Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Korea University | - |
Autor(es): dc.creator | Alcântara, Enner | - |
Autor(es): dc.creator | Baião, Cheila Flávia | - |
Autor(es): dc.creator | Guimarães, Yasmim Carvalho | - |
Autor(es): dc.creator | Mantovani, José Roberto | - |
Autor(es): dc.creator | Marengo, José Antonio | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:55:17Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:55:17Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2023-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.nhres.2024.10.003 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/308873 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/308873 | - |
Descrição: dc.description | This study employs machine learning techniques to map and predict landslide-prone areas in São Sebastião, Brazil, a region susceptible to landslides due to its steep terrain and intense rainfall. We compared five algorithms: Random Forest, Gradient Boosting, Support Vector Machine, Artificial Neural Network, and k-Nearest Neighbors, using various environmental factors as inputs. The Gradient Boosting model performed best, achieving an AUC-ROC of 0.963 and an accuracy of 99.6%. Slope degree, soil moisture index, and relief dissection emerged as the most influential factors in predicting landslide susceptibility. Analysis of land use and land cover changes between 1985 and 2021 revealed significant increases in forest cover and urban areas, with implications for landslide risk distribution. The resulting susceptibility map shows predominantly low-risk areas with scattered high-risk zones, providing crucial information for targeted risk management. This research demonstrates the effectiveness of machine learning in landslide susceptibility mapping and offers valuable insights for disaster risk reduction and urban planning in coastal mountainous regions. | - |
Descrição: dc.description | Institute of Science and Technology São Paulo State University (Unesp), SP | - |
Descrição: dc.description | Graduate Program in Natural Disasters (Unesp/CEMADEN), SP | - |
Descrição: dc.description | Graduate School of International Studies Korea University | - |
Descrição: dc.description | Institute of Science and Technology São Paulo State University (Unesp), SP | - |
Descrição: dc.description | Graduate Program in Natural Disasters (Unesp/CEMADEN), SP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Natural Hazards Research | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Brazil | - |
Palavras-chave: dc.subject | Land use change | - |
Palavras-chave: dc.subject | Landslide susceptibility | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | São sebastião | - |
Título: dc.title | Machine learning approaches for mapping and predicting landslide-prone areas in São Sebastião (Southeast Brazil) | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: