Considerações importantes na avaliação da suscetibilidade a deslizamentos de terra baseada em aprendizado de máquina sob condições climáticas futuras

Resumo Deslizamentos de terra induzidos por chuva causaram grandes perdas econômicas e vítimas ao longo dos anos. Técnicas de aprendizado de máquina foram amplamente aplicadas nos últimos anos para avaliar a suscetibilidade a deslizamentos em regiões de interesse. No entanto, uma série de desafios limita a confiabilidade e o desempenho dos modelos de deslizamento de terra baseados em aprendizado de máquina. Em particular, o desequilíbrio de classes no conjunto de dados, a seleção de fatores condicionantes de deslizamentos e os potenciais problemas de extrapolação para a previsão de deslizamentos sob condições futuras precisam ser cuidadosamente abordados. Neste trabalho, introduzimos metodologias para abordar esses desafios usando XGBoost para treinar o modelo de previsão de deslizamentos. Técnicas de reamostragem de dados são adotadas para melhorar o desempenho do modelo com o conjunto de dados desbalanceado. Vários modelos são treinados e seus desempenhos são avaliados usando uma combinação de diferentes métricas. Os resultados mostram que a técnica de oversampling de minoria sintética combinada com a técnica proposta de amostragem em hiperespaço com grade apresenta desempenho superior em relação às outras técnicas de aprendizado com desequilíbrio usando XGBoost. Subsequentemente, o desempenho de extrapolação do modelo XGBoost é avaliado, mostrando que as previsões permanecem válidas para as condições climáticas projetadas. Como estudo de caso, mapas de suscetibilidade a deslizamentos na Califórnia, EUA, são gerados usando o modelo desenvolvido e são comparados com o catálogo histórico de deslizamentos da Califórnia. Esses resultados sugerem que o modelo desenvolvido pode ter grande significância na mapeação da suscetibilidade a deslizamentos em nível global sob cenários de mudança climática.