Pesquisador Líder do Projeto: Francisco Fernandes
Área de Estudo: Cidade de Belo Horizonte, MG
Os deslizamentos de terra estão entre os desastres naturais mais destrutivos, causando perdas econômicas e humanas significativas. O mapeamento de suscetibilidade a deslizamentos de terra (LSM) é uma ferramenta essencial para mitigar esses impactos, classificando áreas conforme o risco de ocorrência. Para isso, são necessárias duas etapas principais: a primeira é a coleta de dados, incluindo fatores condicionantes e registros de deslizamentos; e a segunda é a seleção do modelo mais adequado. Com os avanços tecnológicos, a aquisição de dados tornou-se mais acessível, e diversas abordagens vêm sendo aplicadas ao LSM, incluindo métodos heurísticos, físicos, estatísticos e de aprendizado de máquina. Nos últimos anos, modelos híbridos e de conjunto ganharam destaque por sua alta precisão e capacidade de generalização, combinando diferentes técnicas para melhorar a previsão e o gerenciamento de riscos. A abordagem baseada em aprendizado de máquina para LSM divide-se em aprendizado supervisionado e não supervisionado. O aprendizado supervisionado utiliza amostras rotuladas, distinguindo áreas com e sem deslizamentos, garantindo maior precisão. Já o aprendizado não supervisionado, que inclui análise fatorial, de agrupamento e de componentes principais, depende apenas dos fatores condicionantes, mas sua precisão é mais difícil de validar. O avanço do GPS e do sensoriamento remoto facilitou a coleta de locais afetados por deslizamentos, enquanto a identificação de áreas não impactadas continua desafiadora, podendo introduzir ruídos nos dados e afetar a consistência do modelo. Entre os principais algoritmos supervisionados aplicados ao LSM estão a regressão logística, floresta aleatória, redes neurais artificiais e máquinas de vetor de suporte, que têm se destacado pela alta precisão e capacidade preditiva. A seleção dos modelos mais adequados para LSM tem sido amplamente debatida, sem um consenso definitivo, pois o desempenho varia conforme a área de estudo e critérios técnicos de amostragem e processamento. Assim, a comparação entre diferentes métodos continua essencial. Neste projeto, propomos um modelo híbrido combinando o método AHP-gaussiano (não supervisionado) com três algoritmos de aprendizado supervisionado (Random Forest, Perceptron Multicamadas e Multivariate Adaptive Regression Splines) para mapear a suscetibilidade a deslizamentos de terra em Belo Horizonte, capital de Minas Gerais. Para isso, será utilizada uma coleção de fatores condicionantes geofísicos, incluindo relevo, topografia, geologia, antropização e variáveis ambientais. A primeira etapa consiste na amostragem aleatória dessas características no ambiente SIG (QGIS), gerando um conjunto de 6.000 pontos vetoriais. Esses dados serão processados pelo método AHP-gaussiano, resultando em uma hierarquização que será posteriormente reclassificada em uma escala binária: 1 (alta suscetibilidade) e 0 (baixa suscetibilidade). As 1000 primeiras extremidades positivas e negativas desse conjunto servirão como amostras para o treinamento dos três algoritmos de aprendizado supervisionado, que serão confeccionados utilizando as linguagens de programação R e Python. O desempenho dos modelos será avaliado com base em métricas como sensibilidade, especificidade, precisão e área sob a curva (AUC), comparando os resultados a um catálogo de áreas previamente afetadas por deslizamentos reais.
