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
DOI:
https://doi.org/10.5902/2236499494269Palavras-chave:
Algoritmos de classificação de imagem, Movimentos de massa, Evento climático extremoResumo
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.
Downloads
Referências
ATTRI, P.; CHAUDHRY, S.; SHARMA, B. Remote Sensing & GIS based approaches for LULC change detection: a review. International Journal of Current Engineering and Technology, v. 5, n. 5, 2015.
BELGIU, M.; DRĂGUŢ, L. Random forest in remote sensing: a review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, v. 114, p. 24–31, 2016.
CHEN, H.; H. E., Y.; ZHANG, L.; et al. A multi-input channel U-Net landslide detection method fusing SAR multisource remote sensing data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 17, p. 1215-1232, 2024. Acesso em: 19 ago. 2025. DOI: https://doi.org/10.1109/JSTARS.2023.3339294.
CHEN, W.; POURGHASEMI, H. R; NAGHIBI, S. A. A comparative study of landslide susceptibility maps produced using support vector machine with different kernel functions and entropy data mining models in China. Bull Eng Geol Environ, v. 77, p. 647-664, 2018. DOI: https://doi. org/10.1007/s10064-017-1010-y.
CPRM. Serviço Geológico do Brasil. Geodiversidade do Estado do Rio Grande do Sul. P. 250, Porto Alegre, 2010. Disponível em: https://rigeo.sgb.gov.br/handle/doc/16774. Acesso em: 14 ago. 2025.
DE LIMA, F. F.; SAITO, S. M.; MORELLI, S. Rainfall thresholds and forest regeneration in post-landslide areas of the Atlantic Forest. Natural Hazards, v. 109, p. 1399–1418, 2021.
DIAS, H. C. et al. Landslide recognition using SVM, Random Forest, and Maximum Likelihood classifiers on high-resolution satellite images: a case study of Itaóca, southeastern Brazil. Brazilian Journal of Geology, v. 51, n. 4, 2021. DOI: 10.1590/2317-4889202120200105.
EGAS, H. M.; STABILE, R. A.; ANDRADE, M. R. M. et al. Inventário abrangente e avaliação inicial de deslizamentos de terra desencadeados pelas chuvas do outono de 2024 no Rio Grande do Sul, Brasil. Landslides, v. 22, p. 579–589, 2025.
EM-DAT – The International Disaster Database. Natural Disasters. Centre for Research on the Epidemiology of Disasters – CRED, Université Catholique de Louvain, Belgium, 2018.
FAGUNDES, G. C. L; AQUINO, C. M. S; SOUSA, M. A. Movimentos gravitacionais de massa: estudo de caso em Teresina, Piauí. Revista Espaço e Geografia, v. 25, n. 1, p. 295–321, 2023. Disponível em: https://periodicos.unb.br/index.php/espacoegeografia/article/view/44030. Acesso em: 1 set. 2025. DOI: 10.26512/2236-56562022e44030.
FARAH, F. Ocupação urbana e instabilidade de encostas. Coleção Habitare, São Paulo, v. 2, p. 312, 2003.
FEPAM. Fundação Estadual de Proteção Ambiental. Secretaria Estadual do Meio Ambiente. Diagnóstico ambiental da bacia do Taquari-Antas, RS: diretrizes regionais para o licenciamento ambiental das hidrelétricas – trecho médio e superior. Porto Alegre, FEPAM, 2001.
FERLA, A. K.; NARVAES, I. S.; KUPLICH, T. M. Métodos de machine learning e deep learning para mapeamento de supressão da vegetação em área de campo no bioma Mata Atlântica. In: Anais do XXI Simpósio Brasileiro de Sensoriamento Remoto, 2025, Salvador. Anais eletrônicos..., Galoá, 2025. Disponível em: https://proceedings.science/sbsr-2025/trabalhos/metodos-de-machine-learning-e-deep-learning-para-mapeamento-de-supressao-da-vege?lang=en. Acesso em: 22 out. 2025.
