04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

Previsão de subsidência do solo na cidade de Samcheok,

Coréia, usando redes neurais artificiais e SIG
Geologia Ambiental

Julho de 2009, Volume 58, edição 1 , pp 61–70 | Citar como

Ki-dong Kim (1)

Saro Lee (2) Autor de email (leesaro@kigam.re.kr)
Hyun-Joo Oh (3)

1. Departamento de Engenharia de Geoinformação , Sejong University , Seoul , South Korea

2. Centro de Informação de Geociências , Coreia Instituto de Geociência e Recursos Minerais (KIGAM) , Daejeon , Coreia
do Sul
3. Departamento de Ciências do Sistema Terrestre , Yonsei University , Seoul , South Korea

Artigo original
Primeiro on-line: 20 de agosto de 2008
Recebido: 17 de junho de 2008
Aceitaram: 15 July 2008

455 Transferências
30 Citações

Abstrato

Este estudo mostra a construção de um mapa de risco para subsidência de solo presumível em torno de minas de carvão
subterrâneas abandonadas (AUCMs) na cidade Samcheok na Coréia usando uma rede neural artificial, com um sistema de
informação geográfica (GIS). Para avaliar os fatores que governam a subsidência do solo, construiu-se um banco de imagens
a partir de um mapa topográfico, mapa geológico, mapa do túnel de mineração, dados do sistema de posicionamento global
(GPS), mapa do uso da terra, modelo digital de elevação (DEM) e dados do poço. Um banco de dados de atributos também
foi construído empregando investigações de campo e relatórios de trabalho de reforço para as áreas de subsidência do solo
existentes no local do estudo. Sete fatores principais que controlam a subsidência do solo foram determinados a partir da
análise de probabilidade da área de subsidência terrestre existente. Profundidade da deriva do mapa do túnel de mineração,
DEM e gradiente de inclinação obtidos a partir do mapa topográfico, nível de água subterrânea e permeabilidade de dados
de perfuração, geologia e uso da terra. Esses fatores foram empregados por redes neurais artificiais para analisar o risco de
subsidência do solo. O peso de cada fator foi determinado pelo método de treinamento de propagação retrógrada. Em
seguida, os índices de risco de subsidência do solo foram calculados usando os pesos treinados de retropropagação, e o
mapa de risco de subsidência do solo foi criado pelo GIS. Locais de subsidência do solo foram usados para verificar os
resultados do mapa de risco de subsidência do solo e os resultados da verificação mostraram 96,06% de precisão. Os
resultados da verificação exibiram concordância suficiente entre o mapa de risco presuntivo e os dados existentes na área de
subsidência do solo. geologia e uso da terra. Esses fatores foram empregados por redes neurais artificiais para analisar o
risco de subsidência do solo. O peso de cada fator foi determinado pelo método de treinamento de propagação retrógrada.
Em seguida, os índices de risco de subsidência do solo foram calculados usando os pesos treinados de retropropagação, e o
mapa de risco de subsidência do solo foi criado pelo GIS. Locais de subsidência do solo foram usados para verificar os
resultados do mapa de risco de subsidência do solo e os resultados da verificação mostraram uma precisão de 96,06%. Os
resultados da verificação exibiram concordância suficiente entre o mapa de risco presuntivo e os dados existentes na área de
subsidência do solo. geologia e uso da terra. Esses fatores foram empregados por redes neurais artificiais para analisar o
risco de subsidência do solo. O peso de cada fator foi determinado pelo método de treinamento de propagação retrógrada.
Em seguida, os índices de risco de subsidência do solo foram calculados usando os pesos treinados de retropropagação, e o
mapa de risco de subsidência do solo foi criado pelo GIS. Locais de subsidência do solo foram usados para verificar os
resultados do mapa de risco de subsidência do solo e os resultados da verificação mostraram 96,06% de precisão. Os
resultados da verificação exibiram concordância suficiente entre o mapa de risco presuntivo e os dados existentes na área de
subsidência do solo. Em seguida, os índices de risco de subsidência do solo foram calculados usando os pesos treinados de
retropropagação, e o mapa de risco de subsidência do solo foi criado pelo GIS. Locais de subsidência do solo foram usados
para verificar os resultados do mapa de risco de subsidência do solo e os resultados da verificação mostraram 96,06% de
precisão. Os resultados da verificação exibiram concordância suficiente entre o mapa de risco presuntivo e os dados
existentes na área de subsidência do solo. Em seguida, os índices de risco de subsidência do solo foram calculados usando
os pesos treinados de retropropagação, e o mapa de risco de subsidência do solo foi criado pelo GIS. Locais de subsidência
do solo foram usados para verificar os resultados do mapa de risco de subsidência do solo e os resultados da verificação
mostraram 96,06% de precisão. Os resultados da verificação exibiram concordância suficiente entre o mapa de risco
presuntivo e os dados existentes na área de subsidência do solo.

Palavras-chave
Subsidência do solo Mina de carvão subterrânea abandonada Redes neurais artificiais Verificação SIG

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 1/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

Uma errata para este artigo pode ser encontrada em http://dx.doi.org/10.1007/s00254-009-1734-5

(http://dx.doi.org/10.1007/s00254-009-1734-5)

Download do artigo PDF

Introdução

A ocorrência de subsidência terrestre em torno de áreas de minas de carvão abandonadas recentemente se tornou um sério
problema social na Coréia, já que quase todas as minas de carvão subterrâneas foram abandonadas e poucas permanecem
desde 1989. No entanto, o esforço de avaliação quantitativa de áreas de subsidência poucos, especialmente em áreas de
mineração de carvão onde as estruturas da geologia e mineração são complexas. Por esta razão, o objetivo do presente
estudo foi avaliar e prever subsidência do solo para mapeamento de risco perto de uma área de minas subterrâneas de
carvão abandonadas (AUCMs) usando redes neurais artificiais e SIG.

