Landslide susceptibility mapping using logistic regression, random forests, and artificial neural networks: a case study in Mariana/MG, Brazil

Autores

DOI:

https://doi.org/10.20502/rbgeomorfologia.v25i4.2584

Palavras-chave:

Machine learning, Predictive analysis, Landslide conditioning factors, Risk management

Resumo

The landslide susceptibility mapping (LSM) plays an important role in risk management. This study evaluated the predictive capabilities of three machine learning (ML) approaches applied to LSM: logistic regression (LR), random forests (RF), and artificial neural networks (ANN). The study was conducted in a mountainous region of Mariana/MG, Brazil. Initially, a point inventory with 364 landslides and 364 stable regions was randomly partitioned in a 70% training and 30% testing ratio for the models. Nine landslide conditioning factors (LCF), ranked by information gain (IG), were considered: slope angle (IG=0.486), geomorphology (IG=0.235), topographic wetness index - TWI (IG=0.138), lithology (IG=0.077), slope orientation (IG=0.067), topographic position index - TPI (IG=0.052), distance from drainage (IG=0.032), slope curvature (IG=0.029) and the distance from roads (IG=0.024). The evaluation of the area under the curve (AUC-ROC) and the classification efficiency rates in high () and low () susceptibility were used to compare the results of the approaches. The results demonstrated that although RF (AUC-ROC=0,947, =6,808, =0,030) slightly outperformed LR (AUC-ROC=0,936, =5,695, =0,050) and ANN (AUC-ROC=0,934, =6,495, =0,060), all the approaches exhibited high predictive capability in identifying areas susceptible to landslides.

Downloads

Não há dados estatísticos.

Biografia do Autor

Mateus Oliveira Xavier, Universidade Federal de Ouro Preto

Natural de Divinópolis, Minas Gerais, graduado em Engenharia Civil pela Escola de Minas da Universidade Federal de Ouro Preto (UFOP), com mobilidade acadêmica em Arquitectura Técnica (antiga Ingeniería de Edificacíon); pela Universidad de Zaragoza (Espanha). Mestre em Geotecnia pelo Núcleo de Geotecnia Aplicada da Escola de Minas (NUGEO). No momento é professor do quadro efetivo do Departamento de Arquitetura e Urbanismo da Universidade Federal de Ouro Preto (UFOP).

César Falcão Barella, Universidade Federal de Ouro Preto

Possui graduação em Engenharia Ambiental pela Universidade Federal de Ouro Preto (UFOP), mestrado e doutorado em Geotecnia pelo Núcleo de Geotecnia da Escola de Minas (NUGEO), com período sanduíche no Centro de Estudos Geográficos (CEG) da Universidade de Lisboa. Atua na área de inter-relação entre Geomática, Geotecnia, Geologia/Geografia Urbana, Planejamento Territorial e Ciências Ambientais. É professor da Universidade Federal de Ouro Preto (UFOP), onde leciona para os cursos de graduação em Engenharia Ambiental, Engenharia Civil, Engenharia Geológica e Engenharia Urbana. Orienta trabalhos de mestrado e doutorado junto ao Programa de Pós-Graduação em Geotecnia, desenvolvendo pesquisas de previsão e caracterização de desastres naturais e tecnológicos, com a aplicação de técnicas estatísticas, modelagens de susceptibilidade, perigo, vulnerabilidade e risco, bem como proposição de instrumentos para mitigar e/ou evitar as consequências advindas dos processos investigados. Ministra disciplinas de Cartografia, Geoprocessamento, Cartografia Geotécnica, Gestão de Risco em Ambientes Urbanos, Ordenamento Territorial e Ciências do Ambiente. Tem atuado em trabalhos técnicos junto ao poder público na elaboração de Planos Municipais de Redução de Risco (PMRR), Cartas de Susceptibilidade e Cartas de Aptidão à Urbanização. É pesquisador do Laboratório Interdisciplinar de Gestão Ambiental (LIGA/UFOP), coordenador do grupo de pesquisa LANDSLIDES e coordenador do projeto de extensão "Geoprocessamento para Todos".

Publicado

05-11-2024

Como Citar

Xavier, M. O., & Barella, C. F. (2024). Landslide susceptibility mapping using logistic regression, random forests, and artificial neural networks: a case study in Mariana/MG, Brazil. Revista Brasileira De Geomorfologia, 25(4). https://doi.org/10.20502/rbgeomorfologia.v25i4.2584

Edição

Seção

Artigos