Aprendizado de Máquina Positivo e Não Rotulado para o Mapeamento de Suscetibilidade a Inundações

Código

XXVI-SBRH0312

Autores

Marcos Roberto Benso, Marina Batalini de Macedo, Anaí Floriano Vasconcelos, Maria Elisa Leite Costa, ALAN VAZ LOPES, Javier Tomasella, Beliana Cavalcante Sawada de Carvalho, Thiago Souza Biscaro, Maria Clara Fava

Tema

STE126 - Cheias no Brasil: geração, previsão e impactos

Resumo

Este estudo utiliza uma metodologia de aprendizado de máquina para classificar a suscetibilidade a inundações usando dados de inventário de inundações. Um dos principais desafios está no fato de que o banco de dados fornece apenas ocorrências de inundações (rótulo positivo), enquanto, para a classificação binária, é necessário fornecer ao algoritmo também os pontos de não ocorrência (rótulo negativo). Neste trabalho, utilizamos um método chamado "classificação positiva e não rotulada", que consiste em duas etapas. Na primeira etapa, um conjunto aleatório de pontos na área de estudo é gerado e combinado com o conjunto de dados observados. Um algoritmo de aprendizado de máquina é treinado para estimar rótulos negativos relativamente confiáveis (RRN). Um novo conjunto de dados é construído, consistindo de rótulos positivos observados e rótulos RRN, e é usado para treinar modelos de aprendizado de máquina para prever probabilisticamente ocorrências de inundações. O estudo demonstra que o método de classificação positiva e não rotulada (PU learning) contribui significativamente para o desempenho do modelo, com valores de kappa aumentando de 0,4 a 0,8. A validação do mapa de suscetibilidade foi realizada com base no modelo CAFLOOD 2D e comparações com valores de Altura acima da drenagem mais próxima (HAND). Os resultados indicam que o modelo baseado em aprendizado de máquina foi capaz de identificar uma gama mais ampla de áreas potencialmente suscetíveis à inundações, incluindo regiões que não estavam representadas nos dados de ocorrência observados.