MODELAGEM PREDITIVA UTILIZANDO MACHINE LEARNING APLICADA A SUSCETIBILIDADE À EROSÃO NA BACIA HIDROGRÁFICA DO RIO INHAUMA, PERNAMBUCO
"2024-11-26" // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php
App\Base\Administrativo\Model\Artigo {#1843 // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php #connection: "mysql" +table: "artigo" #primaryKey: "id" #keyType: "int" +incrementing: true #with: [] #withCount: [] +preventsLazyLoading: false #perPage: 15 +exists: true +wasRecentlyCreated: false #escapeWhenCastingToString: false #attributes: array:35 [ "id" => 118625 "edicao_id" => 380 "trabalho_id" => 1220 "inscrito_id" => 1114 "titulo" => "MODELAGEM PREDITIVA UTILIZANDO MACHINE LEARNING APLICADA A SUSCETIBILIDADE À EROSÃO NA BACIA HIDROGRÁFICA DO RIO INHAUMA, PERNAMBUCO" "resumo" => "A erosão do solo é um processo natural que desempenha relevante função na evolução das paisagens geomorfológicas. Com o avanço tecnológico e o aumento do poder computacional, é possível a utilização de modelos para espacialização e mensuração da suscetibilidade à erosão, o exemplo disso é a utilização do modelo de algoritmos de regressão logística (LR), de maneira prioritária, é considerado um modelo estatístico para resolver problemas de classificação binária. Sendo o (LR) adotado pelo Machine Learning (ML) do domínio dos modelos estatísticos e é hoje em dia um dos algoritmos mais empregados. O estudo objetivou analisar a suscetibilidade à erosão, aplicando a técnica de regressão logística em uma bacia hidrográfica em zona tropical subúmida no agreste pernambucano. Para o entendimento dos fatores condicionantes, foram utilizados os atributos topográficos mais relevantes para a erosão hídrica, como: Altimetria; Declividade; Curvatura; Orientação das Vertentes; Índice topográfico de umidade. Foram coletados 264 pontos de treinamento e validação. Obteve-se como resultado que cerca de 27,11% da bacia é muito suscetível, 14,95% suscetível e 14,46% moderadamente\u{A0}suscetível." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "ET 06 - As Geotecnologias e os novos avanços no campo da análise espacial e geográfica" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV206_MD1_ID1114_TB1220_15092024190933.pdf" "created_at" => "2024-12-13 10:12:46" "updated_at" => null "ativo" => 1 "autor_nome" => "FERNANDO DA SILVA ALEXANDRE" "autor_nome_curto" => "FERNANDO" "autor_email" => "fnando257@gmail.com" "autor_ies" => "UNIVERSIDADE FEDERAL DE PERNAMBUCO (UFPE)" "autor_imagem" => "" "edicao_url" => "anais-do-xx-sbgfa---simposio-brasileiro-de-geografia-fisica-aplicada--iv-elaagfa---encontro-luso-afro-americano-de-geografia-fisica-e-ambiente" "edicao_nome" => "Anais do XX SBGFA - Simpósio Brasileiro de Geografia Física Aplicada & IV ELAAGFA - Encontro Luso-Afro-Americano de Geografia Física e Ambiente" "edicao_evento" => "XX Simpósio Brasileiro de Geografia Física Aplicada & IV ELAAGFA Encontro Luso-Afro-Americano de Geografia Física e Ambiente" "edicao_ano" => 2024 "edicao_pasta" => "anais/sbgfa/2024" "edicao_logo" => null "edicao_capa" => "6745c268e6a83_26112024094320.png" "data_publicacao" => "2024-11-26" "edicao_publicada_em" => "2024-11-18 10:22:02" "publicacao_id" => 113 "publicacao_nome" => "Revista SBGFA" "publicacao_codigo" => "2236-5311" "tipo_codigo_id" => 1 "tipo_codigo_nome" => "ISSN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #original: array:35 [ "id" => 118625 "edicao_id" => 380 "trabalho_id" => 1220 "inscrito_id" => 1114 "titulo" => "MODELAGEM PREDITIVA UTILIZANDO MACHINE LEARNING APLICADA A SUSCETIBILIDADE À EROSÃO NA BACIA HIDROGRÁFICA DO RIO INHAUMA, PERNAMBUCO" "resumo" => "A erosão do solo é um processo natural que desempenha relevante função na evolução das paisagens geomorfológicas. Com o avanço tecnológico e o aumento do poder computacional, é possível a utilização de modelos para espacialização e mensuração da suscetibilidade à erosão, o exemplo disso é a utilização do modelo de algoritmos de regressão logística (LR), de maneira prioritária, é considerado um modelo estatístico para resolver problemas de classificação binária. Sendo o (LR) adotado pelo Machine Learning (ML) do domínio dos modelos estatísticos e é hoje em dia um dos algoritmos mais empregados. O estudo objetivou analisar a suscetibilidade à erosão, aplicando a técnica de regressão logística em uma bacia hidrográfica em zona tropical subúmida no agreste pernambucano. Para o entendimento dos fatores condicionantes, foram utilizados os atributos topográficos mais relevantes para a erosão hídrica, como: Altimetria; Declividade; Curvatura; Orientação das Vertentes; Índice topográfico de umidade. Foram coletados 264 pontos de treinamento e validação. Obteve-se como resultado que cerca de 27,11% da bacia é muito suscetível, 14,95% suscetível e 14,46% moderadamente\u{A0}suscetível." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "ET 06 - As Geotecnologias e os novos avanços no campo da análise espacial e geográfica" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV206_MD1_ID1114_TB1220_15092024190933.pdf" "created_at" => "2024-12-13 10:12:46" "updated_at" => null "ativo" => 1 "autor_nome" => "FERNANDO DA SILVA ALEXANDRE" "autor_nome_curto" => "FERNANDO" "autor_email" => "fnando257@gmail.com" "autor_ies" => "UNIVERSIDADE FEDERAL DE PERNAMBUCO (UFPE)" "autor_imagem" => "" "edicao_url" => "anais-do-xx-sbgfa---simposio-brasileiro-de-geografia-fisica-aplicada--iv-elaagfa---encontro-luso-afro-americano-de-geografia-fisica-e-ambiente" "edicao_nome" => "Anais do XX SBGFA - Simpósio Brasileiro de Geografia Física Aplicada & IV ELAAGFA - Encontro Luso-Afro-Americano de Geografia Física e Ambiente" "edicao_evento" => "XX Simpósio Brasileiro de Geografia Física Aplicada & IV ELAAGFA Encontro Luso-Afro-Americano de Geografia Física e Ambiente" "edicao_ano" => 2024 "edicao_pasta" => "anais/sbgfa/2024" "edicao_logo" => null "edicao_capa" => "6745c268e6a83_26112024094320.png" "data_publicacao" => "2024-11-26" "edicao_publicada_em" => "2024-11-18 10:22:02" "publicacao_id" => 113 "publicacao_nome" => "Revista SBGFA" "publicacao_codigo" => "2236-5311" "tipo_codigo_id" => 1 "tipo_codigo_nome" => "ISSN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #changes: [] #casts: array:14 [ "id" => "integer" "edicao_id" => "integer" "trabalho_id" => "integer" "inscrito_id" => "integer" "titulo" => "string" "resumo" => "string" "modalidade" => "string" "area_tematica" => "string" "palavra_chave" => "string" "idioma" => "string" "arquivo" => "string" "created_at" => "datetime" "updated_at" => "datetime" "ativo" => "boolean" ] #classCastCache: [] #attributeCastCache: [] #dates: [] #dateFormat: null #appends: [] #dispatchesEvents: [] #observables: [] #relations: [] #touches: [] +timestamps: false #hidden: [] #visible: [] +fillable: array:13 [ 0 => "edicao_id" 1 => "trabalho_id" 2 => "inscrito_id" 3 => "titulo" 4 => "resumo" 5 => "modalidade" 6 => "area_tematica" 7 => "palavra_chave" 8 => "idioma" 9 => "arquivo" 10 => "created_at" 11 => "updated_at" 12 => "ativo" ] #guarded: array:1 [ 0 => "*" ] }