Um método que prevê a probabilidade de subsidência do solo empiricamente, dentro de limites surpreendentemente
estreitos, considerando a forma dos dados de entrada, foi sugerido (Goel e Page 1982 ) usando (1) a força intacta da rocha,
(2) o campo de tensão, (3) a estrutura geológica, (4) a profundidade do horizonte de mineração, (5) a extensão da área
minerada e (6) o volume extraído por unidade de área de mineração. O National Coal Board publicou uma técnica básica
para determinar a área estimada influenciada pela subsidência do solo com base na altura da cavidade, a largura do painel
minado e o ângulo de inclinação da camada de carvão (National Coal Board 1975).). O método usado para prever a área de
subsidência é dependente da estrutura da geologia local e do método de mineração de carvão usado, e os métodos empíricos
discutidos acima foram desenvolvidos para condições envolvendo emendas de carvão horizontal e trabalho em longwall,
que são predominantes na Europa. No entanto, na Coréia, devido à estrutura heterogênea da geologia, há camadas de
carvão de várias larguras e camadas de carvão com inclinações irregulares, de modo que o método de cavitação de blocos de
calha inclinada foi usado. Como resultado, um tipo de subsidência de sumidouro é usual e, portanto, uma estimativa
diferente da subsidência do solo é necessária. A Tabela 1 mostra os fatores que comumente afetam a subsidência do solo
tipo poço-furo ao longo do tempo (Coal Industry Promotion Board 1997).). Além disso, a análise quantitativa da presumida
subsidência do solo perto de AUCMs na Coréia não foi bem estudada até agora. No entanto, Kim et al. ( 2006 ) estudaram o
uso de modelo probabilístico e estatístico em ambiente SIG. A diferença fundamental do estudo em relação a Kim et al. (
2006 ) é aplicar redes neurais artificiais em ambiente GIS.

tabela 1

Fatores afetam a subsidência do solo tipo poço-furador (Coal Industry Promotion Board 1997 )

Ocorrência de subsidência do solo Progresso Colapso do solo

Durante o tempo depois de abandonar o meu

Caráter mecânico de massa rochosa Fluxo de água subterrânea Profundidade de mineração

Fluxo de água subterrânea Geologia estrutural Altura da cavidade

Geologia Estrutural (articulação, falha, dique) Taxa de expansão cúbica

Método de escavação Taxa de mineração

Taxa de escavação

Enchimento traseiro

Ao escolher uma área de estudo, as investigações de campo e os relatórios de reforço relacionados à subsidência do solo
foram cuidadosamente avaliados. Neste estudo, um local chamado Magyori foi escolhido, onde 21 sinais de subsidência do
solo foram identificados perto de um AUCM na cidade de Samcheok (Coal Industry Promotion Board 1999 ). O local do
estudo está localizado entre longitudes 129 ° 2 ′ 40 ″ e 129 ° 3 ′ 30 ″ e latitudes 37 ° 14 ′ 26 ″ e 37 ° 15 ′ 24 ″. O recurso de
carvão da Coréia do Sul consiste quase inteiramente de antracito, 85% do qual foi depositado durante o Paleozóico Superior
e o Mesozóico Inferior na Formação Jangseong do Supergrupo Pyeongan (Sociedade Geológica da Coréia, 1999 ). A falha de
Oship, ferrovia Youngdong e não. 38 passagens rodoviárias locais ao longo da área de estudo (Conselho de Promoção da
Indústria de Carvão)1997 ). O mapa de localização deste local de estudo com áreas de subsidência no solo é apresentado na
Fig. 1 .

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 2/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

Figura 1

Área de estudo

Teoria: redes neurais artificiais

Uma rede neural artificial é um “mecanismo computacional capaz de adquirir, representar e computar um mapeamento de
um espaço multivariado de informação para outro, dado um conjunto de dados representando esse mapeamento” (Garrett
1994 ). O algoritmo de treinamento de propagação reversa é o método de redes neurais mais utilizado (Lee et al. 2004 ;
Sonmez et al. 2006 ; Tunusluoglu et al. 2007 ; Zorlu et al. 2008 ; Nefeslioglu et al. 2008) .) e é o método utilizado neste
estudo. O algoritmo de treinamento de propagação reversa é treinado usando um conjunto de exemplos de valores
associados de entrada e saída. O objetivo das redes neurais artificiais é construir um modelo do processo de geração de
dados, de modo que as redes possam generalizar e prever saídas de insumos que não haviam visto anteriormente. Esse
algoritmo de aprendizado é formado por redes neurais multicamadas, que consistem em uma camada de entrada, camadas
ocultas e uma camada de saída. Os neurônios da camada oculta e de saída processam suas entradas multiplicando cada
entrada por um peso correspondente, somando o produto e processando a soma usando uma função de transferência não
linear para produzir um resultado. As redes neurais artificiais “aprendem” ajustando os pesos entre os neurônios em
resposta aos erros entre os valores reais de saída e os valores de saída alvo. No final desta fase de treinamento, as redes
neurais fornecem um modelo que deve ser capaz de prever um valor alvo a partir de um dado valor de entrada.

Paola e Schwengerdt ( 1995 ) indicaram que há dois estágios envolvidos no uso de redes neurais para classificação de
múltiplas fontes: a fase de treinamento, na qual os pesos internos são ajustados e o estágio de classificação. Normalmente, o
algoritmo de propagação reversa treina as redes até que algum erro mínimo direcionado seja alcançado entre os valores de
saída desejados e reais das redes. Depois que o treinamento é concluído, as redes são usadas como uma estrutura de feed-
forward para produzir uma classificação para todos os dados (Paola e Schwengerdt, 1995 ).

