Pesquisador Líder do Projeto: Francisco Fernandes
Área de Estudo: Zona Costeira de Moçanbique, África
Este estudo tem como área de interesse a zona costeira de Moçambique localizada na África. E tem como motivação os impactos negativos da erosão do solo, estratégias para mitigar e gerenciar esse fenômeno são fundamentais. Uma abordagem eficaz é o mapeamento da suscetibilidade à erosão do solo (Soil Erosion Susceptibility Mapping – SESM), que exige tanto um inventário de áreas afetadas quanto a análise dos fatores condicionantes da erosão. A construção desse mapa pode ser realizada em ambientes GIS ou de programação, considerando variáveis que influenciam o processo erosivo. Além disso, uma análise detalhada da correlação espacial entre esses fatores e a ocorrência de erosão pode aprimorar a estimativa da suscetibilidade. Entre os fatores mais relevantes estão o clima, a topografia, a geologia, as características do solo e a cobertura vegetal. Um dos principais desafios na modelagem do SESM é a obtenção de um inventário confiável da erosão. O mapeamento in situ de grandes áreas é impraticável, e a detecção por imagens de satélite, embora viável, pode ser onerosa e subjetiva, levando a erros de classificação, especialmente em regiões áridas, como boa parte da zona costeira da África. Para lidar com essa limitação, propomos uma abordagem híbrida que combina algoritmos não supervisionados para identificar padrões espaciais de suscetibilidade com modelos supervisionados que refinam e aprimoram essas previsões. Neste projeto, inicialmente, sete fatores condicionantes contínuos serão analisados por meio do algoritmo não supervisionado k-means, gerando um mapa preliminar de suscetibilidade à erosão. Em seguida, 2.000 amostras de áreas suscetíveis (rótulo “1”) serão coletadas, enquanto um número equivalente de amostras de regiões de baixa suscetibilidade (rótulo “0”) será selecionado, formando um conjunto de treinamento equilibrado para o SESM. Para estimar a suscetibilidade à erosão, desenvolveremos um modelo ensemble baseado na média ponderada da área sob a curva ROC (AUC) de treinamento de três algoritmos de aprendizado supervisionado: Floresta Aleatória Paralela (PRF), Floresta Aleatória Regularizada (RRF) e Floresta Aleatória (RF). Tanto os modelos individuais quanto o modelo ensemble serão avaliados, verificando sua robustez e capacidade preditiva. A principal inovação deste estudo é a aplicação de um método ensemble inédito para avaliar a suscetibilidade à erosão do solo na área de estudo. Por fim, o desempenho dos modelos será validado com métricas estatísticas como sensibilidade, especificidade, precisão e AUC, garantindo uma avaliação abrangente da eficácia da abordagem proposta.
