LANDSLIDE SUSCEPTIBILITY MAPPING BASED ON GEOMORPHOLOGICAL VARIABLES USING ARTIFICIAL NEURAL NETWORKS
DOI:
https://doi.org/10.18623/rvd.v23.7182Keywords:
Landslides, Landslide Susceptibility, Artificial Neural Networks, Spatial Analysis, Environmental Risk ManagementAbstract
In the Metropolitan Region of Recife, mass movements, especially landslides, represent one of the main socio-environmental threats, particularly in economically vulnerable areas. The increasing frequency of these events, associated with intense rainfall and greater urban vulnerability, highlights the need for accurate and accessible methods for risk assessment. This study developed a landslide susceptibility map for the Lagoa Encantada community, located in the Barreiras Formation in Recife, Pernambuco, Brazil, using Artificial Neural Networks (ANN). Seven geomorphological variables were generated in QGIS and processed in Python for model training and validation. Model performance was evaluated using accuracy, sensitivity, F1-score, and the area under the Receiver Operating Characteristic (ROC) curve. The results showed accuracy, sensitivity, and F1-score values above 90%, as well as an area under the ROC curve greater than 0.9 for both training and test data, demonstrating the model’s high predictive capacity. Compared with traditional methods, such as SINMAP and analytical approaches, the ANN provided greater spatial continuity and a more detailed representation of susceptibility patterns, with satisfactory agreement with the landslide inventory. The results indicate that artificial neural networks represent an efficient and accessible alternative to conventional methods, providing support for landslide susceptibility assessment, risk management, and territorial planning in urban contexts.
References
ALEOTTI, P.; CHOWDHURY, R. Landslide hazard assessment: summary review and new perspectives. Bulletin of Engineering Geology and the Environment, v. 58, p. 21-44, 1999. DOI: 10.1007/s100640050066.
AMORIM, S. F. Estudio comparativo de métodos para la evaluación de la susceptibilidad del terreno a la formación de deslizamientos superficiales: aplicación al Pirineo Oriental. 2012. Tese (Doutorado) – Universitat Politècnica de Catalunya, Barcelona, 2012.
ARAÚJO, L. F. G. de et al. Panorama geral das ocorrências associadas a movimentos de massa em encostas na cidade do Recife-PE. Revista Políticas Públicas & Cidades, v. 14, n. 2, p. e1764, 2025.
AZEVEDO, C. S. Uso de redes neurais artificiais na elaboração de mapas de suscetibilidade para escorregamentos planares rasos. 2022. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2022.
BAEZA, C. Evaluación de las condiciones de rotura y la movilidad de los deslizamientos superficiales mediante el uso de técnicas de análisis multivariante. 1994. Tese (Doutorado) – Universitat Politècnica de Catalunya, Barcelona, 1994.
BISHOP, C. M. Pattern recognition and machine learning. New York: Springer, 2006.
BRAGAGNOLO, L.; SILVA, R. V. da; GRZYBOWSKI, J. M. V. Mapeamento da suscetibilidade a deslizamentos com redes neurais artificiais a partir do módulo gratuito e de código aberto r.landslide. In: SIMPÓSIO DE PRÁTICAS DE ENGENHARIA GEOTÉCNICA DA REGIÃO SUL, 12., 2019. Anais [...]. 2019.
BRAUN, A. et al. Landslide susceptibility mapping in Tegucigalpa, Honduras, using data mining methods. In: IAEG/AEG ANNUAL MEETING, 2018, San Francisco. Proceedings [...]. Cham: Springer International Publishing, 2019. v. 1, p. 207-215.
COUTINHO, R. Q. et al. Mapeamento de áreas de risco de deslizamento na comunidade Lagoa Encantada, Recife-PE. Contribuciones a las Ciencias Sociales, v. 16, n. 10, p. 23106-23124, 2023.
COUTINHO, R. Q.; MORAIS, B. D. de; OLIVEIRA, M. S. de. Caracterização geotécnica de encostas da Formação Barreiras localizadas no bairro Ibura (Cohab), Recife-PE. In: CONGRESSO BRASILEIRO DE MECÂNICA DOS SOLOS E ENGENHARIA GEOTÉCNICA, 20., 2020, Campinas: ABMS, 2020.
FELL, R. et al. Guidelines for landslide susceptibility, hazard and risk zoning for land use planning. Engineering Geology, v. 102, p. 85-98, 2008. DOI: 10.1016/j.enggeo.2008.03.022.
GAMEIRO, S. Capacidade de generalização e extrapolação espacial de redes neurais artificiais no mapeamento da suscetibilidade de deslizamentos. 2020. 100 f. Dissertação (Mestrado em Sensoriamento Remoto) – Universidade Federal do Rio Grande do Sul, Porto Alegre, 2020.
GÉRON, A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. 2. ed. Sebastopol: O’Reilly Media, 2019.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge: MIT Press, 2016.
GUSMÃO FILHO, J. A.; MELO, L. V. de; ALHEIROS, M. M. Estudo das encostas de Jaboatão dos Guararapes, PE. In: CONFERÊNCIA BRASILEIRA SOBRE ESTABILIDADE DE ENCOSTAS, 1992, Rio de Janeiro. Anais [...]. Rio de Janeiro: ABMS; ABGE; ISSMGE, 1992. v. 1, p. 191-209.
IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Susceptibilidade a deslizamentos no Brasil: primeira aproximação. Rio de Janeiro: IBGE, 2019.
LÊU, A. A. M.; AMORIM, S. F.; AMORIM, A. F. L. Aplicação de redes neurais artificiais para predição de deslizamentos de terra induzidos por chuvas. Revista Políticas Públicas & Cidades, v. 13, n. 2, p. e1344, 2024.