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 3/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

As redes neurais consistem em vários nós interconectados. Cada nó é um elemento de processamento simples que responde
às entradas ponderadas que recebe de outros nós. O arranjo dos nós é referido como a arquitetura de redes (Fig. 2 ). O nó
receptor soma os sinais ponderados de todos os nós aos quais está conectado na camada anterior. Formalmente, a entrada
que um único nó recebe é ponderada de acordo com a Eq. 1 .
́
liquido
= ∑ Weu ⋅j oEu
j

Eu

(1)
onde w ij representa os pesos entre nós i e j , e o i é a saída do nó j , dada por
oj = f (netj ).

(2)

Figura 2

Arquitetura de redes neurais para análise de risco de subsidência no solo

A função f é geralmente uma função sigmoide não linear que é aplicada à soma ponderada de entradas antes que o sinal se
propague para a próxima camada. Uma vantagem de uma função sigmóide é que sua derivada pode ser expressa em termos
da própria função:
′
f ( netj ) = f ( netj ) ( 1 - f ( netj ) ) .

(3)

As redes utilizadas neste estudo consistiram em três camadas. A primeira camada é a camada de entrada, onde os nós são os
elementos de um vetor de recursos. A segunda camada é a camada interna ou "oculta". A terceira camada é a camada de
saída que apresenta os dados de saída. Cada nó na camada oculta é interconectado a nós nas camadas anterior e seguinte
por conexões ponderadas (Atkinson e Tatnall, 1997 ).

O erro, E , para um padrão de treinamento de entrada, d , é uma função do vetor de saída desejado, e o vetor de saída real, o
, dado por:
1
E = ∑ ( dk - ok ) .
2
k

(4)

O erro é propagado de volta através das redes neurais e é minimizado ajustando os pesos entre as camadas. O ajuste de peso
é expresso como:
Weu(j n + 1 ) = η( δj ⋅ oEu
) + α Δ w eu j

(5)
onde η é o parâmetro de taxa de aprendizado (definido como η = 0,01 neste estudo), δ j é um índice da taxa de mudança do
erro, e α é o parâmetro momentum (definido como α = 0,01 neste estudo).

O fator δ j depende do tipo de camada. Por exemplo,

′
para camadas ocultas , δj = ( ∑ δk Wj k) f ( netj )

(6)
′
́
e para camadas de saida , δj = ( dk - ok ) f ( netk ) .

(7)

Este processo de alimentação de sinais para a frente e de propagação reversa do erro é repetido iterativamente até que o
erro das redes como um todo seja minimizado ou atinja uma magnitude aceitável.

Usando o algoritmo de treinamento de retropropagação, os pesos de cada fator podem ser determinados e podem ser
usados para classificação de dados (vetores de entrada) que as redes nunca viram antes. Zhou ( 1999 ) descreveu um método
para determinar os pesos usando a propagação reversa. Da Eq. 2 , o efeito de uma saída, o j , a partir de um nó da camada
oculta, j , na saída, o k , de uma camada de saída (nó k ) pode ser representado pela derivado parcial de o k com respeito a o j
quanto
∂ ok ∂ ( netk )
′ ′
= f ( netk ) ⋅ = f ( netk ) ⋅ w j k.
∂ oj ∂ oj

(8)

A equação ( 8 ) produz valores positivos e negativos. Se a magnitude do efeito é tudo o que é de interesse, então a
importância (peso) do nó j em relação a outro nó j0 na camada oculta pode ser calculada como a razão dos valores absolutos
derivados da Eq. 8 :
′
| ∂ ok | | ∂ ok | | f ( netk ) ⋅ w j k| | Wj k|
/ = = .
′
| ∂ oj | | ∂ oj 0| | f ( netk ) ⋅ w j 0 k| | Wj |
0 k

(9)

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 4/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

Devemos mencionar que w j 0 k é simplesmente outro peso em w jk diferente de w ik .

Para um dado nó na camada de saída, os resultados da Eq. 9 mostram que a importância relativa de um nó na camada
oculta é proporcional ao valor absoluto do peso que conecta o nó à camada de saída. Quando as redes consistem em
camadas de saída com mais de um nó, a Equação ( 9 ) não pode ser usada para comparar a importância de dois nós na
camada oculta.
J
1
Wj 0 k= ⋅ ∑ | Wj k|
J
j = 1

(10)
| Wj k| J ⋅ | Wj k|
tj k = =
1 J J
⋅ ∑ | Wj k| ∑ | Wj k|
J j = 1 j = 1

(11)

Portanto, com relação ao nó k , cada nó na camada oculta tem um valor maior ou menor que a unidade, dependendo se é
mais ou menos importante, respectivamente, do que um valor médio. Todos os nós na camada oculta têm uma importância
total em relação ao mesmo nó, dada por
J

∑ tj k
= J.

j = 1

(12)

Conseqüentemente, a importância geral do nó j em relação a todos os nós na camada de saída pode ser calculada
K
1
tj = ⋅ ∑ tj k.
K
j = 1

(13)

Da mesma forma, com relação ao nó j na camada oculta, a importância normalizada do nó j na camada de entrada pode ser
definida por
| ω eu| j Eu ⋅ | ω eu| j
seu =
j = .
1 Eu Eu
⋅ ∑ | ω eu| j ∑ | ω eu| j
Eu eu = 1 eu = 1

(14)

A importância geral do nó i em relação à camada oculta é

J
1
sEu
= ⋅ ∑ seu. j
J
j = 1

(15)

Correspondentemente, a importância geral do nó de entrada i em relação ao nó de saída k é dada por

J
1
s tEu
= ⋅ ∑ seu ⋅j tj .
J
j = 1

(16)

