Predição da susceptibilidade a incêndios na Apa Triunfo do Xingu co ferramentas de machine learning
Carregando...
Data
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Oeste do Pará
Resumo
The behavior and characteristics of fire are determined by a variety of factors, including
topography, vegetation, climate, and socioeconomic aspects, which makes it a
complex task to predict in which areas resources should be allocated for combatting
and preventing forest fires. Machine learning tools have demonstrated promising
results for fire prediction, which have included the generation of models that have been
developed across a large range of contexts and locations, with applications to the
Brazilian context. This research aims to map areas susceptible to forest fires within the
Triunfo do Xingu Environmental Protection Area, employing machine learning
algorithms to ascertain the influence of environmental, topographic and socioeconomic
factors on fire occurrence. For this purpose, the Random Forest and Extreme Gradient
Boosting regression models were used to predict kernel density values calculated over
15,291 confirmed burn points between 2010 and 2020, using 11 predictor factors,
including Elevation, Slope, Aspect, Topographic Wetness Index, Precipitation,
Temperature, Proximity to Inhabited areas, Proximity to Roads, Land Use and Cover,
Vegetation Continuous Fields, and the Normalized Difference Vegetation Index. To
evaluate the performance of the algorithms, the metrics used were Mean Absolute
Error (MAE), Root Mean Square Error (RMSE), and the Coefficient of Determination
(R2
). The test results showed that the models had similar performance, and both the
Random Forest (RMSE = 36.26, MAE = 17.45, and R2 = 0.99) and the Extreme
Gradient Boosting (RMSE = 35.73, MAE = 18.74, and R2 = 0.99) demonstrated good
predictive capacity, with a statistically significant difference only in the MAE values,
according to the Mann-Whitney statistical test. The elaborated map presented areas
of high and very high susceptibility occupying 39% of the total area of the conservation
unit, mainly located in the central-east and central-west regions. The variables with the
greatest importance and contribution to the final model were environmental and
socioeconomic variables, notably precipitation, distance from inhabited areas, and land
use type.
item.page.resume
O comportamento e as características do fogo são determinados por uma série de
fatores, entre eles relevo, vegetação e clima, tornando uma tarefa complexa predizer
em quais áreas devem-se alocar os recursos para combate e prevenção dos incêndios
florestais. Para isso, ferramentas de machine learning têm se mostrado promissoras
no contexto da predição de incêndios, de modo que diversos modelos têm sido
concebidos nos mais diversos contextos e locais, com aplicações também adaptadas
ao contexto brasileiro. Esta pesquisa objetiva realizar o mapeamento de áreas de
susceptibilidade a incêndio florestal na Área de Proteção Ambiental Triunfo do Xingu PA, utilizando algoritmos de aprendizado de máquina para verificar a influência de
fatores ambientais, topográficos e socioeconômicos na ocorrência das queimadas.
Para isso, foram utilizados os modelos de regressão Random Forest e Extreme
Gradient Boosting para predizer os valores de densidade de kernel calculada sobre
15.291 pontos de queima confirmados entre 2010 e 2020, utilizando 11 fatores
preditores, entre eles, Elevação, Declividade, Orientação de Vertentes, Topographical
Wetness Index, Precipitação, Temperatura, Proximidade de Centros Urbanos,
Proximidade de Estradas, Uso e Cobertura da terra, Campo Contínuo de Vegetação
e o Normalized Difference Vegetation Index. Para avaliar o desempenho dos
algoritmos foram utilizadas as métricas de Erro Absoluto Médio (MAE), Raiz do Erro
Quadrático Médio (RMSE) e o Coeficiente de Determinação (R2
). Os resultados de
teste mostraram que os modelos tiveram desempenhos similares, e que tanto o
Random Forest (RMSE = 36,26, MAE = 17,45 e R2 = 0,99) quanto o Extreme Gradient
Boosting (RMSE = 35,73, MAE = 18,74 e R2 = 0,99) apresentaram uma boa
capacidade de predição, com diferença estatisticamente significativa apenas nos
valores de MAE, segundo o teste estatístico de Mann-Whitney. O mapa elaborado
apresentou áreas de susceptibilidade alta e muito alta ocupando 39% da área total da
unidade de conservação, localizadas principalmente nas regiões central leste e central
oeste. As variáveis com maior importância e contribuição para o modelo final foram
variáveis ambientais e socioeconômicas, com destaque para a precipitação, a
distância de áreas habitadas e o tipo de uso da terra.
Descrição
Palavras-chave
Citação
FREITAS, Kemuel Maciel. Predição da susceptibilidade a incêndios na Apa Triunfo do Xingu co ferramentas de machine learning. Orientador: Anderson Alvarenga de Moura Meneses; Coorientador: Ronie Silva Juvanhol. 2024, 113 f. Dissertação (Mestrado em Recursos Naturais da Amazônia ) – Universidade Federal do Oeste do Pará, Instituto de Engenharia e Geociências. Programa de Pós-Graduação em Recursos Naturais da Amazônia. Santarém, 2024. Disponível em: https://repositorio.ufopa.edu.br/handle/123456789/2273