SUSCEPTIBILIDAD A LAS INUNDACIONES EN BOANE (MOZAMBIQUE): UN ENFOQUE GEOTÉCNICO Y BASADO EN RANDOM FOREST
DOI:
https://doi.org/10.56238/revgeov17n5-084Palabras clave:
Inundaciones, Susceptibilidad, Random Forest, GeotecnologíasResumen
Este estudio tuvo como objetivo modelar y mapear la susceptibilidad a inundaciones en el distrito de Boane (Mozambique), considerando la creciente ocurrencia de eventos extremos asociados al cambio climático. Para ello, se utilizó el algoritmo de aprendizaje automático Random Forest (RF), integrando 12 variables condicionantes de naturaleza climática, topográfica, hidrológica, antropogénica y espectral. El inventario de inundaciones se creó a partir de imágenes Landsat 9, utilizando el Índice de Diferencia Normalizada Modificada del Agua (MNDWI), mientras que la validación del modelo se realizó con imágenes Sentinel-2. El modelado se desarrolló en el entorno R, con los datos divididos en un 70 % para entrenamiento y un 30 % para validación. Los resultados indicaron un alto rendimiento del modelo, con una precisión general de 0,93 en el modelo y de 0,98 en el mapa. Las variables más relevantes fueron la proximidad a cuerpos de agua y la altitud, destacando la fuerte influencia de los factores geomorfológicos en la dinámica de las inundaciones. El mapa final reveló un predominio de áreas clasificadas con baja susceptibilidad (59,35%), mientras que las áreas de mayor susceptibilidad se concentraron principalmente en la región central del distrito de Boane, coincidiendo con zonas agrícolas y asentamientos humanos. Se concluye, por lo tanto, que el modelo Random Forest demostró una alta capacidad predictiva en la cartografía de la susceptibilidad a inundaciones, constituyendo una herramienta robusta para la planificación territorial y la gestión ambiental, especialmente para identificar áreas potencialmente sujetas a daños en infraestructura, agricultura e impactos socioeconómicos asociados a las inundaciones.
Descargas
Referencias
Amaral, F., Piroli, E. L., & Santos, V. C. (2024). Mapeamento da suscetibilidade a inundação usando os modelos Floresta Aleatória e Máquina Vetor de Suporte com diferentes tipos de kernel. Geography Department University of Sao Paulo, 44, e213348. https://doi.org/10.11606/eISSN.2236 2878.rdg.2024.213348.
Bicá, H. H. S., Madal, M. A. P., Famba, D. S., & de, J. (2025). Mapeamento das áreas Agrícolas Inundadas na cheia do Ano 2023 usando dados Sentinel-1 e Sentinel-2 no Distrito de Boane.
Breiman, L. (2001a). Random Forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324.
Chicombo, t. F., & Moreira, a. A. M. (2024). Mapeamento de suscetibilidade às inundações com base na análise multicritério (ahp): estudo de caso do distrito de chókwe, em moçambique. Caminhos de geografia, 25(99), 301–319. Https://doi.org/10.14393/rcg259970390.
Choubin, B., Moradi, E., Golshan, M., Adamowski, J., Sajedi-Hosseini, F., & Mosavi, A. (2019). An ensemble prediction of flood susceptibility using multivariate discriminant analysis, classification and regression trees, and support vector machines. Science of The Total Environment, 651, 2087–2096. https://doi.org/10.1016/j.scitotenv.2018.10.064.
Costache, R., Arabameri, A., Elkhrachy, I., Ghorbanzadeh, O., & Pham, Q. B. (2021). Detection of areas prone to flood risk using state-of-the-art machine learning models. Geomatics, Natural Hazards and Risk, 12(1), 1488–1507. https://doi.org/10.1080/19475705.2021.1920480.
Dransfeld, N. M. (2025). Universidade do Estado de Santa Catarina – UDESC - Centro de Ciências Tecnológicas – CCT Programa de Pós-graduação em Engenharia Civil
Islam, M. M., Sado, K., & Sumi, T. (2021). Flood hazard assessment using geospatial techniques and machine learning models. Journal of Hydrology, 592, 125–148. https://doi.org/10.1016/j.jhydrol.2020.125148.
Kaiser et al. (2022). Kaiser, A., Merz, B., & Vorogushyn, S. (2022). A review of flood event data sources for hazard and risk analysis. Natural Hazards and Earth System Sciences, 22(2), 401–425. https://doi.org/10.5194/nhess-22-401-2022.
Luiz Felipe da Silva (2025). Aplicação de Algoritmos de Aprendizado de Máquina para o Mapeamento de Suscetibilidade a Inundações da Bacia Hidrográfica do Rio Itajaí. Universidade Federal De Santa Catarina.
Mhawej, Mario, Ghaleb Faour, Chadi Abdallah, and Jocelyne Adjizian-Gerard. (2016). Towards an establishment of a wildfire risk system in a Mediterranean country. Ecological informatics.
Nhanenge, Edilson. (2024). Modelação da Susceptibilidade à Inundações Baseada Em Análise Multicritério Em Sistemas de Informação Geográfica. Faculdade De Ciências.
Oliveira, W. N. de, Miziara, F., & Ferreira, N. C. (2019). Mapeamento do Uso e Cobertura do Solo de Moçambique Utilizando a Plataforma Google Earth Engine. Anuário do Instituto de Geociências, 42(1), 336–345. https://doi.org/10.11137/2019_1_336_345.
Oliveira, J., Correia, D., verçosa, C., Figueroa, M., Cabral, C., Vitor, L., Francisco dos Santos, A., Martins, A., Teixeira, L., Pereira, G., Anunciação, J., Pereira, F., Vasconcelos, J., Silva, A., Fernandes, N., Silva de Oliveira, P., Kely, N., Santos, R., Barros, J., & Santos, M. (2021). A utilização inadequada do solo e seus impactos na degradação das áreas. Research, Society and Development, 10, e35101219948. https://doi.org/10.33448/rsd-v10i12.19948.
Rahmati, O., Pourghasemi, H. R., & Zeinivand, H. (2016). Flood susceptibility mapping using frequency ratio and weights-of-evidence models in GIS. Geocarto International, 31(10), 1179–1198. https://doi.org/10.1080/10106049.2015.1041559.
Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002.
Silva De Oliveira, S., Machado, H. T. D. S., Araújo, K. D. C., Silva, C. D. S., & Ávila, R. W. (2023). Nematodes associated with Leptodactylus cf. mystaceus (Anura: Leptodactylidae) in agricultural landscapes Ibiapaba plateau, Ceará. https://doi.org/10.15446/caldasia.v46n2.101535.
Tamele, J. (2024.). Acesso e alocação de terras para além dos grandes investimentos: o papel das elites políticas e económicas em Boane.
Xie, S., Liu, L., Zhang, X., Yang, J., Chen, X., & Gao, Y. (2019). Automatic Land-Cover Mapping using Landsat Time-Series Data based on Google Earth Engine. Remote Sensing, 11(24). https://doi.org/10.3390/rs11243023.
Yesilnacar, E.K. (2005). The application of computational intelligence to landslide susceptibility mapping in Turkey. Parkville, Victoria: University of Melbourne.
