MACHINE LEARNING NA PREVISÃO DE DESLIZAMENTOS DEFLAGRADOS POR CHUVAS: DESEMPENHO E GENERALIZAÇÃO EM PETRÓPOLIS, RJ
"2025-09-12 08:54:41" // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php
App\Base\Administrativo\Model\Artigo {#1845 // 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" => 123637 "edicao_id" => 432 "trabalho_id" => 609 "inscrito_id" => 1537 "titulo" => "MACHINE LEARNING NA PREVISÃO DE DESLIZAMENTOS DEFLAGRADOS POR CHUVAS: DESEMPENHO E GENERALIZAÇÃO EM PETRÓPOLIS, RJ" "resumo" => "O município de Petrópolis, RJ, devido ao seu clima, relevo e crescimento urbano desordenado, possui longo histórico de desastres. Dentre estes, destacam-se os deslizamentos de terra cujas deflagrações estão relacionadas a eventos pluviométricos de alta intensidade, sendo notórios os deslizamentos ocorridos nos anos de 2011 e de 2022, e que resultaram em 73 e 234 mortes, respectivamente. Importantes ferramentas para a mitigação dos impactos causados por este tipo de desastre, os sistemas de alerta antecipado para deslizamentos (LEWS) processam dados provenientes de sensores (e.g. pluviômetros, sensores de poro-pressão etc.) instalados em áreas de interesse e classificam a probabilidade de ocorrência de um deslizamento a partir das variáveis monitoradas. Esta classificação é utilizada a fim de embasar a tomada de decisão de autoridades e possibilitar a evacuação da área de risco em tempo hábil para a redução de danos. Este trabalho visou investigar a possibilidade de desenvolvimento de um LEWS para o município de Petrópolis, pautado em modelos de machine learning, avaliando o desempenho de diferentes algoritmos, dentre eles Support Vector Machine (SVM), Multilayer Perceptron (MLP) e Random Forest (RF). Também foi avaliada a performance do modelo em termos de generalização espacial, buscando entender a necessidade de treinamento específico para cada região da área de interesse. O treinamento dos modelos foi realizado cruzando as séries históricas de precipitação no período de 2015 a 2024 de uma estação pluviométrica automática do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (CEMADEN) e os registros de ocorrências relacionadas a deslizamentos da Defesa Civil do Município de Petrópolis neste mesmo período de tempo. A escolha do pluviômetro utilizado para o fornecimento da série histórica se deu a partir da análise de características como integridade dos dados, tempo de funcionamento e distância média das ocorrências registradas. Constatou-se que os modelos classificadores baseados em MLP obtiveram os melhores resultados, com os menores índices de falsos negativos e falsos positivos, seguidos pelos modelos baseados em SVM e Random Forest, respectivamente. A melhor configuração de rede neural testada apresentou recall de 1,0, f1-score de 0,8, precision de 0,67 e False Positive Rate (FPR) de 0,018. Além disso, também se constatou que o modelo treinado não era generalizável para todo o município, tendo sido observada expressiva perda de desempenho até mesmo para a estação pluviométrica mais próxima, onde se verificou um acréscimo do número de falsos positivos que refletiu no seu FPR de 0,019 e redução de suas demais métricas (recall = 0,98, f1-score = 0,69 e precision = 0,53). Perdas de desempenho ainda maiores foram observadas para estações mais distantes, sendo as métricas da estação mais distante testada: recall = 1,0, f1-score = 0,17 e precision = 0,09 e FPR = 0,047. Sendo assim, o uso de algoritmos de machine-learning apresentou potencial para a aplicação em LEWS no município de Petrópolis, no entanto ainda é necessário o aprimoramento da metodologia para a espacialização dos resultados." "modalidade" => "Pôster (PO)" "area_tematica" => "GT 10 - Risco Geomorfológico: diagnóstico, prevenção e previsão" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV217_ID1537_TB609_26072025091233.pdf" "created_at" => "2025-09-15 11:26:50" "updated_at" => null "ativo" => 1 "autor_nome" => "ARTUR NONATO VIEIRA CERETO" "autor_nome_curto" => "Artur Cereto" "autor_email" => "arturcereto@id.uff.br" "autor_ies" => "UNIVERSIDADE FEDERAL FLUMINENSE (UFF)" "autor_imagem" => "" "edicao_url" => "anais-do-xv-simposio-nacional-de-geomorfologia" "edicao_nome" => "Anais do XV SIMPÓSIO NACIONAL DE GEOMORFOLOGIA" "edicao_evento" => "SIMPÓSIO NACIONAL DE GEOMORFOLOGIA" "edicao_ano" => 2025 "edicao_pasta" => "anais/sinageo/2025" "edicao_logo" => null "edicao_capa" => "68c4605097155_12092025150256.png" "data_publicacao" => null "edicao_publicada_em" => "2025-09-12 08:54:41" "publicacao_id" => 130 "publicacao_nome" => "Revista