Dados

Muitos estudos identificaram fatores importantes que contribuem para a subsidência do solo em torno das minas de carvão,
inclusive (Coal Industry Promotion Board, 1997 ; Waltham, 1989).): profundidade e altura das cavidades mineradas,
método de escavação, grau de inclinação da escavação, escopo da mineração, geologia estrutural e vazão das águas
subterrâneas. Portanto, os fatores que governam a ocorrência de subsidência do solo foram coletados em um banco de
dados espaciais do tipo vetorial. Estes incluíam um mapa geológico de escala de 1: 50.000, mapas topográficos de escala de
1: 5.000, mapas de uso da terra de escala de 1: 5.000, mapas de túneis minados à escala de 1: 1.200 e dados de perfuração. A
precisão confiável do banco de dados espacial é indispensável no ambiente GIS. Por esse motivo, mapas precisos
autorizados pelas agências do governo coreano foram coletados, embora as escalas de cada mapa fossem diferentes. As
camadas de dados são mostradas na Tabela 2 .

mesa 2

Banco de dados do GIS construído incluindo fatores ligados à subsidência do solo da área de estudo

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 5/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

Categoria Fatores Observação

Geologia Geologia Unidade estratigráfica

Topografia Declive Analise a inclinação por grau

Uso da terra Uso da terra 14 tipos de uso da terra

Profundidade da deriva DEM menos altura acima do nível do mar

Mapa do túnel de
mineração
Distância do desvio Buffer de intervalo de 1 m de desvio

Profundidade da água IDW interpolado de furos, DEM menos nível de água

subterrânea subterrânea
Furo a

Permeabilidade IDW interpolado a partir de furos

a
35 furos de investigação em 1999, alguns furos não têm valor de fatores relacionados

Os dados geológicos foram extraídos de um mapa geológico de escala de 1: 50.000 do Instituto Coreano de Geociência e
Recursos Minerais. Pontos-base de contorno e levantamento com valores de elevação lidos do mapa topográfico foram
extraídos e um modelo de elevação digital (DEM) foi construído. Usando o DEM, os gradientes de inclinação foram
calculados. Existem 14 classes de uso da terra, que foram extraídas do mapa de uso da terra do National Geographic
Information Institute. A maior parte da literatura (Goel e Page 1982 ; National Coal Board 1975 ; Waltham 1989) afirma que
o principal fator na subsidência do solo é o escopo das cavidades mineradas. Portanto, a construção de um banco de dados
das profundidades e larguras das cavidades mineradas foi muito importante durante este estudo. Para alcançar este
objetivo, (1) foram utilizadas medidas de GPS (sistema GPS ProMark2, precisão de levantamento inferior a 10 mm) para
determinar as posições exatas das cabeças de minas; (2) estes foram usados para vetorizar uma cópia impressa do mapa do
túnel minado; e (3) o mapa de túnel mineralizado vetorizado foi convertido em um arquivo de grade ASCII e subtraído com
os dados de varredura DEM. Havia 35 poços no local de estudo, mas alguns furos não tinham valores, então um método de
interpolação de distância inversa (IDW) foi usado para contornar os níveis de água subterrânea e os fatores de
permeabilidade.

Método

Este estudo foi realizado utilizando SIG, redes neurais artificiais com fatores que podem causar subsidência do solo. Um
banco de dados de imagens e um banco de dados de atributos para subsidência do solo foram construídos. Ao usar esta
abordagem, o principal pressuposto é que a subsidência potencial do solo (possibilidade de ocorrência) será semelhante à
frequência real de subsidência do solo. Após a seleção do local do estudo, áreas de subsidência do solo foram detectadas no
local do estudo por meio de levantamentos de campo. Um mapa de subsidência do solo existente foi desenvolvido, e este foi
utilizado para avaliar a freqüência e distribuição do subsidência do solo no local do estudo.

Para o estudo, primeiramente, mapas relevantes para a ocorrência de subsidência do solo foram usados para construir um
banco de dados espacial do tipo vetorial usando o pacote de software GIS, ARC / INFO. Em segundo lugar, áreas de
ocorrência de subsidência no solo foram detectadas na área de estudo por interpretação de levantamentos de campo. Um
mapa dos locais de subsidência do solo foi construído para banco de dados espacial usando SIG. Terceiro, para o cálculo do
peso, os fatores de subsidência do solo foram convertidos em grade (tipo de grade ARC / INFO) e, em seguida, convertidos
em dados ASCII para uso com um programa de redes neurais artificiais. E os conjuntos de dados ASCII foram normalizados
entre 0,1 e 0,9, pois o valor da função sigmoide utilizada nas redes neurais artificiais varia de 0 a 1. Então, utilizando os
locais de subsidência detectados, os pesos de cada fator foram determinados pelo método das redes neurais.2005 ). Para a
determinação do peso utilizando as redes neurais artificiais, a localização onde ocorreu a subsidência do solo foi designada
como área de treinamento e as redes neurais artificiais foram treinadas. Quando os pesos convergiram para um valor
adequado, os pesos foram determinados pela propagação inversa entre as camadas de redes neurais. Depois disso, os
resultados da análise foram convertidos em dados da grade usando o GIS. Finalmente, o mapeamento do risco de
subsidência do solo foi realizado usando o peso em conjunto em nosso estudo e os resultados analíticos foram verificados
usando os locais de subsidência do solo.

Neste estudo, o software GIS ArcView 3.3 e o ARC / INFO versão 9.0 foram utilizados como ferramentas básicas de análise
para o gerenciamento espacial e manipulação de dados.

Predição da subsidência do solo usando as redes neurais

artificiais

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 6/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

A figura 3 é o fluxograma do treinamento das redes neurais para a determinação do peso. Os pesos entre as camadas
adquiridas pelo treinamento das redes neurais foram calculados de forma reversa e a contribuição ou importância de cada
fator foi calculada. Assim, os pesos que são contribuição ou importância de cada fator foram determinados. Para o cálculo
do peso foi utilizado o programa desenvolvido por Hines ( 1997 ) e para a interpretação do peso foi utilizado um programa
recém desenvolvido.

