Banca de DEFESA: KEMUEL MACIEL FREITAS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : KEMUEL MACIEL FREITAS
DATA : 19/08/2024
HORA: 14:30
LOCAL: Auditório NTB
TÍTULO:

PREDIÇÃO DA SUSCEPTI-BILIDADE A INCÊNDIOS NA APA TRIUNFO DO XINGU COM FERRAMENTAS DE MACHINE LEARNING

PALAVRAS-CHAVES:

Sensoriamento Remoto. Predição de Incêndios. Amazônia. Random Forest. XGBoost

PÁGINAS: 117
RESUMO:

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, socioeconômicos e de vegetação 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, Altitude, 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. 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.

MEMBROS DA BANCA:
Presidente - 1963026 - ANDERSON ALVARENGA DE MOURA MENESES
Externo à Instituição - MARLA TERESINHA BARBOSA GELLER - ULBRA
Externa à Instituição - MILENA MARILIA NOGUEIRA DE ANDRADE - UFRA
Interno - 2160992 - RAPHAEL PABLO TAPAJOS SILVA