FERREIRA, K. R.; QUEIROZ, G. R. Medindo o Brasil a partir do espaço: tecnologias de big data e inteligência artificial. AtoZ, v. 10, n. 3, 2021, DOI: https://doi.org/10.5380/atoz.v10i3.81966.
FERREIRA, K.R.; QUEIROZ, G.R.; VINHAS, L. et al. Earth Observation Data Cubes for Brazil: Requirements, Methodology and Products. Remote Sensing, v. 12, 2020, DOI: https://doi. org/10.3390/rs12244033.
FERRI, G. A.; TOGNI, A. C. A história da bacia hidrográfica Taquari-Antas. Editora Univates. Lajeado, 2012.
FUNK, C.; PETERSON, P.; LANDSFELD, M. et al. The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes. Scientific Data v.2, n. 150066, 2015. DOI: https://doi.org/10.1038/sdata.2015.66.
HUANG, J.; JU, N. P.; LIAO, Y. J. et al. Determination of rainfall thresholds for shallow landslides by a probabilistic and empirical method. Natural Hazards and Earth System Sciences, v. 15, 2021, DOI: http://dx.doi.org/10.5194/nhess-15-2715-2015.
IBGE. Instituto Brasileiro de Geografia e Estatística. Mapa de Unidades de Relevo do Brasil. Rio de Janeiro, ed. 2, 2006.
INSTITUTO NACIONAL DE METEOROLOGIA (INMET). Eventos extremos de abril de 2024 no Brasil. Notas Técnicas, 2024. Disponível em: https://portal.inmet.gov.br/notasTecnicas. Acesso em: 11 set. 2025.
INSTITUTO NACIONAL DE METEOROLOGIA (INMET). Eventos extremos de setembro de 2023 no Brasil. Notas Técnicas, 2023. Disponível em: https://portal.inmet.gov.br/notasTecnicas. Acesso em: 27 set. 2025.
KAISER, E. A.; ROLIM, S. B. A.; GRONDONA, A. E. B. et al. Spatiotemporal Influences of LULC Changes on Land Surface Temperature in Rapid Urbanization Area by Using Landsat-TM and TIRS Images. Atmosphere, v. 13, n. 3, p. 460, 2022. DOI: http://dx.doi.org/10.3390/atmos13030460.
LE CUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521 p. 436–444, 2015, DOI: https://doi.org/10.1038/nature14539.
LÓ, T. B.; CORRÊA, U. B.; ARAÚJO, R. M. et al. Temporal convolutional neural network for land use and land cover classification using satellite images time series. Arabian Journal of Geosciences, v.16, n.10, p 1-18, 2023, DOI: https://doi.org/10.1007/s12517-023-11688-4.
MEHMOOD, K.; ANEES, S. A.; MUHAMMAD, S. et al. Analyzing vegetation health dynamics across seasons and regions through NDVI and climatic variables. Scientific Reports, v. 14, n. 1, p. 1-22, 2024. DOI: http://dx.doi.org/10.1038/s41598-024-62464-7.
OLIVEIRA, G. G.; RUIZ, L. F. C.; GUASSELLI, L. A. et al. Random forest and artificial neural networks in landslide susceptibility modeling: a case study of the Fão River Basin, Southern Brazil. Natural Hazards v. 99, 1049–1073, 2019. DOI: 10.1007/s11069-019-03795-x.
OLOFSSON, P. et al. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, v. 148, p. 42–57, maio 2014.
PELLETIER, C.; WEBB, G. I.; PETITJEAN, F. Temporal convolutional neural network for the classification of satellite image time series. Remote Sensing, v. 11, n. 5, 2019.
