Identificação de áreas com suscetibilidade de ocorrência de huaicos no departamento de Lima-Peru, com a utilização de machine learning
Carregando...
Data de Submissão
Data de Defesa
2026-05-28
Edição
Autores
Orientadores
Coorientadores
Cemin, Gisele
Editores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Descrição
O fenômeno conhecido no Peru como huaico caracteriza-se pela formação de fluxo superficial em áreas de relevo acentuado, sem cobertura vegetal e com formação geológica e geomorfológica frágil. Disso decorre o carreamento de materiais de granulometria variável arrastados pela água, fenômeno recorrente no país. A ocorrência dos huaicos está associado à urbanização das áreas mais planas, localizadas nas zonas de deposição aluvial mais próximas ao litoral, resultando, muitas vezes, em perdas socioeconômicas significativas. A identificação das áreas com suscetibilidade de ocorrência pode contribuir para o desenvolvimento de políticas de redução de risco de desastres. Neste contexto, no presente trabalho, foram utilizados algoritmos de machine learning para estimar a suscetibilidade de ocorrência de huaicos na região do departamento de Lima, no Peru. A pesquisa foi conduzida por meio da identificação de fatores ambientais desencadeantes do fenômeno, aliada ao uso do inventário de ocorrências. A abordagem de modelos mensais para os algoritmos e a comparação entre variáveis desencadeantes apontadas na bibliografia e relacionadas ao fenômeno buscam identificar a melhor representação da ocorrência de huaicos. Objetivou-se, por esta via, gerar uma metodologia válida para a identificação das áreas com suscetibilidade de ocorrência de huaicos. Para tanto, foram utilizados os ambientes do QGIS, com o uso da ferramenta Scikit-Learn, envolvendo os algoritmos Floresta Aleatória, Máquina de Vetores de Suporte, Redes Neurais Artificiais e Regressão Logística, e o MaxEnt, com vistas a gerar mapas de suscetibilidade. Os resultados envolvem a caracterização ambiental da área de estudo, incluindo os registros históricos de ocorrências de huaicos, bem como as características de altitude, declividade, geologia, geomorfologia e precipitação apontadas como desencadeantes do fenômeno pelo INGEMMET (Peru). Informações de aspecto, TRI, TWI, pedologia, ecossistemas, distância a partir de cursos hídricos e áreas urbanizadas também foram utilizadas para a representação do fenômeno. Todos os modelos aplicados apresentaram resultados adequados quanto à qualidade do modelo e à validade, com base no índice Kappa. Os modelos que consideram as variáveis do INGEMMET e o algoritmo Maxent apresentaram os melhores índices de qualidade (média de 0,92 de 1,00) e o índice Kappa (média de 0,96 de 1,00). Nessa condição, cerca de 26% das áreas do departamento de Lima apresentam suscetibilidade de ocorrência de huaicos. Destaca-se, ainda, que, apesar da variação decorrente da precipitação média mensal, 95% das áreas apontadas com suscetibilidade de ocorrência de huaicos nos modelos do Maxent são coincidentes. Para esses modelos, as variáveis mais importantes foram a geologia, com participação média de 58%, seguida da altitude e da precipitação média mensal. Embora a precipitação tenha apresentado participações elevadas em todos os modelos, a presença dessa variável não se tornou clara nas mudanças nos resultados dos meses. Dessa forma, apesar dos resultados terem sido altamente satisfatórios, sugere-se uma avaliação futura sem essa variável. Destaca-se, ainda, que os Objetivos do Desenvolvimento Sustentável abrangidos por este trabalho são os de erradicação da pobreza (1), de saúde e bem-estar (3), de educação de qualidade (4), de água potável e saneamento (6), de cidades e comunidades sustentáveis (11) e de ação contra a mudança global do clima (13). [resumo fornecido pelo autor]
Resumo
The phenomenon known in Peru as huaico is characterized by the formation of surface flow in areas of steep relief, lacking vegetation cover, and possessing fragile geological and geomorphological formations. This results in the transport of material with variable grain size swept away by water'a recurring phenomenon in the country. The occurrence of huaicos is associated with the urbanization of flatter areas located in alluvial deposition zones near the coast, often resulting in significant socioeconomic losses. Identifying areas with a probability of occurrence can contribute to the development of disaster risk reduction policies. In this context, the present study utilized machine learning algorithms to estimate the probability of huaico occurrence in the department of Lima, Peru. The research was conducted by identifying environmental factors that trigger the phenomenon, combined with the use of an occurrence inventory. A monthly modeling approach for the algorithms and a comparison between triggering variables identified in the literature sought to determine the best representation of huaico occurrences. The objective was to generate a valid methodology for identifying areas prone to these events. To this end, QGIS environments were utilized alongside the Scikit-Learn tool, involving the Random Forest, Support Vector Machine, Artificial Neural Networks, and Logistic Regression algorithms, as well as MaxEnt, to generate probability maps. The results involve the environmental characterization of the study area, including historical records of huaico occurrences, as well as characteristics of altitude, slope, geology, geomorphology, and precipitation identified as triggers by INGEMMET (Peru). Information on aspect, TRI, TWI, pedology, ecosystems, and distance from watercourses and urbanized areas was also used to represent the phenomenon. All applied models presented adequate results regarding model quality and validity based on the Kappa index. The models considering the INGEMMET variables and the MaxEnt algorithm showed the best quality indices (average of 0.92 out of 1.00) and Kappa indices (average of 0.96 out of 1.00). Under these conditions, approximately 26% of the areas in the department of Lima show a probability of huaico occurrence. Furthermore, despite the variation resulting from average monthly precipitation, 95% of the areas identified with a probability of huaico occurrence in the MaxEnt models are coincident. For these models, the most important variables were geology, with an average contribution of 58%, followed by altitude and average monthly precipitation. Although precipitation showed high contributions in all models, the presence of this variable did not clearly influence changes in the results across different months. Thus, while the results were highly satisfactory, a future evaluation without this variable is suggested. Finally, the Sustainable Development Goals covered by this work are Poverty Eradication (1), Good Health and Well-being (3), Quality Education (4), Clean Water and Sanitation (6), Sustainable Cities and Communities (11), and Climate Action (13). [resumo fornecido pelo autor]
Palavras-chave
Deslizamentos de terra - Peru, Geomorfologia - Peru, Catástrofes naturais - Peru, Prevenção de desastres, Sistemas de informação geográfica, Inteligência artificial, Aprendizado do computador, Landslides - Peru, Geomorphology - Peru, Natural disasters - Peru, Disaster prevention, Geographic information systems, Artificial intelligence, Machine learning
Citação
Santos, G. M.