Fig. 3

O fluxograma do treinamento de redes neurais para determinação de peso

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 7/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 8/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

Fig. 4

Fatores de entrada

Os sete fatores listados na Tabela 2 foram utilizados como dados de entrada. Os fatores foram convertidos em uma grade de
1 × 1 m 2 e o número total de células foi 2.102.594, e o número de células de ocorrência de subsidência no solo foi de 10.369.
Utilizando o software GIS, foi utilizada uma grade de 1.207 linhas e 1.742 colunas, com um espaçamento entre pontos de 1
m (Fig. 4 ).

Os locais propensos à ocorrência (ocorrência) e os locais que não eram propensos a subsidência foram selecionados como
locais de treinamento. Células de cada uma das duas classes foram selecionadas aleatoriamente como células de
treinamento, com 3.000 células denotando áreas onde a subsidência não ocorreu ou ocorreu. Primeiramente, as áreas onde
a subsidência não ocorreu foram classificadas como “áreas não propensas a subsidência” e as áreas onde a subsidência era
conhecida foram designadas para um conjunto de treinamento de “áreas sujeitas a subsidência”. Os locais de treinamento
foram processados dez vezes para identificar quaisquer alterações que pudessem ocorrer devido à atribuição de pesos
iniciais aleatórios.

O algoritmo de retropropagação foi então aplicado para calcular os pesos entre a camada de entrada e a camada oculta, e
entre a camada oculta e a camada de saída, modificando o número de nó oculto e a taxa de aprendizado. Três redes de feed-
forward foram implementadas usando o pacote de software MATLAB. Aqui, "feed-forward" denota que as interconexões

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 9/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

entre as camadas se propagam para a próxima camada. O número de camadas ocultas e o número de nós em uma camada
oculta necessária para um problema de classificação específico não são fáceis de deduzir. Neste estudo, uma estrutura 7 × 15
× 1 foi selecionada para as redes, com dados de entrada normalizados na faixa de 0,1 a 0,9. Os dados do grupo de classes
nominal e intervalo foram convertidos em valores contínuos variando entre 0,1 e 0,9. Portanto, os valores contínuos não
eram dados ordinais,

A taxa de aprendizagem foi ajustada para 0,01, e os pesos iniciais foram selecionados aleatoriamente para valores entre 0,1
e 0,9. Os pesos calculados de 10 casos de teste foram comparados para determinar se a variação nos pesos finais era
dependente da seleção dos pesos iniciais. O algoritmo de retropropagação foi usado para minimizar o erro entre os valores
de saída previstos e os valores de saída calculados. O algoritmo propagou o erro para trás e ajustou iterativamente os pesos.
O número de épocas foi definido para 5.000 e o valor do erro quadrático médio (RMSE) usado para o critério de parada foi
definido como 0,1. A maioria dos conjuntos de dados de treinamento atingiu a meta de 0,1 RMSE. No entanto, se o valor
RMSE não foi alcançado, o número máximo de iterações foi encerrado em 5.000 épocas. Quando o último caso ocorreu,
então o valor máximo de RMSE foi <0,216. Os pesos finais entre as camadas adquiridas durante o treinamento das redes
neurais e a contribuição ou importância de cada um dos sete fatores usados para prever o perigo de subsidência do solo são
mostrados na Tabela.3 . Os resultados não foram os mesmos, pois os pesos iniciais foram atribuídos a valores aleatórios.
Portanto, neste estudo, os cálculos foram repetidos dez vezes, para permitir que os resultados alcancem valores
semelhantes. O desvio padrão dos resultados estava na faixa de 0,0153 a 0,0343 e, portanto, a amostragem aleatória não
teve grande efeito nos resultados. Para facilitar a interpretação, os valores médios foram calculados, e esses valores foram
divididos pela média dos pesos do fator que teve um valor mínimo. O valor do declive foi o valor mínimo, 1,00, e a
profundidade do valor do lençol freático foi o valor máximo, 2,0908. Finalmente, os pesos foram aplicados em toda a área
de estudo e o mapa de risco de subsidência do solo foi criado (Fig. 5). Os valores foram classificados por áreas iguais e
agrupados em quatro classes para interpretação visual.

Tabela 3

Pesos de cada fator estimado pelas redes neurais consideradas neste estudo

Fatores de
1 2 3 4 5 6 7 8 9 10 Significar SD NW a
execução

Geologia 0,0818 0,1236 0,0921 0,1465 0,0942 0,1445 0,0776 0,0937 0,0895 0,1283 0,1072 0,0260 1,0577

Declive 0,0998 0,1178 0,0783 0,1311 0,0920 0,1337 0.1293 0,0938 0,0953 0,1055 0,1077 0,0192 1,0625

Uso da terra 0,1286 0,1610 0,1793 0,1515 0,1585 0,1722 0,1794 0,1316 0.1525 0,1456 0,1560 0,0179 1,5397

Profundidade
0,1174 0,0925 0,0960 0,1266 0,0848 0,1021 0,1124 0,0727 0,0770 0,1318 0,1013 0,0204 1,0000
da deriva

Distância do
0,2237 0,1833 0,2362 0,1675 0,2486 0,1688 0,2144 0,2524 0,2452 0,1785 0,2119 0,0343 2,0908
desvio

Profundidade
da água 0,1631 0,1414 0,1513 0,1337 0,1434 0.1135 0.1285 0,1627 0,1516 0,1326 0,1422 0,0157 1,4031
subterrânea

Permeabilidade 0,1856 0,1803 0.1667 0,1433 0,1786 0,1652 0,1584 0,1930 0,1890 0,1777 0,1738 0,0153 1,7150

Desvio padrão SD
um peso normalizado em relação à inclinação

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 10/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

