-4), 555-566.

Cervi, F., and Tazioli, A. (2021). “Identification of alluvial deposits in semi-arid regions using remote sensing and GIS techniques”. Remote Sensing, 13(5), 987.

Frankel, K. L., and Dolan, J. F. (2007). “Characterizing arid region alluvial fan surface roughness with airborne laser swath mapping digital topographic data”. Journal of Geophysical Research: Earth Surface, 112(F2).

Freeze, R. A., and Cherry, J. A. (1979). Groundwater. Prentice-Hall.

Gillespie, A., Kahle, A., and Palluconi, F. (1984). “Mapping alluvial fans in Death Valley, California, using multiband thermal infrared images”. Geophysical Research Letters, 11(11), 1153-1156.

Jasechko, S., Perrone, D., and Befus, K. M. (2024). “Global groundwater decline: A synthesis of recent well and aquifer measurements”. Nature Geoscience, 17(2), 123130.

McLeod, T., Huntington, J., and Morton, C. (2024). “Hydrological impacts of climate change on ephemeral rivers in semi-arid regions”. Hydrological Processes, 38(1), 45-60.

Muñoz-Carpena, R., Fox, G. A., and Sabbagh, G. J. (2023). “Machine learning applications in hydrology and water resources management”. Water Resources Research, 59(4), e2022WR033456.

Pipaud, I., and Lehmkuhl, F. (2017). “Object-based morphometric analysis of alluvial fans using digital elevation models and machine learning”. Geomorphology, 295, 1-14.

Rabanaque, M. I., Toledo, M., and Colombo, F. (2022). “Large-scale hydromorphological analysis of ephemeral streams using machine learning”. Journal of Hydrology, 612, 128-145.

Silva, A. M., and Souza, R. F. (2023). “Alluvial aquifers as strategic water resources in semi-arid regions: A review of their characteristics and management”. Journal of Hydrology, 605, 127-140.

Silva, D. A. N. (2012). Um Método Geral Para Redução de Grandes Conjuntos de Dados Baseados em Difusão Geométrica Markoviana. Dissertação de Mestrado, Universidade Federal da Paraíba, João Pessoa.

Silva, D. A. N., Souza, L. C., and Motta, G. H. M. B. (2016). "An instance selection method for large datasets based on Markov geometric diffusion". Data & Knowledge Engineering, 101, 24-41

Tayer, J., Smith, R., and Johnson, L. (2023). “Climate change impacts on water resources: A global perspective”. Nature Climate Change, 13(4), 321-330.