Modelagem e análise das áreas suscetíveis a movimentos de massa na bacia hidrográfica do rio fão, a partir de redes neurais artificiais

Imagem em miniatura
Data
2018-10-08
Autores
Flores, Taísa
Título do periódico
ISSN
Título do Volume
Editor
Resumo
Em janeiro de 2010, a região que compreende a bacia hidrográfica do Rio Fão, integrante do Sistema Taquari-Antas, no Estado do Rio Grande do Sul, sofreu com a ocorrência de eventos climáticos extremos, os quais propiciaram a ocorrência de sequenciais movimentos de massa em encostas da região. Diversos setores localizados nessa bacia hidrográfica foram afetados por enxurradas de grande magnitude, com precipitações acumuladas que superaram 250 mm em menos de 24 horas. Além da intensa precipitação, verificou-se o surgimento de grande número de cicatrizes nas encostas, marcadas também pela amplitude dos eventos, alteração da paisagem, destruição e prejuízos. Assim, o objetivo do presente trabalho foi a modelagem e análise das áreas suscetíveis aos movimentos gravitacionais ou de massa, sendo a área de estudo a bacia hidrográfica do Rio Fão, no Rio Grande do Sul. Foram coletados dados in loco, como observações em campo, informações de moradores locais e análises de imagens defasadas no tempo, disponíveis no Google Earth Pro. O processo de modelagem se deu a partir da utilização de redes neurais artificiais (RNA), onde testou-se 90 configurações diferentes do modelo, divididas em 9 etapas. Inicialmente utilizou-se onze variáveis de entrada, e com o uso do algoritmo retropropagativo, a variável de menor influência no modelo foi cortada para a etapa seguinte, além disso houve também a variação de neurônios na camada oculta. Ao final identificou-se 121 cicatrizes decorrentes de movimentos de massa na região, tendo uma área total equivalente a 27,3 hectares. Gerou-se um mapa de suscetibilidade da área de estudo, dividindo o mesmo em quatro classes de suscetibilidade, sendo elas: baixa, média, alta e muito alta suscetibilidade, e com base em cada classe foram expostas diretrizes para o uso e ocupação da terra.
In January 2010, the region comprising the Fão River Basin, a member of the Taquari-Antas System, in the State of Rio Grande do Sul, suffered from the occurrence of extreme climatic events, which led to the occurrence of sequential landslides on slopes of the region. Several sectors located in this watershed were affected by large-scale floods, with cumulative rainfall exceeding 250 mm in less than 24 hours. In addition to intense precipitation, a large number of scars appeared on the slopes, also marked by the amplitude of the events, landscape alteration, destruction and losses. Thus, the objective of the present study was the modeling and analysis of the areas susceptible to gravitational or landslides, the study area being the Fão river basin, in Rio Grande do Sul. Data were collected in loco, such as field observations, local information and time-lagged image analysis available in Google Earth Pro. The modeling process was based on the use of artificial neural networks (ANNs), where 90 different configurations of the model were tested, divided into 9 phases. Initially, it was used eleven inputs, and using backpropagation algorithm, the variable with the least influence in the model was cut to the next step. In addition, there was also the variation of neurons in the hidden layer. At the end, 121 scars from landslides in the region were identified, has a total area of 27.3 hectares. A susceptibility map was generated from the study area, dividing it into four susceptibility classes: low, medium, high and very high, and based on each class, guidelines were set for land use and occupation.
Descrição
Palavras-chave
Geoprocessamento, Fluxo de detritos, Desastres naturais
Citação
FLORES, Taísa. Modelagem e análise das áreas suscetíveis a movimentos de massa na bacia hidrográfica do rio fão, a partir de redes neurais artificiais. 2018. Monografia (Graduação em Engenharia Ambiental) – Universidade do Vale do Taquari - Univates, Lajeado, 11 jul. 2018. Disponível em: http://hdl.handle.net/10737/2225.