<p>O mapeamento de suscetibilidade à inundação é importante para o manejo da dinâmica do uso do solo e, consequentemente, da hidrologia urbana local. O presente estudo produziu o mapa de suscetibilidade à inundação na Bacia do Riacho Fundo, Distrito Federal, utilizando o método estatístico bivariado Razão de Frequência (<em>Frequency Ratio</em>), com 30 pontos de inundação observados em 2018 como pontos de treinamento (71%) e outros 12 pontos de inundação (29%) como pontos de validação para desenvolvimento do modelo. O modelo é composto de 12 fatores de influência: declividade, curvatura, aspecto, hipsometria, distância dos rios, índice de potência de escoamento, índice de transporte de sedimento, índice topográfico de umidade, índice de rugosidade do terreno, índice de escoamento superficial, uso e cobertura do solo e geologia. Todas as variáveis com um tamanho de pixel de 12,5 m x 12,5 m. Os fatores de uso e cobertura do solo e geologia local mostraram-se os mais influentes no modelo. A validação do modelo foi realizada utilizando o método da área sob a curva, com uma acurácia de 85,75%. O estudo mostra que o método pode ser usado para auxiliar no estudo de planos de controle e mitigação de inundação em centros urbanos, como a locação preliminar de bacias de detenção.</p><p><strong>Palavras-chave</strong>: suscetibilidade, inundação, mapeamento, razão de frequência, geoprocessamento.</p><p> </p><p align="center">FLOOD SUSCEPTIBILITY MAPPING USING THE FREQUENCY RATIO METHOD APPLIED TO THE RIACHO FUNDO BASIN - FEDERAL DISTRICT</p><p class="Default"><strong>Abstract</strong><strong></strong></p><p>Flood susceptibility mapping is important to the management of the urban hydrological dynamic and to the studies conducted to prevent the flood-based problems. This study has produced a flood susceptibility map using a bivariate statistical analysis named frequency ratio (FR) model applied in the Riacho Fundo catchment, with 30 flooding locations (71%) for statistical analysis as training dataset and 12 remaining points (29%) were applied to validate the developed model. Twelve conditioning factors were considered in this study: slope, curvature, aspect, elevation, distance to river, stream power index (SPI), sediment transport index (STI), topographic wetness index (TWI), terrain roughness index (TRI), superficial runoff index, land use/land cover (LULC) and geology. All these variables were resampled into 12.5×12.5 m pixel size. The model showed LULC and geology as the most influential factors in flooding. The AUC for success rate was 85.75% with the training points. The study shows the method can be used in studies of plans to mitigate and control flooding in urban centers, as preliminary lease of ponds.</p><p><strong>Keywords</strong>: susceptibility, flooding, mapping, frequency ratio, geoprocessing.</p>
Flood susceptibility mapping and assessment using a novel deep learning model combining multilayer perceptron and autoencoder neural networks
