Dados da Submissão

Título

MODELO DE CLASSIFICAÇÃO DE SUSCETIBILIDADE A DESLIZAMENTOS EM BELO HORIZONTE UTILIZANDO REGRESSÃO LOGÍSTICA

Texto do resumo

Este estudo propõe um novo modelo de classificação de suscetibilidade a deslizamentos em Belo Horizonte, MG, utilizando inteligência artificial. Devido à rápida urbanização e à presença de muitas áreas de risco na região, a pesquisa busca melhorar a identificação de locais suscetíveis a deslizamentos, contribuindo para a prevenção de desastres e o planejamento urbano. A pesquisa utilizou dados da Defesa Civil de Belo Horizonte, da Companhia Urbanizadora e de Habitação de Belo Horizonte (Urbel), de noticiários, e bases cartográficas. Os dados coletados resultaram em um conjunto de 6.072 pontos, divididos igualmente entre 3.036 pontos de ocorrência de deslizamentos e 3.036 pontos representando locais sem ocorrências, evitando o desequilíbrio de classes e viés no modelo. Os fatores condicionantes utilizados como variáveis preditivas foram: elevação, declividade, orientação das encostas, curvatura plana e de perfil, Índice de Capacidade de Escoamento (SPI), Índice Topográfico de Umidade (TWI), distância das drenagens, litologia, e distância dos lineamentos. Após a limpeza e o pré-processamento dos dados, o conjunto foi dividido em 70% para treinamento e 30% para teste, utilizando a técnica de estratificação para garantir a representatividade das classes. Para otimizar o desempenho do modelo, foi realizada uma busca em grade (Grid Search) para ajustar os hiperparâmetros, utilizando validação cruzada com k-fold para avaliar diferentes combinações de valores. Para o treinamento do modelo, foi utilizado o classificador "LogisticRegression" do "scikit-learn" e foram treinados aproximadamente 150 modelos com diferentes combinações de parâmetros, a fim de obter um modelo otimizado. Os melhores parâmetros encontrados foram utilizados no modelo. O parâmetro 'C' foi definido como 1000, o parâmetro 'class_weight' foi definido como 'balanced', o parâmetro 'fit_intercept' foi definido como False, para 'Max_iter', definiu-se 1500 como o número máximo de iterações permitidas para a convergência do algoritmo. O tipo de regularização especificado pelo parâmetro 'classifier__penalty' foi configurado como 'l2', e o solver 'lbfgs' foi escolhido para otimizar os pesos do modelo durante o treinamento. O modelo de Regressão Logística (LR) foi ajustado com os hiperparâmetros otimizados, resultando em um modelo com acurácia de 76% no conjunto de teste e 75% no conjunto de treino. O recall foi de 77%, o f1-score foi de 0.76, e a AUC alcançou 0.84, indicando boa capacidade do modelo em discriminar entre classes positiva e negativa. Os resultados mostram que áreas de maior suscetibilidade a deslizamentos estão principalmente na região noroeste (Engenho Nogueira) e nordeste do município, associadas às rochas do Grupo Sabará no Quadrilátero Ferrífero. Regiões com suscetibilidade moderada a alta estão próximas aos lineamentos estruturais, enquanto áreas de baixa suscetibilidade se concentram em regiões de baixa altitude e declividade, situadas na porção central e norte do município. A Serra do Curral apresenta baixa suscetibilidade a deslizamentos, predominando quedas de blocos devido à orientação das descontinuidades, embora localmente possam ocorrer enxurradas e fluxos de detritos. O trabalho demonstra que a utilização de inteligência artificial na geração de mapas de suscetibilidade pode reduzir a subjetividade dos processos tradicionais, permitindo atualizações contínuas e revisões dos dados.

Palavras Chave

Deslizamentos; Inteligência Artificial; planejamento urbano; Belo Horizonte; regressão logística