PREDICTIVE MODELING APPLIED TO POTENTIAL SOIL EROSION RISK MAPPING IN THE WESTERN AMAZON

Abstract

The modeling of areas susceptible to soil loss due to hydro-erosive processes consists of methods that simplify reality to predict future behavior based on the observation and interaction of a set of geoenvironmental factors. Thus, the objective of the current analysis is to predict susceptibility to soil loss and map areas with the potential risk of erosion using the principles of Binary Logistic Regression (BLR) and Artificial Neural Networks (ANN). The hydrographic sub-basin of the Sete Voltas River (330 km2), Rondônia, Brazil, was defined as the experimental area. Models were obtained using 100 sample units and 14 predictor parameters. Susceptibility was mapped based on five reference classes: very low, low, moderate, high, and very high. ANN obtained an area under the curve (AUC) of 0.808 and global precision of 79.2%, and the BLR model showed an AUC of 0.888 and global precision of 77%. Potentially susceptible areas represent 57.71% and 54.80% of the area for BLR and ANN models, respectively. The greatest potential risks are verified in places with no vegetation cover associated with agricultural practices. The technique proved to be effective, with adequate precision and the advantage of being less time-consuming and expensive than other methods. In addition, it offers a tool that can help natural resource managers to reduce environmental impacts.

Keywords: Binary Logistic Regression; Artificial Neural Network; Erosion Susceptibility.

Author Biographies

ELAINE LIMA DA FONSECA, Federal Institute of Education, Science, and Technology of Rondônia

Doutor em Geografia pela Universidade Federal de Rondônia (2022) (UNIR). Atualmente, docente do Curso de Agronomia e Zootecnia do Instituto Federal de Educação Ciência e Tecnologia de Rondônia (IFRO) ? Campus Colorado do Oeste. Participa como pesquisador do grupo de pesquisa Laboratório de Geografia e Cartografia (LABCART) da Fundação Universidade Federal de Rondônia (UNIR) com a linha de pesquisa Paisagem, Processos do Meio Físico e Gestão Ambiental (PMG). Experiência na área de Geoprocessamento e Geomorfologia atuando com as seguintes temáticas: Sensoriamento Remoto, Topografia, SIG, Geoestatística, Processos Erosivos, Modelagem Ambiental e Inteligência Artificial.

ELIOMAR PEREIRA DA SILVA FILHO, Federal University of Rondônia. Porto Velho (RO), Brazil

PhD in Geosciences and Environment from the State University of São Paulo (2009). He is currently Full Professor at the UNIVERSIDADE FEDERAL DE RONDÔNIA. He has experience in the area of Geosciences, with emphasis on Pedology, Geomorphological Processes and Hydrology, working mainly on the following subjects: Soil Compaction and Erosion, Environment with Emphasis on Water Quality, Land Use Change and Fluvial Implications, Hydrographic Basins and Environmental planning.

