Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Lourenço, Roberto Wagner [UNESP] | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Duarte, Miqueias Lima | - |
Data de aceite: dc.date.accessioned | 2022-08-04T21:53:26Z | - |
Data de disponibilização: dc.date.available | 2022-08-04T21:53:26Z | - |
Data de envio: dc.date.issued | 2022-03-09 | - |
Data de envio: dc.date.issued | 2022-03-09 | - |
Data de envio: dc.date.issued | 2022-02-09 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/217103 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/217103 | - |
Descrição: dc.description | Os incêndios florestais são eventos globais que causam perdas imensuráveis para o homem e para o meio ambiente. A previsão e mapeamento desses eventos pode ser uma importante medida, uma vez que possibilita desenvolver estratégias com vistas ao controle ou a prevenção. Nesse contexto, esta pesquisa teve por objetivo desenvolver uma metodologia para a previsão da Suscetibilidade à Incêndios e Queimadas (SIQ), a partir de dados de sensoriamento remoto, com uso de um método misto de aprendizagem de máquina, tendo como unidade de pesquisa a bacia hidrográfica do rio Sorocabuçu, no município de Ibiúna/São Paulo, Brasil. Foram utilizadas 14 variáveis potencialmente influenciadoras, sendo quatro fatores climáticos, dois antrópicos, quatro topográficos e quatro fatores relacionados às características da vegetação. Os fatores mais importantes foram selecionados com uso do algoritmo Boruta e, posteriormente, estes foram utilizados para compor um modelo de classificação com uso do Sistema de Inferência Fuzzy Híbrido (HFIS). O sistema foi implementado com base em dados de treinamento (70%) e avaliado com base em dados independentes (30%). Além disso, o sistema também foi implementado em dois períodos climáticos extremos (2020 e 2018). Os resultados obtidos mostraram que os fatores mais importantes estão relacionados às características da vegetação, seguido pelos fatores climáticos e antrópicos. A implementação do sistema HFIS mostrou que a função de associação fuzzy gaussiana com particionamento em cinco valores linguísticos apresentou os melhores ajustes. Considerando o conjunto de dados independentes, o modelo HFIS apresentou bom desempenho na predição para o ano de 2019 (Acurácia de 0,93 e índice Kappa de 0,86), apresentando um valor de AUC de 93,3%, o que representa boa capacidade de replicação do modelo proposto, uma vez que nos períodos climáticos considerados extremos, o modelo apresentou valores de AUC superiores a 90%. A aplicação do modelo HFIS mostrou que em 2019 cerca de 65,93% da área foi classificada com muito baixo e baixo SIQ, enquanto as áreas com maior SIQ foram minoritárias (16,18%) e, apesar disso, é neste último onde ocorrem cerca de 76,69% dos eventos de incêndios e queimadas. Estes resultados confirmam a eficiência do modelo proposto e sua capacidade em modelar problemas não lineares complexos. A implementação do sistema HFIS mostrou-se adequado para a previsão da SIQ, e os resultados obtidos podem ser utilizados para auxiliar os gestores públicos no seu planejamento, com vista à prevenção e mitigação dos eventos. | - |
Descrição: dc.description | Forest fires are global events that cause immeasurable losses to man and the environment. The prediction and mapping of these events can be an important measure, since they allow us to develop strategies for either control or prevention. In this context, this research aimed to develop a method for the prediction of Susceptibility to Fires and Burnings (SFB) via remote sensing data, and using a mixed method of machine learning, for which the research unit was the basin of the Sorocabuçu River, in the municipality of Ibiúna, São Paulo, Brazil. We used fourteen variables of potential influence, which were four climatic factors, two anthropic factors, four topographic factors and four factors related to vegetation characteristics. The most important factors were selected using the Boruta algorithm, and these were subsequently used to compose a classification model using the Hybrid Fuzzy Inference System (HFIS). The system was implemented on the basis of training data (70%) and evaluated on the basis of independent data (30%). In addition, the system was implemented in two periods of extreme weather (2020 and 2018). The results showed that the most important factors are related to vegetation characteristics, followed by climatic and anthropic factors. The implementation of the HFIS system showed that the fuzzy Gaussian association function with partitioning in five linguistic values presented the best adjustments. Considering the set of independent data, the HFIS model showed good performance in the prediction for the year 2019 (accuracy of 0.93 and Kappa index of 0.86), and presented an AUC value of 93.3%, which represents good replication capacity for the proposed model, since in the climatic periods that are considered extreme, the model presented AUC values greater than 90%. The application of the HFIS model showed that in 2019 about 65.93% of the area was classified as having very low or low SFB, while the areas with higher SFB were the minority (16.18%) and, despite this, it is in the latter where about 76.69% of the events of fires and burnings occur. These results that confirm the efficiency of the proposed method and its ability to model complex nonlinear problems. The implementation of the HFIS model proved to be adequate for the prediction of SFB, and the results obtained can be used to assist public managers in their planning, with a view to prevention and mitigating events. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | 001 | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Estadual Paulista (Unesp) | - |
Direitos: dc.rights | Acesso aberto | - |
Direitos: dc.rights | LOCKSS system has permission to collect, preserve, and serve this Archival Unit | - |
Palavras-chave: dc.subject | Sensoriamento Remoto | - |
Palavras-chave: dc.subject | Método Boruta | - |
Palavras-chave: dc.subject | Aprendizagem de máquina | - |
Palavras-chave: dc.subject | lógica fuzzy | - |
Palavras-chave: dc.subject | Remote sensing | - |
Título: dc.title | Previsão da suscetibilidade à incêndios e queimadas utilizando um modelo baseado em inteligência artificial e sistema de inferência fuzzy | - |
Título: dc.title | Prediction of susceptibility to fires and burnings using an artificial intelligence based-model and a fuzzy inference system | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: