Banca de DEFESA: Diandra Hoffmann Costa

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : Diandra Hoffmann Costa
DATA : 02/10/2026
HORA: 14:00
LOCAL: Plataforma Virtual da Microsoft Teams
TÍTULO:

IDENTIFICAÇÃO E QUANTIFICAÇÃO DE PROCESSOS EROSIVOS LINEARES EM ÁREA URBANA, UTILIZANDO DEEP LEARNING E ÍNDICES MORFOMÉTRICOS

PALAVRAS-CHAVES:

Processos erosivos lineares; identificação; predição; inteligência artificial; geoprocessamento

PÁGINAS: 150
RESUMO:

A interferência humana associada a fatores naturais como solo, cobertura vegetal, relevo, geologia e clima exercem influência direta sobre os processos naturais, como as erosões lineares urbanas. O que altera o comportamento do escoamento superficial devido a convergência do fluxo d´água e da impermeabilização do solo causada pela implantação de estruturas urbanas. Diante desta problemática, propõe-se uma abordagem inovadora de identificação automatizada de feições erosivas com a integração de um Modelo Digital de Superfície (MDS), na escala de detalhes e técnicas de Aprendizado de Máquina Profundo (Deep Learning). Os objetivos da pesquisa consistem em: I) Identificar as áreas susceptíveis a ocorrência de processos erosivos lineares na área urbana do DF; II) Identificar os índices morfométricos mais importantes para formação dos processos lineares; III) Identificar e analisar quais os métodos de Deep Learning são mais promissores. A metodologia utilizada consisti no uso do MDS com resolução de 0,5 metros. Após, a aplicação do Filtro-Perona Malik e por seguinte, na geração dos índices morfométricos TWI, TPI, TRI, LS, a Curvatura Tangente, P, o Fluxo Acumulado e o CTIN, conforme a literatura consultada. Todos os índices morfométricos utilizados foram normalizados para variarem de 0-1, compondo as variáveis de entrada dos modelos de Deep Learning. Foram avaliadas arquiteturas convulucionais e baseadas em Transformers , considerando distintas variáveis morfométricas. Os resultados demonstraram que as arquiteturas baseadas em Transformers apresentaram maior capacidade de representação espacial das feições erosivas lineares, com destaque para o Mask2Former associado ao conjunto geom_compact, que apresentou o melhor equilíbrio entre capacidade de detecção, ruído e fragmentação das feições preditas. Embora modelos como o SegFormer tenham apresentado maior sensibilidade em determinados cenários, a análise espacial evidenciou que maior capacidade de detecção não implica, necessariamente, melhor desempenho cartográfico, especialmente em áreas caracterizadas por elevada heterogeneidade geomorfológica e pela ocorrência de feições pequenas, descontínuas e irregulares. Os resultados indicam que a integração de dados morfométricos derivados de MDS de alta resolução com técnicas de Deep Learning constitui uma abordagem promissora para a identificação automatizada de processos erosivos lineares em ambientes urbanos, contribuindo para o mapeamento, monitoramento e planejamento territorial em diferentes contextos geomorfologicos.

MEMBROS DA BANCA:
Externo à Instituição - JOSÉ YURE GOMES DOS SANTOS - UFRN
Externa à Instituição - GISELE BARBOSA DOS SANTOS - UFOB
Externo à Instituição - ANTONIO JOSE TEIXEIRA GUERRA - UFRJ
Interna - 4323378 - POTIRA MEIRELLES HERMUCHE
Presidente - 2518572 - ROBERTO ARNALDO TRANCOSO GOMES