References

Albuquerque, A.R.C.; Vieira, A.F.S.G. Erosão dos solos na Amazônia. In: Degradação dos solos no Brasil. Guerra, A.J.T.; Jorge, M.C.O.(Org). Rio de Janeiro. Ed. Bertrand Brasil, 230p. 2014.
Al-Najjar, H.H.; Pradhan, B. Spatial landslide susceptibility assessment using machine learning techniques assisted by additional data created with generative adversarial networks. Geoscience Frontiers 12, 625–637, 2021. https://doi.org/10.1016/j.gsf.2020.09.002.
Al-Shawwa, M.; Abu-Naser, S.S. Predicting Birth Weight Using Artificial Neural Network. International Journal of Academic Health and Medical Research (IJAHMR) Vol. 3 Issue 1, 2019.
Arabameri A. et al. Spatial modelling of gully erosion using evidential belief function, logistic regression, and a new ensemble of evidential belief function–logistic regression algorithm. Land Degrad Dev.; 29:4035–4049. 2018. https://doi.org/10.1002/ldr.3151
Arabameri, A.; Blaschke, T.; Pradhan, B.; Pourghasemi, H.R.; Tiefenbacher, J.P.; Bui, D.T. Evaluation of Recent Advanced Soft Computing Techniques for Gully Erosion Susceptibility Mapping: A Comparative Study. Sensors 2020, 20, 335. https://doi.org/10.3390/s20020335
Arabameri, A. et al. Prediction of gully erosion susceptibility mapping using novel ensemble machine learning algorithms. Geomatics, Natural Hazards and Risk, v. 12, n. 1, p. 469–498, 2021. https://doi.org/10.1080/19475705.2021.1880977
Arruda, W. C.; Lima, H. N.; Forsberg, B. R.; Teixeira W. G. Estimativa de erosão em clareiras através da mudança do relevo do solo por meio de pinos. In: 10 Workshop Técnico-Científico da Rede CT-Petro Amazônia, 2004, Manaus. 02-04 Sept.
Bertoni, J.; Lombardi Neto, F. Conservação do solo. 6.ed. São Paulo: Ícone, 2008. 355p.
Bissacot, A.C.G. Estudo Comparativo entre Regressão Logística Binária e Redes Neurais Artificiais na Avaliação dos Resultados Clássicos de Hosmer, Lemeshow e Sturdivant. (Dissertação) Programa de Pós-Graduação em Engenharia de Produção. 2015. Universidade Federal de Itajubá, Itabujá.
Bragagnolo, L.; Silva, R.V.A.; Grzybowski, J.M.V. Artificial neural network ensembles applied to the mapping of landslide susceptibility. Catena 184, 104240. 2020. https://doi.org/10.1016/j.catena.2019.104240
BRASIL. Departamento Nacional da Produção Mineral. Projeto RADAMBRASIL. (1979). Folha SD 20 Guaporé: geologia, geomorfologia, pedologia, vegetação e uso potencial da terra. Rio de Janeiro, 368p
Campos, A.A.C. Condicionantes dos processos erosivos na área urbana de Buriticupu – MA: o caso da voçoroca do bairro Santos Dumont. Dissertação (Mestrado). 2019. Curso de Pós-Graduação em Geografia, Natureza e Dinâmica do Espaço. Universidade Estadual do Maranhão.
Capoane, V. Determinação do índice de potência de escoamento para o município de Palmitinho/RS utilizando modelos digitais de elevação. Estudos Geográficos, Rio Claro, 13(2): 106-117, 2015.
Carmo, A.M.; et al. Avaliação de suscetibilidade à movimentos de massa, utilizando as variáveis morfométricas, para as serras da porção sul do maciço central do Ceará. R. B. de Cartografia Nº 68/9, 2016.
Carneiro, R.G. et al. Variabilidade da temperatura do solo em função da liteira em fragmento remanescente de mata atlântica. Revista Brasileira de Engenharia Agrícola e Ambiental v.18, n.1, 2014. p.99-108.
Christofoletti, A. Modelagem de Sistemas Ambientais. São Paulo: Edgard Blücher, 256p. 1999.
Conforti, M., Pascale, S., Robustelli, G., Sdao, F. Evaluation of prediction capability of the artificial neural networks for mapping landslide susceptibility in the Turbolo River catchment. Catena 113, 236–250. 2014. https://doi.org/10.1016/j.catena.2013.08.006.
CPRM – SERVIÇO GEOLÓGICO DO BRASIL. Geologia e Recursos Minerais do Estado de Rondônia: texto explicativo e mapa geológico do Estado de Rondônia, escala 1.1.000.000, Brasília: CPRM. 1999.
CPRM - Serviço Geológico Do Brasil. Residência de porto velho geologia e recursos minerais da folha Pimenteiras (SD.20.X.D). Org. Gilmar José Rizzotto. Porto Velho-Rondônia. 2010.
Ermini, L.; Catani, F.; Casagli, N. Artificial Neural Networks applied to landslide susceptibility assessment. Geomorphology (66), 2005, 327–343. https://doi.org/10.1016/j.geomorph.2004.09.025.
Fonseca, E.L. Processos erosivos em superfícies tabulares com evolução de voçorocamento em áreas de pastagens cultivadas (Braquiária brizantha cv. marandu) no município de Colorado do Oeste – Rondônia. Dissertação. Fundação Universidade Federal de Rondônia – UNIR. Porto Velho. 2017.
Fonseca, E.L.; Locatelli, M.; Silva Filho, E.P, «NDVI aplicado na detecção de degradação de pastagens cultivadas», Confins [Online], 35 | 2018, DOI: https://doi.org/10.4000/confins.13180
Fonseca, E.L.; Silva Filho, E.P. Análise fisiográfica como subsídio ao estudo da suscetibilidade erosiva em bacias hidrográficas. ACTA Geográfica, Boa Vista, v.11, n.25. 2017. pp. 137-158. https://doi.org/10.5654/acta.v11i25.4029.
Geron, A. Hands-On Machine Learning with Scikit-Learn and TensorFlow. Published by O’Reilly Media, 2017.
Goyes-Peñafiel, P., & Hernandez-Rojas, A. (2021). Doble evaluación de la susceptibilidad por movimientos en masa basada en redes neuronales artificiales y pesos de evidencia. Boletín De Geología, 43(1), 173–191. https://doi.org/10.18273/revbol.v43n1-2021009
Guadagnin, P.M.A.; Trentin, R. Compartimentação geomorfométrica da bacia hidrográfica do arroio Caverá – RS. Geo UERJ. Rio de Janeiro - Ano 16, nº. 25, v. 1, 2014, pp.183-199.
Guerra, A.J.T. O início do processo erosivo. In: Erosão e conservação do solo: conceitos, temas e aplicações. Org. Guerra, A.J.T.; Silva, A.S.; Botelho, R.G.M. 9ª ed., Rio de Janeiro: Berthrand Brasil, 340p. 2014.
Jaafari, A., Najafi, A., Pourghasemi, H.R. et al. GIS-based frequency ratio and index of entropy models for landslide susceptibility assessment in the Caspian forest, northern Iran. Int. J. Environ. Sci. Technol. 11, 909–926 (2014). https://doi.org/10.1007/s13762-013-0464-0
Lee, S.; Hong, S.-M.; Jung, H.-S. A Support Vector Machine for Landslide Susceptibility Mapping in Gangwon Province, Korea. Sustainability 2017, 9, 48. https://doi.org/10.3390/su9010048
Mafra, N.M.C. Erosão e planificação de uso do solo. In: Erosão e conservação do solo: conceitos, temas e aplicações. Org. Guerra, A.J.T.; Silva, A.S.; Botelho, R.G.M. 9ª ed., Rio de Janeiro: Berthrand Brasil, 340p. 2014.
Malhotra, N.K. Pesquisa de marketing: uma orientação aplicada. 7ª ed. Editora: Bookman. 2019.
Meena, S.R., Ghorbanzadeh, O., van Westen, C.J. et al. Rapid mapping of landslides in the Western Ghats (India) triggered by 2018 extreme monsoon rainfall using a deep learning approach. Landslides 18, 1937–1950 (2021). https://doi.org/10.1007/s10346-020-01602-4
Meliho, M., Khattabi, A. & Mhammdi, N. A GIS-based approach for gully erosion susceptibility modelling using bivariate statistics methods in the Ourika watershed, Morocco. Environ Earth Sci 77, 655 (2018). https://doi.org/10.1007/s12665-018-7844-1
Mosavi, A.; Sajedi-Hosseini, F.; Choubin, B.; Taromideh, F.; Rahi, G.; Dineva, A.A. Susceptibility Mapping of Soil Water Erosion Using Machine Learning Models. Water 2020, 12, 1995. https://doi.org/10.3390/w12071995
Nardi, I.R. O desenvolvimento de um modelo matemático para a previsão da aprovação da disciplina de cálculo 1 utilizando regressão logística. Braz. J. of Develop., Curitiba, v. 5, n. 10, 2019.
Perreault, L.M.; Yager, E.M.; Aalto, R. Effects of gradient, distance, curvature, and aspect on steep burned and unburned hillslope soil erosion and deposition. Ear. Surf. Proc. and Landf., 42(7), 1033–1048. 2016. https://doi.org/10.1002/esp.4067
Perusi, M. C.; Carvalho, W. A. Comparação de Métodos para Determinação da Estabilidade de Agregados por Vias Seca e Úmida em Diferentes Sistemas de Uso e Manejo do Solo. Geociências, São Paulo, v. 27, n. 2, 2008, p. 197-206.
Pinheiro, H.S.K. Métodos de mapeamento digital aplicados na predição de classes e atributos dos solos da Bacia Hidrográfica do Rio Guapi. (Tese). 2015. Universidade Federal Rural do Rio de Janeiro. Rio de Janeiro.
Rahmati, O., Haghizadeh, A., Pourghasemi, H.R. et al. Gully erosion susceptibility mapping: the role of GIS-based bivariate statistical models and their comparison. Nat Hazards 82, 1231–1258 (2016). https://doi.org/10.1007/s11069-016-2239-7
