A ciência geomorfológica muito se beneficia dos avanços tecnológicos, das ferramentas SIG disponibilizadas por meio de softwares livres e de uma maior acessibilidade às bases de dados planialtimétricas globais ou quase-globais em escala de semidetalhe. Consequentemente, é crescente o uso da geomorfometria aplicada à cartografia geomorfológica e otimização das rotinas de mapeamento utilizando métodos digitais semi-automatizados. O presente trabalho aplica uma classificação geomorfométrica parametrizada a partir de um Modelo Digital de Elevação para compartimentar os padrões de relevo da bacia do Rio Preto (BRP). São três os principais parâmetros morfométricos utilizados na definição dos padrões de formas de relevo, a saber, a densidade de drenagem (DD), o índice de concentração de rugosidade (ICR) e a elevação relativa (ER) - uma aproximação da amplitude altimétrica. As classes do mapa de dissecação global (DDxICR) e a ER foram usadas para criar uma chave de classificação dos modelados e tipos de relevo com base nos conhecimentos teórico e de campo. Apesar da aparente simplicidade e monotonia de um relevo predominantemente colinoso, característico do planalto ocidental paulista, os resultados demonstram riqueza nos padrões de formas, com topos aplainados e colinas suaves (65% da área de estudo), topograficamente favoráveis à expansão agrícola regional; colinas onduladas (9% da área de estudo), associadas a um maior grau de dissecação, onde predominam os processos morfodinâmicos em detrimentos dos processos pedogenéticos; relevos dissecados associados aos fundos de vale (18% da área de estudo), onde predominam processos de dissecação de natureza fluvial; e planícies fluviais (8% da área de estudo), que são feições deposicionais quaternárias localizadas nos fundos dos vales. Para além de uma caracterização morfográfica da área de estudo, este trabalho lança luz sobre alguns aspectos metodológicos do mapeamento e se pretende aplicado à avaliação da vulnerabilidade ambiental em atividades futuras.
<p>Landslides are natural phenomena that cause significant socioeconomic and environmental impacts in mountainous regions. Statistical models used to predict landslides frequently use Digital Terrain Models (DMTs) to identify scars and to generate thematic maps representing relevant causative factors (e.g., slope, aspect, curvature).The topographical causative factors tell us how some morphometrical parameters control slope stability and the algebraical combination of weighted causative factors (the landslide susceptibility map) displays how the global relationship of the causative factors generates the landslides. However, these DTMs will no longer be representative of the topographical features that triggered landslides when obtained after the occurrence of this events (post-failure DTM) and using archetypal morphometric signatures of past landslides in statistical models will imply relevant conceptual mistakes. A possible solution to this problem is to assume that the pre-rupture topography can be inferred from undisturbed areas adjacent to scars. This work presents a topography reconstruction method using LIDAR elevation points to generate a pre-failure topography DTM from a post-failure topography DTM. The pre-failure topography was used in a bivariate statistical model (Weights of Evidence) to predict landslides in the Quitite and Papagaio basins, in the city of Rio de Janeiro (Brazil). Seven landslide susceptibility models were produced by combining eight conditionally independent causative factors and had their predictive capacity tested by calculating the area under curve (AUC). The final model (AAC = 0.77) highlights the direct topographic and hydrological controls and the indirect lithological and structural controls on the landslides. Landslides are mainly controlled by slopes between 26&#176; and 52&#176;, on North, Northeast and Northwest facing slopes, on concave curvatures with values of a contribution area between 1.8m&#178; e 4.1m&#178;. The results take into account the model&#8217;s assumptions and provide a synthesized and robust view of the prone landslides areas in an environment of great geodiversity.</p>
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.