Fig. 5

Mapa de risco de subsidência do solo usando redes artificiais artificiais

Verificação

Os resultados da análise do risco de subsidência foram verificados usando locais conhecidos de subsidência do solo. A
verificação foi realizada comparando os dados de localização de subsidência do solo conhecidos com o mapa de risco de
subsidência. Cada fator utilizado e sua razão de frequência foram comparados. Curvas de taxa foram criadas e as áreas sob
as curvas foram calculadas para dois casos. A taxa explica o quão bem o modelo e o fator preveem a subsidência. Para obter
a classificação relativa para cada padrão de previsão, os valores de índice calculados para todas as células na área de estudo
foram classificados em ordem decrescente. Os valores das células ordenadas foram então divididos em 100 classes, em
intervalos acumulados de 1%. Os resultados da verificação da taxa aparecem como uma linha na Fig. 6. Por exemplo, a
classe de 90 a 100% (10%) da área de estudo onde o índice de risco de subsidência tinha uma classificação alta poderia
explicar 91% de toda a subsidência. A classe de 80 a 100% (20%) da área de estudo, onde o índice de risco de subsidência
teve uma classificação alta, poderia explicar 95% da subsidência.

Fig. 6

Diagrama de freqüência cumulativa mostrando a classificação do risco de subsidência do solo ocorrendo em

porcentagem cumulativa da ocorrência de subsidência do solo

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 11/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

A área sob a curva pode estimar quantitativamente a precisão da previsão. Assim, para comparar os resultados
quantitativamente, as áreas sob as curvas foram recalculadas como uma área total de 1, o que significa precisão de previsão
perfeita. Portanto, a área sob uma curva pode ser usada para avaliar a precisão da previsão quantitativamente. A razão de
área foi de 0,9606, portanto, podemos dizer que a precisão da previsão é de 96,06%.

Resultados e discussões

A subsidência do solo é um dos eventos mais perigosos entre os desastres artificiais. Instituições governamentais e de
pesquisa em todo o mundo tentam há anos avaliar os riscos e riscos de subsidência e mostrar sua distribuição espacial.
Neste estudo, uma abordagem de mineração de dados para identificar áreas perigosas de subsidência usando o GIS é uma
promessa considerável. O mapa de subsidência do solo foi construído usando redes neurais artificiais. Isso mostrou
precisão de previsão, 96,06%. Assim, o resultado mostrou uma precisão de previsão muito alta. Os dados do GIS foram
utilizados para analisar eficientemente o grande volume de dados, e as redes neurais artificiais provaram ser uma
ferramenta eficaz para analisar o risco de subsidência no solo.

Os pesos calculados a partir de dez casos de teste foram comparados para determinar se a variação nos pesos finais era
dependente da seleção dos pesos iniciais. Os resultados mostram que os pesos iniciais não influenciaram o peso final nas
condições utilizadas.

Como mostrado na Tabela 3 , a profundidade da água subterrânea, o uso da terra, a permeabilidade e a geologia têm pesos
relativamente altos para analisar a subsidência do solo perto da AUCM. As áreas de subsidência pesquisadas deste estudo
estão localizadas ao redor de estradas de ferro, rodovias e outras instalações acima de um túnel minado raso. Portanto, o
uso da terra, a geologia e a profundidade do túnel minado são fatores importantes, assim como o nível das águas
subterrâneas.

Correlação entre o fluxo de água subterrânea e a profundidade do túnel minerado é significativa neste estudo. Porque a área
de estudo onde a profundidade da água subterrânea é mais rasa do que a profundidade do túnel minado mostra que a área
tem maior índice de risco de subsidência do que as outras áreas. E, portanto, pesos relativamente altos para a profundidade
da água subterrânea e fator de permeabilidade podem ser explicados aqui (Tabela 3 ).

Os dados sobre os níveis de água subterrânea foram obtidos durante levantamentos de campo, sem considerar a quantidade
de chuva na época. No entanto, é um valor significativo e deve ser considerado no cálculo da segurança de uma rocha base.

Notas

Agradecimentos

Os autores agradecem ao Conselho de Promoção da Indústria de Carvão por ter fornecido relatórios de investigação
completos e base de dados GIS básica. Esta pesquisa foi apoiada pelo Projeto de Pesquisa Básica do Instituto Coreano de
Geociência e Recursos Minerais (KIGAM), financiado pelo Ministério da Ciência e Tecnologia da Coréia.

Referências
Atkinson PM, Tatnall ARL (1997) Redes neurais em sensoriamento remoto. Int J Remote Sens 18: 699–709
CrossRef do (https://doi.org/10.1080/014311697218700)
Google Acadêmico (http://scholar.google.com/scholar_lookup?
title=Neural%20networks%20in%20remote%20sensing&author=PM.%20Atkinson&author=ARL.%20Tatnall&journal=Int
%20J%20Remote%20Sens&volume=18&pages=699-709&publication_year=1997)
Conselho de Promoção da Indústria de Carvão, CIPB (1997) Um estudo sobre o mecanismo de subsidência sobre a área de
minas abandonadas e o método de construção de prevenção de subsidência. Indústria de carvão Promoton Board, Seoul,
97–06, pp 1–67
Google Scholar (https://scholar.google.com/scholar?
q=Coal%20Industry%20Promotion%20Board%2C%20CIPB%20%281997%29%20A%20study%20on%20the%20mechanis
m%20of%20subsidence%20over%20abandoned%20mine%20area%20and%20the%20construction%20method%20of%20
subsidence%20prevention.%20Coal%20Industry%20Promoton%20Board%2C%20Seoul%2C%2097%E2%80%9306%2C%
20pp%201%E2%80%9367)
Conselho de Promoção da Indústria do Carvão, CIPB (1999) Relatório de investigação fundamental do teste de estabilidade
do Gosari. Conselho de Promoção da Indústria de Carvão, Seul, 99–06, pp 7–22
Google Scholar (https://scholar.google.com/scholar?
q=Coal%20Industry%20Promotion%20Board%2C%20CIPB%20%281999%29%20Fundamental%20investigation%20repo
rt%20of%20the%20stability%20test%20for%20Gosari.%20Coal%20Industry%20Promotion%20Board%2C%20Seoul%2C
%2099%E2%80%9306%2C%20pp%207%E2%80%9322)
Demuth H, Beale M, Hagan M (2005) MATLAB versão 7.3.0.267; Caixa de ferramentas de rede neural para uso com
Matlab, o Mathworks, p 348
Google Scholar (https://scholar.google.com/scholar?
q=Demuth%20H%2C%20Beale%20M%2C%20Hagan%20M%20%282005%29%20MATLAB%20version%207.3.0.267%3B