Raja, N.B., Çiçek, I., Türkoğlu, N. et al. Landslide susceptibility mapping of the Sera River Basin using logistic regression model. Nat Hazards 85, 1323–1346 (2017). https://doi.org/10.1007/s11069-016-2591-7
RONDONIA, Secretaria de Estado do Planejamento. (2002). Plano agroflorestal e Pecuária de Rondônia – PLANAFLORO (bando de dados geográfico). Porto Velho.
RONDÔNIA. Secretaria de Estado do Desenvolvimento Ambiental (SEDAM). (2010). Boletim Climatológico de Rondônia, ano 2008, Porto Velho, 36p.
Ross, J.L.S. Análise Empírica da Fragilidade dos Ambientes Naturais e Antropizados. In: Revista do Departamento de Geografia n° 8, DG-FFLCH-USP, São Paulo, p. 63-74, 1994.
ROY, J.; SAHA, S. (2021). Integration of artificial intelligence with meta classifiers for the gully erosion susceptibility assessment in Hinglo river basin, Eastern India. Advances in Space Research, v. 67, n. 1, p. 316–333. https://doi.org/10.1016/j.asr.2020.10.013
Sarkar, S., Roy, A.K. & Martha, T.R. Landslide susceptibility assessment using Information Value Method in parts of the Darjeeling Himalayas. J Geol Soc India 82, 351–362 (2013). https://doi.org/10.1007/s12594-013-0162-z
Sarkar, T., Mishra, M. Soil Erosion Susceptibility Mapping with the Application of Logistic Regression and Artificial Neural Network. J geovis spat anal 2, 8 (2018). https://doi.org/10.1007/s41651-018-0015-9
Shahri, A.A.; Spross, J.; Johansson, F.; Larsson, S. (2019). Landslide susceptibility hazard map in southwest Sweden using artificial neural network. CATENA, Volume 183. https://doi.org/10.1016/j.catena.2019.104225
Shit, P.K.; Pourghasemi, H.R. Gully Erosion Susceptibility Mapping Based on Bayesian Weight of Evidence. n. January, 2020.
Soma, A. S., & Kubota, T. (2018). Landslide susceptibility map using certainty factor for hazard mitigation in mountainous areas of Ujung-loe watershed in South Sulawesi. Forest and Society, 2(1), 79-91. https://doi.org/10.24259/fs.v2i1.3594
Souza, C.K. et al. Influência do relevo e erosão na variabilidade espacial de um latossolo em Jaboticabal (SP). R. Bras. Ci. Solo, 27. 2003.
Takaki, A.J.H. Caraterização de processos erosivos como instrumento de apoio ao planejamento urbano de Manaus – AM. Dissertação (Mestrado). Manaus: UFAM, 128p. 2002.
Thiery, Y., Maquaire, O. & Fressard, M. Application of expert rules in indirect approaches for landslide susceptibility assessment. Landslides 11, 411–424 (2014). https://doi.org/10.1007/s10346-013-0390-8
Vaezia, S.S. et al. Application of artificial neural networks to describe the combined effect of pH, time, NaCl and ethanol concentrations on the biofilm formation of Staphylococcus aureus. Microbial Pathogenesis 141, 2020. https://doi.org/10.1016/j.micpath.2020.103986.
Vieira, I.C.G.; Jardim, M.A.G.; Rocha, E.J.P. Amazônia em tempo: estudos climáticos e socioambientais. Belém: Universidade Federal do Pará. Embrapa Amazônia Oriental, 462 p. 2014.
Wang, LJ., Guo, M., Sawada, K. et al. A comparative study of landslide susceptibility maps using logistic regression, frequency ratio, decision tree, weights of evidence and artificial neural network. Geosci J 20, 117–136 (2016). https://doi.org/10.1007/s12303-015-0026-1
Xing, X., Wu, C., Li, J. et al. Susceptibility assessment for rainfall-induced landslides using a revised logistic regression method. Nat Hazards 106, 97–117 (2021). https://doi.org/10.1007/s11069-020-04452-4
Yavari S.; Maroufpoor, S.; Shiri, J. Modeling soil erosion by data-driven methods using limited input variables. Hydrology Research | 49.5. 2018. https://doi.org/10.2166/nh.2017.041
Published
10/07/2023
How to Cite
FONSECA, ELAINE LIMA DA; SILVA FILHO, ELIOMAR PEREIRA DA. PREDICTIVE MODELING APPLIED TO POTENTIAL SOIL EROSION RISK MAPPING IN THE WESTERN AMAZON. Mercator, Fortaleza, v. 22, july 2023. ISSN 1984-2201. Available at: <http://www.mercator.ufc.br/mercator/article/view/e22010>. Date accessed: 05 oct. 2024. doi: https://doi.org/10.4215/e22010.
Section
ARTICLES