ANÁLISE COMPARATIVA DE MODELOS DE APRENDIZADO DE MÁQUINA PARA MAPEAMENTO DE INUNDAÇÕES

Código

XXV-SBRH0519

Autores

Vinícius Kuchinski, Rodrigo Cauduro Dias de Paiva

Tema

16 - Hidroclimatologia, Segurança Hídrica, Risco, Escassez, Inundações e Desastres

Resumo

Esse estudo apresenta uma análise comparativa de diversos modelos de aprendizado de máquina para o mapeamento de inundações. Os modelos examinados neste estudo são AdaBoost, Decision Tree, Gaussian Naïve Bayes, Gradient Boosting, K-Nearest Neighbors, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Random Forest, e Support Vector Machine. Os modelos foram treinados com um conjunto de doze variáveis independentes, principalmente provenientes de dados de sensoriamento remoto. Para comparar o desempenho e avaliar a capacidade preditiva dos modelos selecionados, foram utilizadas as seguintes métricas de avaliação: acurácia, índice de Jaccard, precisão, recall, F1 score e área sob a curva ROC. Os resultados demonstraram que Random Forest, Gradient Boosting e K-Nearest Neighbors obtiveram as maiores pontuações nas métricas avaliadas, sendo que o Random Forest apresentou um desempenho superior aos demais. Além disso, os dois melhores modelos foram testados realizando o mapeamento de dois eventos extremos, extrapolando-os para além das características de treinamento, os resultados das métricas indicaram a incapacidade de extrapolação dos modelos. Esse trabalho apresenta a eficácia dos modelos de aprendizado de máquina para representar inundações e fazer estimativas, desde que essas inundações sejam de eventos de magnitude previamente conhecidas pelos classificadores.