PERBET, P.; GUINDON, L.; CÔTÉ, J. F. et al. Evaluating deep learning methods applied to Landsat time series subsequences to detect and classify boreal forest disturbances events: The challenge of partial and progressive disturbances. Remote Sensing of Environment, v. 306, 2024. DOI: https://doi.org/10.1016/j.rse.2024.114107.
POSIT. RStudio: Integrated Development for R. v. 2024.05.0, Boston, 2024. Disponível em: https://posit.co/. Acesso em: 9 set. 2025.
QUEVEDO, R. P; MACIEL, D. A; REIS, M. S. et al. Land use and land cover changes without invalid transitions: A case study in a landslide-affected area. Remote Sensing Applications: Society and Environment, v. 36, p. 101314, 2024. DOI: https://doi.org/10.1016/j.rsase.2024.101314.
SALEEM, N.; HUQ, M. E; TWUMASI, N. Y. D. et al. Parameters derived from and/or used with digital elevation models (DEMs) for landslide susceptibility mapping and landslide risk assessment: a review. ISPRS International Journal of Geo-Information, v. 8, n. 12, 2019. DOI: https://doi. org/10.3390/ijgi8120545.
SANTOS, D. L.; FRAGOSO JR., C. R.; SOUZA, V. C. B. Limiar de precipitação com potencial de gerar deslizamentos nos complexos de risco em uma zona urbana. Revista de Gestão de Água da América Latina, v. 16, e12, 2019. DOI: https://dx.doi.org/10.21168/rega.v16e12.
SAUSEN, T. M.; LACRUZ, M. S. P. Sensoriamento remoto para desastres. Oficina de Textos, p. 285, São Paulo, 2015. P.
SHEYKHMOUSA, M.; MAHDIANPARI, M.; GHANBARI, M. et al. Support vector machine versus random forest for remote sensing image classification: a meta-analysis and systematic review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 13, p. 6308-6325, 2020.
SIMÕES, R. et al. Satellite image time series analysis for big earth observation data. Remote Sensing, v. 13, p. 2428, 2021.
TOAN, D. T.; DUC, D. M.; QUYNH, D. T. et al. Série de deslizamentos de terra induzidos por chuvas extremas e grandes deslizamentos de terra semelhantes a fluxos de água na comuna de Ho Bon, distrito de Mu Cang Chai, província de Yen Bai, Vietnã, em agosto de 2023. Landslides, v. 22, p. 2607–2622, 2025. DOI: https://doi.org/10.1007/s10346-025-02544-5.
TOMINAGA, L. K.; SANTORO, J.; AMARAL, R. Desastres naturais: conhecer para prevenir. São Paulo: Instituto Geológico, 2015.
TUCCI, C. E. M. Hidrologia: ciência e aplicação. 2. ed. Porto Alegre: Editora da Universidade, 1997.
XAVIER, M. O. Automatização de inventários de deslizamentos aplicados à modelagem de suscetibilidade usando métodos de aprendizado de máquina. 150 f. – Tese (Doutorado em Engenharia) – Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2025.
ZÊZERE, J. L.; PEREIRA, S.; MELO, R. et al. Mapping landslide susceptibility using data-driven methods. Science of the Total Environment, v. 589, p. 347-362, 2017.
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Geografia Ensino & Pesquisa
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A revista Geografia Ensino & Pesquisa deterá os direitos autorais dos trabalhos publicados. Os direitos referem-se a publicação do trabalho em qualquer parte do mundo, incluindo os direitos às renovações, expansões e disseminações da contribuição, bem como outros direitos subsidiá¡rios. Os autores comprometen-se com a originalidade do trabalho, e no caso de desistência da submissão, os autores assumem a responsabilidade de comunicar à revista.
Após publicado os(as) autores(as) têm permissão para a publicação da contribuição em outro meio, impresso ou digital, em português ou em tradução, desde que os devidos créditos sejam dados à Revista Geografia – Ensino & Pesquisa.
A revista Geografia Ensino & Pesquisa utiliza em suas publicações uma Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
