Os escorregamentos de terra podem provocar sérias consequências ambientais, econômicas e sociais. Um dos primeiros passos na gestão de risco e prevenção desses eventos é o mapeamento das suscetibilidades naturais e antrópicas do território, que fornece subsídios para o planejamento territorial e indicações para expansão urbana. Nesse sentido, o mapeamento de áreas suscetíveis atua como uma importante ferramenta para os gestores locais, a fim de localizar as áreas mais sensíveis a esses desastres naturais e pensar estratégias para o uso do solo. Entre as técnicas atualmente utilizadas para esse mapeamento, destaca-se a de redes neurais artificiais (RNA), considerada uma das mais precisas por conta da sua elevada acurácia, capacidade de aprendizagem e generalização dos resultados. Assim, este estudo teve como objetivo a proposição de uma metodologia para o mapeamento de áreas suscetíveis a escorregamentos planares rasos, por meio de redes neurais artificiais, contribuindo para o contexto das cidades inteligentes. Como dados de entrada para treinamento das redes, foram utilizados sete atributos, a maioria extraídos dos modelos digitais de terreno (MDT): declividade, aspecto, elevação, uso do solo, litologia, topographic wetness index (twi) e curvatura, a partir de um inventário de cicatrizes de escorregamentos do tipo planar raso, ocorridos no município litorâneo do Guarujá-SP no ano de 2020, período atípico, com condições climáticas extremas, caracterizado por índices pluviométricos acima de 200 mm. O número equivalente de amostras foi criado para os pontos de não ocorrência em diferentes cenários. Em seguida, foram avaliadas a importância dos atributos, concluindo-se que sua relevância varia conforme o conjunto de dados utilizado para treinamento da RNA. Por fim, dentre as melhores configurações das redes neurais, treinadas com algoritmo de retropropagação, obteve-se a acurácia de 98,50% e 95,43%, métrica superior à média de 86,74% identificado nos trabalhos da literatura e, para uma amostra não utilizada no treinamento das redes, os mapas gerados com RNA também tiveram desempenho superior ao mapa do IPT, instituto responsável pela mitigação de escorregamentos no estado de São Paulo, cuja acurácia foi de 68,3%, demonstrando que o modelo proposto atende ao objetivo de identificar áreas suscetíveis a movimentos de massa.

Landslides can cause serious environmental, economic and social consequences. One of the first steps in risk management and prevention of these events is the mapping of the territory's natural and anthropic susceptibilities, which provides subsidies for territorial planning and indications for urban expansion. In this sense, the mapping of susceptible areas acts as an important tool for local managers, in order to locate the areas most sensitive to these natural disasters and to think of strategies for land use. Among the techniques currently used for this mapping, artificial neural networks (ANN) stands out, considered one of the most accurate because of its high accuracy, ability to learn and generalization of results. Thus, this study aimed to propose a methodology for mapping areas susceptible to shallow planar landslides, through artificial neural networks, contributing to the context of smart cities. As input data for training the networks, seven attributes were used, most extracted from digital terrain models (DTM): slope, aspect, elevation, land use, lithology, topographic wetness index (twi) and curvature, from an inventory of shallow planar landslide scars, which occurred in the coastal municipality of Guarujá-SP in 2020, an atypical period, with extreme weather conditions, characterized by rainfall above 200 mm. The equivalent number of samples was created for the points of non-occurrence in different scenarios. Then, the importance of the attributes was evaluated, concluding that their relevance varies according to the data set used for ANN training. Finally, among the best configurations of the neural networks, trained with the backpropagation algorithm, the accuracy of 98.50% and 95.43% was obtained, a metric superior to the average of 86.74% identified in the works in the literature and, for a sample not used in the training of networks, the maps generated with RNA also performed better than the map of the IPT, the institute responsible for mitigating landslides in the state of São Paulo, whose accuracy was 68.3%, demonstrating that the proposed model meets with the objective of identifying areas susceptible to mass movements.