Detección automatizada de cicatrices de deslizamientos de tierra asociadas al evento pluviométrico extremo de 2024 mediante Inteligencia Artificial: estudio de caso en un tramo de la Cuenca Taquari-Antas, RS
DOI:
https://doi.org/10.5902/2236499494269Palabras clave:
Algoritmos de clasificación de imágenes, Movimientos de masa, Evento climático extremoResumen
En 2024, Rio Grande do Sul (RS) enfrentó desastres geo-hidrológicos severos, como inundaciones históricas y deslizamientos de tierra (DT), causados por altos índices de precipitación pluvial (PP). En este contexto, el teledetección (SR) ha demostrado ser esencial para el monitoreo de estos eventos extremos. Este estudio evaluó la precisión de los clasificadores supervisados Random Forest (RF) y TempCNN en la detección de cicatrices de deslizamientos en un tramo de la Cuenca Hidrográfica Taquari-Antas/RS (BHTA). Para ello, se integraron los cubos de datos Sentinel-2 y el Modelo Digital de Elevación (MDE) mediante el software de código abierto Satellite Image Time Series Analysis (SITS) en R Studio. Las bandas R, G, B, NIR y ELEVATION se aplicaron como variables explicativas en RF, y solo las bandas ópticas en TempCNN, debido a las limitaciones del SITS. Los valores de PP se obtuvieron en Google Earth Engine (GEE) con datos del Climate Hazards Center InfraRed Precipitation with Station (CHIRPS), para comparar el comportamiento de la magnitud del evento PP (2023–2024). Los resultados indicaron una precisión global de 0,98% para RF y 0,97% para TempCNN. Aunque ambas técnicas mostraron alta precisión global, presentaron bajas precisiones de usuario y productor para la clase “Deslizamiento”. Se requieren ajustes en la intensificación del muestreo y la incorporación de variables ópticas adicionales, sensores SAR y variables derivadas del MDE.
Descargas
Citas
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
Número
Sección
Licencia
Derechos de autor 2026 Geografia Ensino & Pesquisa
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La revista Geografia – Ensino & Pesquisa retendrá el copyright de los trabajos publicados. Los derechos tienen referencia con la publicación del trabajo en cualquier parte del mundo, incluyendo los derechos a Las renovaciones, expansiones y diseminaciones de la contribución, así como otros derechos subsidiarios. Los autores tienen permiso para la publicación de la contribución en otra medio, materia impresa o digital, en portugués o en otra traducción, desde que los créditos tenidos sean dados a la Revista Geografia – Ensino & Pesquisa.