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 12/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

%20Neural%20network%20toolbox%20for%20use%20with%20Matlab%2C%20the%20Mathworks%2C%20p%20348)
Garrett J (1994) Onde e porque redes neurais artificiais são aplicáveis em engenharia civil. J Comput Civil Eng 8: 129–130
CrossRef do (https://doi.org/10.1061/(ASCE)0887-3801(1994)8%3A2(129))
Google Acadêmico (http://scholar.google.com/scholar_lookup?
title=Where%20and%20why%20artificial%20neural%20networks%20are%20applicable%20in%20civil%20engineering&a
uthor=J.%20Garrett&journal=J%20Comput%20Civil%20Eng&volume=8&pages=129-130&publication_year=1994)
Goel SC, Page CH (1982) Um método empírico para prever a probabilidade de ocorrência de caverna de chaminé sobre uma
área de mineração. Int J Mech Min Sci Geomech Abstr 19: 325–337
CrossRef (https://doi.org/10.1016/0148-9062(82)91367-5)
Google Acadêmico (http://scholar.google.com/scholar_lookup?
title=An%20empirical%20method%20for%20predicting%20the%20probability%20of%20Chimney%20Cave%20occurrenc
e%20over%20a%20mining%20area&author=SC.%20Goel&author=CH.%20Page&journal=Int%20J%20Rock%20Mech%2
0Min%20Sci%20Geomech%20Abstr&volume=19&pages=325-337&publication_year=1982)
Kim KD, Lee S, Oh, JJ, Choi JK, Won JS (2006) Avaliação do risco de subsidência do solo perto de uma mina de carvão
subterrânea abandonada usando SIG. Environ Geol 50: 1183–1191
CrossRef (https://doi.org/10.1007/s00254-006-0290-5)
Google Scholar (http://scholar.google.com/scholar_lookup?
title=Assessment%20of%20ground%20subsidence%20hazard%20near%20an%20abandoned%20underground%20coal%2
0mine%20using%20GIS&author=KD.%20Kim&author=S.%20Lee&author=HJ.%20Oh&author=JK.%20Choi&author=JS.
%20Won&journal=Environ%20Geol&volume=50&pages=1183-1191&publication_year=2006)
Hines JW (1997) Abordagens difusas e neurais em engenharia. Wiley, Nova York, p 209
Google Acadêmico (http://scholar.google.com/scholar_lookup?
title=Fuzzy%20and%20neural%20approaches%20in%20engineering&author=JW.%20Hines&publication_year=1997)
Lee S, Ryu JH, Ganhou JS, Park HJ (2004) Determinação e aplicação dos pesos para mapeamento de suscetibilidade de
escorregamentos usando uma rede neural artificial. Eng Geol 71 (3/4): 289–302
CrossRef (https://doi.org/10.1016/S0013-7952(03)00142-X)
Google Acadêmico (http://scholar.google.com/scholar_lookup?
title=Determination%20and%20application%20of%20the%20weights%20for%20landslide%20susceptibility%20mapping
%20using%20an%20artificial%20neural%20network&author=S.%20Lee&author=JH.%20Ryu&author=JS.%20Won&auth
or=HJ.%20Park&journal=Eng%20Geol&volume=71&issue=3%2F4&pages=289-302&publication_year=2004)
Nefeslioglu HA, Gokceoglu C, Sonmez H (2008) Uma avaliação sobre o uso de regressão logística e redes neurais artificiais
com diferentes estratégias de amostragem para a preparação de mapas de susceptibilidade de escorregamentos. Eng Geol
97 (3/4): 171–191
CrossRef (https://doi.org/10.1016/j.enggeo.2008.01.004)
Google Acadêmico (http://scholar.google.com/scholar_lookup?
title=An%20assessment%20on%20the%20use%20of%20logistic%20regression%20and%20artificial%20neural%20networ
ks%20with%20different%20sampling%20strategies%20for%20the%20preparation%20of%20landslide%20susceptibility%
20maps&author=HA.%20Nefeslioglu&author=C.%20Gokceoglu&author=H.%20Sonmez&journal=Eng%20Geol&volume=
97&issue=3%2F4&pages=171-191&publication_year=2008)
National Coal Board (1975) Manual do engenheiro de subsidência. Departamento Nacional de Mineração do Conselho de
Carvão, Londres, p 111
Google Scholar (http://scholar.google.com/scholar_lookup?
title=Subsidence%20engineer%E2%80%99s%20handbook&publication_year=1975)
Paola JD, Schowengerdt RA (1995) Uma revisão e análise de redes neurais de retropropagação para classificação de
imagens multiespectrais de sensoriamento remoto. Int J Remote Sens 16: 3033-3058
CrossRef (https://doi.org/10.1080/01431169508954607)
Google Scholar (http://scholar.google.com/scholar_lookup?
title=A%20review%20and%20analysis%20of%20backpropagation%20neural%20networks%20for%20classificatioin%20of
%20remotely%20sensed%20multi-
spectral%20imagery&author=JD.%20Paola&author=RA.%20Schowengerdt&journal=Int%20J%20Remote%20Sens&volu
me=16&pages=3033-3058&publication_year=1995)
Sonmez H, Gokceoglu C, Kayabaşı A, Nefeslioğlu HA (2006) Estimativa do módulo de rochas: para rochas intactas com
uma rede neural artificial e para massas rochosas com uma nova equação empírica. Int J Rocha Mech Min Sci 43 (2): 224–
235
CrossRef (https://doi.org/10.1016/j.ijrmms.2005.06.007)
Google Acadêmico (http://scholar.google.com/scholar_lookup?
title=Estimation%20of%20rock%20modulus%3A%20for%20intact%20rocks%20with%20an%20artificial%20neural%20n
etwork%20and%20for%20rock%20masses%20with%20a%20new%20empirical%20equation&author=H.%20Sonmez&aut
hor=C.%20Gokceoglu&author=A.%20Kayaba%C5%9F%C4%B1&author=HA.%20Nefeslio%C4%9Flu&journal=Int%20J%2
0Rock%20Mech%20Min%20Sci&volume=43&issue=2&pages=224-235&publication_year=2006)
A Sociedade Geológica da Coréia (1999) Geologia da Coréia. Sigma Press, Seoul, pp 550–556
Google Acadêmico (http://scholar.google.com/scholar_lookup?title=Geology%20of%20Korea&publication_year=1999)
Tunusluoglu MC, Gokceoglu C, Sonmez H, Nefeslioglu HA (2007) Uma aplicação de rede neural artificial para produzir
áreas de origem de detritos de Barla, Besparmak e Montanhas Kapi (NW Taurids, Turquia). Nat Nativo da Terra Syst Sci 7:
557–570
CrossRef (https://doi.org/10.5194/nhess-7-557-2007)
Google Scholar (http://scholar.google.com/scholar_lookup?
title=An%20artificial%20neural%20network%20application%20to%20produce%20debris%20source%20areas%20of%20B
arla%2C%20Besparmak%2C%20and%20Kapi%20Mountains%20%28NW%20Taurids%2C%20Turkey%29&author=MC.%
20Tunusluoglu&author=C.%20Gokceoglu&author=H.%20Sonmez&author=HA.%20Nefeslioglu&journal=Nat%20Hazards
%20Earth%20Syst%20Sci&volume=7&pages=557-570&publication_year=2007)
Waltham AC (1989) subsidência do solo. Blackie & Son Ltd, Nova York, pp 49–97

