Aprendizado de máquina na modelagem de incêndios florestais no Estado do Espírito Santo

Página do item simplificado
dc.contributor.advisor-co1Santos, Alexandre Rosa dos
dc.contributor.advisor1Fiedler, Nilton César
dc.contributor.authorJuvanhol, Ronie Silva
dc.contributor.referee1Silva, Wellington Betencurte
dc.contributor.referee2Peluzio, Telma Machado de Oliveira
dc.contributor.referee3Pinheiro, Christiano Jorge Gomes
dc.date.accessioned2018-03-22T15:58:37Z
dc.date.available2018-02-21
dc.date.available2018-03-22T15:58:37Z
dc.date.issued2017-12-19
dc.description.abstractThe main problem encountered when applying geographic information systems and remote sensing techniques for the prediction of forest fires is the necessity to integrate different data sources. The methods applied are usually based on regression techniques or on coefficients that depend on expert knowledge. The objective of this study was to test the capacity of the classification and regression tree (CART) to assess the regional fire risk. The CART analysis is a non-parametric statistical technique that generates decision rules in the form of a binary tree, for a classification or regression process. The MCD45A1 product of burn area, relative to 16-year (2000- 2015) was used to obtain a fire occurrence map, from the center points of the grid cell, using a kernel density approach. The resulting map was then used as input response variable for the CART analysis with fire influence variables used as predictors. A total of 12 predictors were determined from several databases, covering environmental physical and socioeconomic aspects. The rules induced by the regression process allowed the definition of different risk levels, expressed in 35 management units, used to produce a fire prediction map. According to the results, the Northeast Region, sweet river and Southeast represent the major risk areas in the state (South Coast). The results of the regression process (r = 0.94 and r² = 0.88), the capability of the CART algorithm analysis to highlight the hierarchical relationships between the predictor variables and the easy interpretability of the decision rules represent a possible tool to better approaching the problem of assessing and representing forest fires.
dc.description.resumoO principal problema encontrado quando da aplicação de técnicas de sistemas de informações geográficas e sensoriamento remoto para a predição de incêndios florestais é a necessidade de integrar diferentes fontes de dados. Os métodos aplicados, geralmente são baseados em técnicas de regressão ou em coeficientes que dependem de conhecimentos dos especialistas. Esta pesquisa objetivou testar a capacidade da árvore de classificação e regressão (CART) em avaliar o risco de incêndios florestais no estado do Espírito Santo. A análise CART é uma técnica estatística não paramétrica que gera regras de decisão na forma de uma árvore binária, para um processo de classificação ou de regressão. O produto MCD45A1 de área de queima, relativo a um período de 16 anos (2000-2015), foi utilizado para, a partir dos pontos centrais da célula de grade, obter um mapa de ocorrência de incêndio por meio de uma abordagem de densidade Kernel. O mapa resultante foi então utilizado como variável de entrada para a análise CART com variáveis de influência de incêndios usados como preditores. Um total de 12 variáveis preditoras foram determinadas de diversas bases de dados, abrangendo aspectos ambientais, físicos e socioeconômicos. As regras induzidas pelo processo de regressão permitiram a definição de diferentes níveis de risco, expressa em 35 unidades de gestão, utilizado para a produção de um mapa de predição de fogo. De acordo com os resultados, as áreas de maiores riscos no estado são representadas pela Região Nordeste, Vale do Rio Doce e Sudeste (Costa Sul). Os resultados do processo de regressão (r=0,94 e r²=0,88), a capacidade de análise do algoritmo CART para destacar as relações hierárquicas entre as variáveis preditoras e a interpretabilidade fácil das regras de decisão, representam uma ferramenta possível para melhor abordar o problema de avaliar e representar o risco de incêndios florestais.
dc.formatText
dc.identifier.citationJUVANHOL, Ronie Silva. Aprendizado de máquina na modelagem de incêndios florestais no Estado do Espírito Santo. 2017. Tese (Doutorado em Ciências Florestais) – Universidade Federal do Espírito Santo, Jerônimo Monteiro, 2017.
dc.identifier.urihttp://repositorio.ufes.br/handle/10/6945
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Ciências Florestais
dc.publisher.departmentCentro de Ciências Agrárias e Engenharias
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Ciências Florestais
dc.rightsopen access
dc.subjectNon-parametric statisticseng
dc.subjectKernel densityeng
dc.subjectCART algorithmeng
dc.subjectDecision ruleseng
dc.subjectFire prediction mapeng
dc.subjectDensidade Kernelpor
dc.subjectAlgoritmo CARTpor
dc.subjectRegras de decisãopor
dc.subjectMapa de predição do fogopor
dc.subject.br-rjbnIncêndios florestais
dc.subject.br-rjbnFlorestas - Proteção
dc.subject.br-rjbnInteligência computacional
dc.subject.br-rjbnAlgoritmos
dc.subject.cnpqRecursos Florestais e Engenharia Florestal
dc.subject.udc630
dc.titleAprendizado de máquina na modelagem de incêndios florestais no Estado do Espírito Santo
dc.typedoctoralThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Ronie-Silva-Juvanhol-2017-trabalho.pdf
Tamanho:
3.98 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Doutorado em Ciências Florestais