Detecção automatizada de cicatrizes de deslizamentos de terra associado ao evento pluviométrico extremo em 2024 com uso de Inteligência Artificial: estudo de caso em um trecho da Bacia Hidrográfica Taquari Antas/RS

Vollständiger Abstract

Worum geht es in dieser Arbeit?

Em 2024, o Rio Grande do Sul (RS) enfrentou desastres geo-hidrológicos severos, como inundações históricas e Deslizamentos de Terra (DT), causados por elevados índices de Precipitação Pluviométrica (PP). Neste contexto, o Sensoriamento Remoto (SR) tem se mostrado essencial no monitoramento destes eventos extremos. Este estudo avaliou a acurácia dos classificadores supervisionados Random Forest (RF) e TempCNN na detecção de cicatrizes de DT em um trecho da Bacia Hidrográfica Taquari-Antas/RS (BHTA). Para isto, integrou-se o cubo de dados Sentinel-2 e o Modelo Digital de Elevação (MDE) por meio do software de código aberto Satellite Image Time Series Analysis (SITS) no R Studio. As bandas R, G, B, NIR e ELEVATION foram aplicadas como variáveis explicativas no RF, e apenas as bandas ópticas no TempCNN, devido às limitações do SITS. Os valores de PP foram obtidos no Google Earth Engine (GEE) com dados do Climate Hazards Center InfraRed Precipitation with Station (CHIRPS), para comparar o comportamento da magnitude do evento de PP (2023–2024). Os resultados indicaram acurácia global de 0,98% para RF e 0,97% para TempCNN. Embora ambas as técnicas apresentem alta acurácia global, mostraram baixas acurácias de usuário e produtor para a classe “Deslizamento”. Ajustes são necessários na intensificação amostral e na incorporação de variáveis ópticas adicionais, variáveis de sensores SAR e derivadas do MDE.