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 13/14
04/04/2018 Previsão de subsidência do solo na cidade de Samcheok, Coréia, usando redes neurais artificiais e SIG | SpringerLink

Google Acadêmico (http://scholar.google.com/scholar_lookup?

title=Ground%20subsidence&author=AC.%20Waltham&publication_year=1989)
Zhou W (1999) Verificação das características não paramétricas de redes neurais de retropropagação para classificação de
imagens. IEEE Trans Geosci Remoto Sens 37: 771–779
CrossRef (https://doi.org/10.1109/36.752193)
Google Scholar (http://scholar.google.com/scholar_lookup?
title=Verification%20of%20the%20nonparametric%20characteristics%20of%20backpropagation%20neural%20networks
%20for%20image%20classification&author=W.%20Zhou&journal=IEEE%20Trans%20Geosci%20Remote%20Sens&volu
me=37&pages=771-779&publication_year=1999)
Zorlu K, Gokceoglu C, Fca Ocakoglu, Nefeslioglu HA, Acikalin S (2008) Previsão da resistência à compressão uniaxial de
arenitos utilizando modelos baseados em petrografia. Eng Geol 96 (3–4): 141–158
CrossRef (https://doi.org/10.1016/j.enggeo.2007.10.009)
Google Scholar (http://scholar.google.com/scholar_lookup?
title=Prediction%20of%20uniaxial%20compressive%20strength%20of%20sandstones%20using%20petrography-
based%20models&author=K.%20Zorlu&author=C.%20Gokceoglu&author=F.%20Ocakoglu&author=HA.%20Nefeslioglu&
author=S.%20Acikalin&journal=Eng%20Geol&volume=96&issue=3%E2%80%934&pages=141-
158&publication_year=2008)

Informações sobre direitos autorais

© Springer-Verlag 2008

Sobre este artigo

Cite este artigo como:
Kim, KD, Lee, S. e Oh, HJ. Environ Geol (2009) 58: 61. https://doi.org/10.1007/s00254-008-1492-9

DOI (Identificador de Objeto Digital) https://doi.org/10.1007/s00254-008-1492-9

Nome da editora Springer Berlin Heidelberg
Imprimir ISSN 0943-0105
ISSN on-line 1432-0495

Sobre esta revista

Reimpressões e permissões

Recomendações personalizadas

1. GIS-based groundwater potential mapping using artificial neural network and support vector machine models: The case of
Boryeong city in Korea
Lee, Saro… Jung, Hyung-Sup
Geocarto International (2017)

2. Prediction and control of nitrate concentrations in groundwater by implementing a model based on GIS and artificial
neural networks (ANN)
Darwishe, Hanan… Carlier, Erick
Environmental Earth Sciences (2017)

3. Delivery by drone: An evaluation of unmanned aerial vehicle technology in reducing CO 2 emissions in the delivery
service industry
Goodchild, Anne… Toy, Jordan
Transportation Research Part D: Transport and Environment (2017)

Want recommendations via email? Sign up now Powered by:

© 2017 Springer International Publishing AG. Parte da natureza de Springer .

Não registrado CAPES MEC (3000197460) - Universidade Federal de Pelotas UFPEL (3000204708) 200.17.160.117

https://link.springer.com/article/10.1007%2Fs00254-008-1492-9 14/14