SINAGEO" "publicacao_codigo" => "978-65-5222-055-4" "tipo_codigo_id" => 2 "tipo_codigo_nome" => "ISBN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #original: array:35 [ "id" => 123637 "edicao_id" => 432 "trabalho_id" => 609 "inscrito_id" => 1537 "titulo" => "MACHINE LEARNING NA PREVISÃO DE DESLIZAMENTOS DEFLAGRADOS POR CHUVAS: DESEMPENHO E GENERALIZAÇÃO EM PETRÓPOLIS, RJ" "resumo" => "O município de Petrópolis, RJ, devido ao seu clima, relevo e crescimento urbano desordenado, possui longo histórico de desastres. Dentre estes, destacam-se os deslizamentos de terra cujas deflagrações estão relacionadas a eventos pluviométricos de alta intensidade, sendo notórios os deslizamentos ocorridos nos anos de 2011 e de 2022, e que resultaram em 73 e 234 mortes, respectivamente. Importantes ferramentas para a mitigação dos impactos causados por este tipo de desastre, os sistemas de alerta antecipado para deslizamentos (LEWS) processam dados provenientes de sensores (e.g. pluviômetros, sensores de poro-pressão etc.) instalados em áreas de interesse e classificam a probabilidade de ocorrência de um deslizamento a partir das variáveis monitoradas. Esta classificação é utilizada a fim de embasar a tomada de decisão de autoridades e possibilitar a evacuação da área de risco em tempo hábil para a redução de danos. Este trabalho visou investigar a possibilidade de desenvolvimento de um LEWS para o município de Petrópolis, pautado em modelos de machine learning, avaliando o desempenho de diferentes algoritmos, dentre eles Support Vector Machine (SVM), Multilayer Perceptron (MLP) e Random Forest (RF). Também foi avaliada a performance do modelo em termos de generalização espacial, buscando entender a necessidade de treinamento específico para cada região da área de interesse. O treinamento dos modelos foi realizado cruzando as séries históricas de precipitação no período de 2015 a 2024 de uma estação pluviométrica automática do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (CEMADEN) e os registros de ocorrências relacionadas a deslizamentos da Defesa Civil do Município de Petrópolis neste mesmo período de tempo. A escolha do pluviômetro utilizado para o fornecimento da série histórica se deu a partir da análise de características como integridade dos dados, tempo de funcionamento e distância média das ocorrências registradas. Constatou-se que os modelos classificadores baseados em MLP obtiveram os melhores resultados, com os menores índices de falsos negativos e falsos positivos, seguidos pelos modelos baseados em SVM e Random Forest, respectivamente. A melhor configuração de rede neural testada apresentou recall de 1,0, f1-score de 0,8, precision de 0,67 e False Positive Rate (FPR) de 0,018. Além disso, também se constatou que o modelo treinado não era generalizável para todo o município, tendo sido observada expressiva perda de desempenho até mesmo para a estação pluviométrica mais próxima, onde se verificou um acréscimo do número de falsos positivos que refletiu no seu FPR de 0,019 e redução de suas demais métricas (recall = 0,98, f1-score = 0,69 e precision = 0,53). Perdas de desempenho ainda maiores foram observadas para estações mais distantes, sendo as métricas da estação mais distante testada: recall = 1,0, f1-score = 0,17 e precision = 0,09 e FPR = 0,047. Sendo assim, o uso de algoritmos de machine-learning apresentou potencial para a aplicação em LEWS no município de Petrópolis, no entanto ainda é necessário o aprimoramento da metodologia para a espacialização dos resultados." "modalidade" => "Pôster (PO)" "area_tematica" => "GT 10 - Risco Geomorfológico: diagnóstico, prevenção e previsão" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV217_ID1537_TB609_26072025091233.pdf" "created_at" => "2025-09-15 11:26:50" "updated_at" => null "ativo" => 1 "autor_nome" => "ARTUR NONATO VIEIRA CERETO" "autor_nome_curto" => "Artur Cereto" "autor_email" => "arturcereto@id.uff.br" "autor_ies" => "UNIVERSIDADE FEDERAL FLUMINENSE (UFF)" "autor_imagem" => "" "edicao_url" => "anais-do-xv-simposio-nacional-de-geomorfologia" "edicao_nome" => "Anais do XV SIMPÓSIO NACIONAL DE GEOMORFOLOGIA" "edicao_evento" => "SIMPÓSIO NACIONAL DE GEOMORFOLOGIA" "edicao_ano" => 2025 "edicao_pasta" => "anais/sinageo/2025" "edicao_logo" => null "edicao_capa" => "68c4605097155_12092025150256.png" "data_publicacao" => null "edicao_publicada_em" => "2025-09-12 08:54:41" "publicacao_id" => 130 "publicacao_nome" => "Revista SINAGEO" "publicacao_codigo" => "978-65-5222-055-4" "tipo_codigo_id" => 2 "tipo_codigo_nome" => "ISBN" "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 => "*" ] }