Mostrar el registro sencillo del ítem
Previsão de variáveis climáticas e classificação de risco de incêndios florestais no Pantanal brasileiro
dc.contributor.author | Zamith Santos, Bruna | |
dc.date.accessioned | 2024-01-09T18:01:28Z | |
dc.date.available | 2024-01-09T18:01:28Z | |
dc.date.issued | 2023-12-19 | |
dc.identifier.citation | ZAMITH SANTOS, Bruna. Previsão de variáveis climáticas e classificação de risco de incêndios florestais no Pantanal brasileiro. 2023. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/19084. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/19084 | |
dc.description.abstract | The Pantanal biome is of inestimable ecological importance, mainly due to its fauna and flora. However, this biome is constantly threatened by the occurrence and recurrence of forest fires, which are strongly associated with the regions climatic conditions. Thus, methods for forecasting and classifying forest fire risk are essential for forest fire prevention and firefighting planning in the Brazilian Pantanal region. The main fire risk indexes known in the literature have limitations, such as (1) not adjusting to the characteristics of each biome; (2) being limited to specific climatic variables; (3) not being able to predict forest fire risk for a given number of days. This last aspect, in particular, is of utmost relevance. Addressing it allows for coordinated planning and action by environmental authorities with adequate anticipation. Aiming to solve this problem, this study developed a software capable of: (1) Climatic variables forecasting for a given number of days; and (2) Forest fire risk classification in the Brazilian Pantanal. For the first objective, different time series prediction algorithms based on Machine Learning (ML) were tested for climactic variables forecasting. This prediction is used as input for the second objective, for which different classification algorithms, also based on ML, were tested. Such software was then improved from a exhaustive hyperparameters search approach to two different Genetic Algorithms (GAs) approaches: Traditional and NSGA-II. Results for both software versions were evaluated based on the average correlation between forest fire risk classes and hotspots' observation. The exhaustive search version demonstrated that the software can outperform the main statistical forest fire indexes regarding "Null", "Low", "High" and "Very High" classes. When it comes to the GA version, the software was competitive to the forest fire indexes, still with the advantage of being able to predict the forest fire risk for a given number of days. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | eng | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Aprendizado de máquina supervisionado | por |
dc.subject | Classificação | por |
dc.subject | Previsão de séries temporais | por |
dc.subject | Algoritmos genéticos | por |
dc.subject | Risco de incêndio florestal | por |
dc.subject | Supervised machine learning | por |
dc.subject | Classification | eng |
dc.subject | Time series forecasting | eng |
dc.subject | Genetic algorithms | eng |
dc.subject | Forest fire risk | eng |
dc.title | Previsão de variáveis climáticas e classificação de risco de incêndios florestais no Pantanal brasileiro | por |
dc.title.alternative | Climate variables forecasting and forest fire risk rate classification in the Brazilian Pantanal | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Cerri, Ricardo | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6266519868438512 | por |
dc.description.resumo | O bioma Pantanal tem uma importância ecológica inestimável, principalmente devido à sua fauna e flora. No entanto, este bioma está constantemente ameaçado pela ocorrência e recorrência de incêndios florestais, os quais estão fortemente associados às condições climáticas da região. Deste modo, métodos para previsão e classificação do risco de incêndio florestal mostram-se essenciais na prevenção e no combate aos incêndios na região do Pantanal brasileiro. Os principais índices de risco de incêndio utilizados atualmente possuem limitações, como (1) não se ajustarem às características de cada bioma; (2) serem limitados a variáveis climáticas específicas; e (3) não serem capazes de prever o risco de incêndio florestal para um determinado número de dias. Este último aspecto, em especial, é de suma relevância, uma vez que seu endereçamento permite um planejamento e uma ação coordenada das autoridades ambientais com devida antecedência. Visando solucionar este problema, este estudo desenvolveu um software capaz de: (1) Prever variáveis climáticas para um determinado número de dias; e (2) Classificar risco de incêndio florestal no Pantanal brasileiro. Para o primeiro objetivo, diferentes algoritmos de séries temporais, baseados em Aprendizado de Máquina (AM), foram testados para previsão de variáveis climáticas. A previsão é utilizada como entrada para o segundo objetivo, para o qual foram testados diferentes algoritmos de classificação, também de AM. Tal software foi então evoluído de uma abordagem de busca exaustiva por hiperparâmetros para duas diferentes abordagens de Algoritmos Genéticos (AGs): Tradicional e NSGA-II. Resultados para ambas as versões do software foram avaliadas com base na correlação média entre as classes de risco de incêndio florestal e a observação de focos de calor. A versão de busca exaustiva superou os principais índices de risco de incêndio florestais para classes "Nulo", "Baixo", "Alto" e "Muito Alto". Já para a versão com base em AGs, o software foi competitivo com os índices de risco de incêndio florestais, e ainda com a vantagem de prever o risco para um determinado número de dias no futuro. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/3805045333740740 | por |