LERMAN, P. M. Fitting segmented regression models by grid search. Journal of the Royal Statistical Society: Series C (Applied Statistics), v. 29, n. 1, p. 77-84, 1980.
LUCCHESE, L. V. Modelagem de suscetibilidade e de limiares de precipitação para deslizamentos de terra utilizando métodos de aprendizagem de máquina. 2022. Tese (Doutorado) – Universidade Federal do Rio Grande do Sul, Porto Alegre, 2022.
MACEDO, E. S.; SANDRE, L. H. Mortes por deslizamentos no Brasil: 1988 a 2022. Revista Brasileira de Geologia de Engenharia e Ambiental, v. 12, n. 1, p. 110-117, 2022.
MELO, C. R.; CIRILO, J. A.; AMORIM, S. F.; ALVES, F. H. B.; GUEDES, P. A. Avaliação dos índices de precipitação nos deslizamentos de terra na comunidade de Lagoa Encantada (Ibura – Recife) entre os anos de 2013 e 2017. In: SIMPÓSIO DE RECURSOS HÍDRICOS DO NORDESTE, 15., 2020, Caruaru. Anais [...]. Caruaru: ABRHidro, 2020.
MELO, C. R. Utilização de informações espaciais de alta resolução para análise de suscetibilidade de deslizamento sob situação de precipitações intensas. 2021. Tese (Doutorado em Engenharia Civil) – Universidade Federal de Pernambuco, Recife, 2021.
OLIVEIRA, G. G. et al. Identificação e análise de áreas suscetíveis a fluxos de detritos na bacia hidrográfica do Rio Taquari-Antas, RS. Pesquisas em Geociências, v. 45, n. 2, p. 1-25, 2018.
PEREIRA, R. C.; AMORIM, S. F.; CAVALCANTI, E. J. N. Aplicação de redes neurais artificiais e geoprocessamento para previsão da susceptibilidade de deslizamentos superficiais com o uso de programas gratuitos, Recife/PE. In: CONGRESSO BRASILEIRO DE MECÂNICA DOS SOLOS E ENGENHARIA GEOTÉCNICA, 20., 2020, Campinas. Anais [...]. Campinas: ABMS, 2020.
PFALTZGRAFF, P. A. S. Mapa de susceptibilidade a deslizamentos na Região Metropolitana do Recife. 2007. Tese (Doutorado em Geociências) – Universidade Federal de Pernambuco, Recife, 2007.
POURGHASEMI, H.; YANSARI, Z.; PANAGOS, P.; PRADHAN, B. Analysis and evaluation of landslide susceptibility: a review on articles published during 2005-2016 (periods of 2005-2012 and 2013-2016). Arabian Journal of Geosciences, v. 11, n. 9, p. 1-12, 2018.
PRADHAN, B.; LEE, S. Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling. Environmental Modelling & Software, v. 25, n. 6, p. 747-759, 2010.
QUEVEDO, R. P.; GUASSELLI, L. A.; OLIVEIRA, G. G.; RUIZ, L. F. C. Modelagem de áreas suscetíveis a deslizamentos: avaliação comparativa de técnicas de amostragem, aprendizado de máquina e modelos digitais de elevação. Geociências, v. 38, n. 3, p. 781-795, 2019.
RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning representations by back-propagating errors. Nature, v. 323, n. 6088, p. 533-536, 1986.
SANTACANA, N. Análisis de la susceptibilidad del terreno a la formación de deslizamientos superficiales y grandes deslizamientos mediante el uso de sistemas de información geográfica: aplicación a la cuenca alta del río Llobregat. 2001. Tese (Doutorado) – Universitat Politècnica de Catalunya, Barcelona, 2001.
SANTOS, A. N. Estudos geotécnicos e análise da estabilidade de duas encostas localizadas no Ibura, no município de Recife-PE. 2018. 163 f. Dissertação (Mestrado em Engenharia Civil) – Universidade Federal de Pernambuco, Recife, 2018.
TANOLI, J. I. et al. Application of bivariate statistical techniques for landslide susceptibility mapping: a case study in Kaghan Valley, NW Pakistan. Geological Journal, v. 58, p. 4576-4595, 2023.
VANACÔR, R. N.; ROLIM, S. B. A. Mapeamento da suscetibilidade a deslizamentos usando técnicas de estatística bivariada e sistema de informações geográficas na região nordeste do Rio Grande do Sul. Revista Brasileira de Geomorfologia, v. 13, n. 1, p. 15-28, 2012.
XAVIER, J. P. de S.; LISTO, F. L. R.; NERY, T. D. Escorregamentos no estado de Pernambuco. Mercator, v. 21, p. e21003, 2022.
ZARE, M. et al. Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms. Arabian Journal of Geosciences, v. 6, p. 2873-2888, 2013.
Downloads
Published
How to Cite
Issue
Section
License
I (we) submit this article which is original and unpublished, of my (our) own authorship, to the evaluation of the Veredas do Direito Journal, and agree that the related copyrights will become exclusive property of the Journal, being prohibited any partial or total copy in any other part or other printed or online communication vehicle dissociated from the Veredas do Direito Journal, without the necessary and prior authorization that should be requested in writing to Editor in Chief. I (we) also declare that there is no conflict of interest between the articles theme, the author (s) and enterprises, institutions or individuals.
I (we) recognize that the Veredas do Direito Journal is licensed under a CREATIVE COMMONS LICENSE.
Licença Creative Commons Attribution 3.0
