O artigo “Mapeamento da suscetibilidade a inundação usando os modelos Floresta Aleatória e Máquina Vetor de Suporte com diferentes tipos de kernel”, publicado em 24 de agosto de 2024, tem como autores Francisco Amaral, Edson Luís Piroli e Viviane Corrêa Santos, vinculados à Universidade Estadual Paulista (UNESP) e à Universidade do Estado do Pará (UEPA). O estudo tem como objetivo avaliar o potencial preditivo dos modelos Floresta Aleatória (RF) e Máquina de Vetores de Suporte (SVM) com diferentes funções kernel para prever a suscetibilidade a inundações na microbacia urbana do rio Castanhal, localizada na Amazônia Oriental brasileira.
A pesquisa foi baseada em um inventário de inundações registradas entre 2020 e 2022, além de um banco de dados geoespacial contendo dez 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. Para modelagem da suscetibilidade, foram estimados cinco modelos utilizando os algoritmos RF e SVM com quatro funções kernel distintas: linear (LN), polinomial (PL), função de base radial (FBR) e sigmoide (SIG).
A validação dos modelos foi realizada por meio de métricas estatísticas e da área sob a curva (AUC). Os resultados indicaram que os valores de AUC para os modelos SVM-FBR, SVM-PL, SVM-LN e SVM-SIG foram de 98,28%, 97,32%, 96,74% e 73,35%, respectivamente, demonstrando variação na precisão conforme o tipo de kernel utilizado. O modelo RF obteve a maior taxa de predição, com AUC de 98,94%, evidenciando sua alta capacidade de previsão da suscetibilidade a inundações. Além disso, os fatores condicionantes mais influentes identificados na modelagem foram altitude, HAND, perfis de solo, distância dos canais e precipitação.
Os achados da pesquisa confirmam que tanto o RF quanto o SVM são ferramentas eficazes e confiáveis para a geração de modelos de suscetibilidade a inundações, podendo subsidiar estratégias de mitigação e planejamento urbano. Os mapas resultantes da modelagem oferecem suporte para a gestão de riscos hidrometeorológicos e o desenvolvimento de políticas públicas voltadas à redução dos impactos socioambientais causados por enchentes, sendo especialmente relevantes para áreas urbanas vulneráveis da Amazônia.
Como Citar: Amaral, F. (2024). Mapeamento da suscetibilidade a inundação usando os modelos Floresta Aleatória e Máquina Vetor de Suporte com diferentes tipos de kernel (E. L. Piroli & V. C. Santos , Trads.). Revista Do Departamento De Geografia, 44, e213348 . https://doi.org/10.11606/eISSN.2236-2878.rdg.2024.213348
