SUSCETIBILIDADE A INUNDAÇÕES EM BOANE (MOÇAMBIQUE): UMA ABORDAGEM BASEADA EM RANDOM FOREST E GEOTECNOLOGIAS
DOI:
https://doi.org/10.56238/revgeov17n5-084Palavras-chave:
Inundações, Suscetibilidade, Random Forest, GeotecnologiasResumo
Este estudo teve como objetivo modelar e mapear a suscetibilidade a inundações no Distrito de Boane (Moçambique), considerando a crescente ocorrência de eventos extremos associados às mudanças climáticas. Para isso, foi utilizado o algoritmo de aprendizado de máquina Random Forest (RF), integrando 12 variáveis condicionantes de natureza climática, topográfica, hidrológica, antrópica e espectral. O inventário de inundações foi elaborado a partir de imagens Landsat 9, com auxílio do índice Modified Normalized Difference Water Index (MNDWI), enquanto a validação do modelo foi realizada utilizando imagens Sentinel-2. A modelagem foi desenvolvida no ambiente R, com divisão dos dados em 70% para treinamento e 30% para validação. Os resultados indicaram elevado desempenho do modelo, com acurácia global de 0,93 no modelo e 0,98 no mapa. As variáveis mais relevantes foram a proximidade de corpos de água e a altitude, evidenciando a forte influência dos fatores geomorfológicos na dinâmica das inundações. O mapa final revelou predominância de áreas classificadas como de baixa suscetibilidade (59,35%), enquanto as áreas de maior suscetibilidade concentraram-se principalmente na região central do distrito de Boane, coincidindo com zonas agrícolas e assentamentos humanos. Conclui-se, portanto, que o modelo Random Forest apresentou elevada capacidade preditiva no mapeamento da suscetibilidade a inundações, constituindo uma ferramenta robusta para o planejamento territorial e gestão ambiental, especialmente na identificação de áreas potencialmente sujeitas a danos à infraestrutura, agricultura e impactos socioeconômicos associados às inundações.
Downloads
Referências
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.
