Predição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBotelho, Mosar Faria-
Autor(es): dc.contributorBotelho, Mosar Faria-
Autor(es): dc.contributorMiranda, Fabiani das Dores Abati-
Autor(es): dc.contributorSartor, Laercio Ricardo-
Autor(es): dc.creatorDebastiani, Aline Bernarda-
Data de aceite: dc.date.accessioned2022-02-21T21:24:36Z-
Data de disponibilização: dc.date.available2022-02-21T21:24:36Z-
Data de envio: dc.date.issued2020-11-12-
Data de envio: dc.date.issued2020-11-12-
Data de envio: dc.date.issued2013-03-27-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/10901-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/652007-
Descrição: dc.descriptionLandslides all over the world have been causing big losses both economically and in lives. With the use of geotechnologies associated to the potential of the artificial intelligence is believed that it is possible to prevent or mitigate the impacts caused by such event. The objective is to test the ANN technique to verify if it is able to learn the existent patterns in the risk areas, and if it is possible to apply this learning to verify areas with landslide potential, both in the same area as in another one with some different characteristics. For this, was researched with the competent organs of the estate for the occurrence of landslides and its spatial location, information about the use and occupancy of the land, spectral image, land class, slope, hydrography, direction and length of the flow in the same place of the events occurrence. The information was introduced in the input layer of the ANN. To maximize the ANN learning rate, different architectures were verified empirically. The best result for the learning corresponded to 91.66% of success that was passed to the simulation. The simulation was applied in a part of the area that was used for training and for the city of Dois Vizinhos, that corresponds to an area with different characteristics from the training area. The ANN found a model for the patterns of the risk areas presented and was verified that these patterns also happens in different regions from those where the ANN architecture was trained because they have some similarities in their spectral or spatial data. Therefore, these results can help the managing organs in the decision making regarding to the prevention in areas with potential landslide risk.-
Descrição: dc.descriptionFundação Araucária-
Descrição: dc.descriptionOs deslizamentos no mundo inteiro têm causado grandes perdas econômicas e sociais. Com o uso de geotecnologias associadas ao potencial de inteligência artificial acredita-se que se possa prevenir ou amenizar os impactos causados por tal evento. Este trabalho teve objetivo testar a técnica da rede neural artificial (RNA) para verificar se a mesma é capaz de aprender os padrões existentes nas áreas de risco, e se é possível aplicar este aprendizado para verificar áreas com potencial para desmoronar, tanto na mesma área quanto em outra com algumas características diferentes. Portanto, buscou-se junto aos órgãos competentes do estado por ocorrência de deslizamento e a sua localização espacial, além de informações referentes ao uso e ocupação do solo, imagem espectral, classe de solo, declividade, hidrografia, direção do fluxo e comprimento do fluxo do mesmo local de ocorrência dos eventos, estas informações foram atribuídas na camada de entrada da RNA. Para maximizar o desempenho de aprendizagem da RNA, foram verificadas diferentes arquiteturas empiricamente. O melhor resultado para o aprendizado correspondeu a 91,66% de acerto que foi passado para a simulação. A simulação foi aplicada para uma parte da área que foi utilizada como treinamento e para o município de Dois Vizinhos, que corresponde a uma área com características diferentes da área de treinamento. A RNA encontrou um modelo para os padrões das áreas de risco apresentados e verificou-se que esses padrões ocorrem também em diferentes regiões das quais a arquitetura da RNA foi treinada pois apresentam alguma semelhança em seus dados espectrais ou espaciais. Portanto, esses resultados podem auxiliar os órgãos gestores na tomada de decisão quanto a prevenção de áreas com potencial a risco de desmoronamento.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherDois Vizinhos-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherCurso de Engenharia Florestal-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectGeomorfologia-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectGeomorphology-
Palavras-chave: dc.subjectCNPQ::CIENCIAS AGRARIAS::RECURSOS FLORESTAIS E ENGENHARIA FLORESTAL-
Título: dc.titlePredição de áreas de risco de deslizamento usando a rede neural artificial como critério de decisão-
Título: dc.titlePrediction of landslide risk areas using artificial neural network as decision criterion-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.