Na última década, os sistemas de informação Geográfica (SIG) têm permitido a criação e o cruzamento de parâmetros de forma cada vez mais rápida e fiável, justificando o incremento das variáveis de entrada nos modelos de avaliação da susceptibilidade aos movimentos de vertente. Neste contexto, a análise sensitiva aos modelos preditivos surge com o objectivo de aferir a importância relativa dos factores de predisposição, permitindo distinguir entre aqueles que mais contribuem para melhorar a performance do modelo de susceptibilidade e os que pouco acrescentam aos resultados finais. Neste trabalho é efectuada uma análise sensitiva a modelos de susceptibilidade a deslizamentos translacionais superficiais em duas áreas amostra na região a norte de Lisboa, inseridas no mesmo contexto geológico e geomorfológico: área de Fanhões-Trancão e área de Lousa-Loures. Os resultados obtidos permitiram identificar um conjunto de três variáveis que se destacam pela associação espacial aos deslizamentos translacionais superficiais nas duas áreas estudadas: declive, unidades geomorfológicas e exposição das vertentes. Adicionalmente, demonstra-se que não existe uma relação linear entre o número de variáveis presentes no modelo e a respectiva capacidade preditiva, e mostra-se que é viável a produção de mapas de susceptibilidade consistentes, recorrendo a um pequeno grupo de variáveis que têm uma forte relação espacial com os movimentos de vertente
Lors de la dernière décennie, les systèmes d'information Géographique (SIG) ont permis de créer et de croiser des paramètres avec de plus en plus de fiabilité et de rapidité. ainsi, on a pu augmenter le nombre de variables d'entrée dans les modèles d'évaluation de la susceptibilité aux mouvements de terrain. L'analyse sensitive est un outil analytique utilisé pour évaluer l'importance relative des facteurs de prédisposition aux mouvements de terrain dans un modèle de susceptibilité particulier, permettant ainsi de distinguer les facteurs qui contribuent à l'amélioration de la performance du modèle de ceux qui influencent peu les résultats finaux. Dans ce travail, une analyse sensitive des modèles de susceptibilité aux glissements plans superficiels est effectuée et appliquée à deux zones d'études de la région au nord de Lisbonne et qui s'inscrivent dans le même contexte géologique et géomorphologique : la zone de Fanhões-Trancão et celle de Lousa-Loures. Les résultats obtenus permettent d'identifier un ensemble de trois variables qui se distinguent par une forte association spatiale avec les glissements plans superficiels des deux zones d'étude : les unités géomorphologiques et l'inclinaison et l'exposition des pentes. De plus, les résultats prouvent l'absence de relation linéaire entre le nombre de variables présentes dans le modèle et sa capacité prédictive. Enfin, on montre que la production de cartes de susceptibilité est viable lorsqu'elle est basée sur un petit groupe de variables ayant une forte relation spatiale avec les mouvements de terrain
Over the last decade, Geographic information systems (GIS) have enabled the creation and the rigorous crossing and computation of cartographic thematic layers. Thus, it has been possible to increase the number of variables within data-driven landslide susceptibility models. In this context, sensitivity analysis is an analytical tool used to assess the relative importance of the landslide predisposing factors into a particular landslide susceptibility model. In this study, a sensitivity analysis of shallow translational slides susceptibility models is made for two test sites in the region to the north of Lisbon, which have the same geologic and geomorphologic context: the Fanhões-Trancão test site and the Lousa-Loures test site. The results obtained allowed for the identification of 3 variables that have the highest spatial association with shallow translational slides in both test sites: slope angle, geomorphology and slope aspect. Furthermore, results prove the absence of a linear relationship between the number of variables within a landslide predictive model and the model prediction capacity. In addition to this, it is shown that reliable landside susceptibility maps can be produced based on a small group of variables that have a strong spatial relationship with slope movements
