Data analysis and processing from remote sensors for detection of forest fires risk

Detalhes bibliográficos
Autor(a) principal: Marcelino, Vitor Fernandes
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10198/28457
Resumo: Mestrado de dupla diplomação com o Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - CEFET/RJ
id RCAP_ce0978b26bbee9f967429f22914c477c
oai_identifier_str oai:bibliotecadigital.ipb.pt:10198/28457
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Data analysis and processing from remote sensors for detection of forest fires riskForest firesMachine learningData scienceClassificationDomínio/Área Científica::Engenharia e Tecnologia::Outras Engenharias e TecnologiasMestrado de dupla diplomação com o Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - CEFET/RJThis work focuses on developing fire risk detection and prevention algorithms using data collected by sensors in the forest. The study involved a State of the Art review and a Theoretical Foundation, followed by Data Characterization and Data Analysis, which were divided into several sub-sections. The study developed regression models for different types of data and found that the random forest regression model was the best performing for transition times. The study compared different regression models, finding that the Support Vector Regression (SVR) model performed worse than the Gradient Boosting Regression (GBR) and Random Forest Regression (RFR) models. The study concluded that using algorithms to identify periods of the day was a useful strategy for avoiding false alerts and that training the models for each individual module was the best strategy. Furthermore, the RFR and GBR regression models were found to be the most effective for the data available in this study. However, improvements are necessary to reduce false positives and facilitate abnormality detection. Overall, this work provides insight into the most effective methods for analyzing and processing data collected by sensors in the forest for fire risk detection and prevention, with the potential to create alerts for those involved in fighting forest fires.Este trabalho centra-se no desenvolvimento de algoritmos de detecção e prevenção de riscos de incêndio utilizando dados recolhidos por sensores na floresta. O estudo envolveu uma revisão do estado da arte e uma Fundação Teórica, seguida de Caracterização e Análise de Dados, que foi dividida em várias subsecções. O estudo desenvolveu modelos de regressão para diferentes tipos de dados e descobriu que o modelo de random forest regression era o que tinha melhor desempenho para os dados de transição dia e noite. O estudo comparou diferentes modelos de regressão, descobrindo que o modelo de Support Vector Regression (SVR) teve pior desempenho do que os modelos de Gradient Boosting Regression (GBR) e de Random Forest Regression (RFR). O estudo concluiu que a utilização de algoritmos para identificar períodos do dia era uma estratégia útil para evitar falsos alertas, e que o treino dos modelos para cada módulo individual era a melhor estratégia. Além disso, os modelos de regressão RFR e GBR foram considerados como os mais eficazes para os dados disponíveis neste estudo. No entanto, são necessárias melhorias para reduzir os falsos positivos e facilitar a detecção de anomalias. Dessa forma, este trabalho fornece uma visão dos métodos mais eficazes para analisar e processar os dados recolhidos pelos sensores na floresta para detecção e prevenção de riscos de incêndio, com o potencial de criar alertas para os envolvidos no combate aos incêndios florestais.Pereira, Ana I.Lima, JoséFagundes, Luis PauloBiblioteca Digital do IPBMarcelino, Vitor Fernandes2023-06-23T15:58:08Z20232023-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10198/28457TID:203322746enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-21T11:02:23Zoai:bibliotecadigital.ipb.pt:10198/28457Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T23:18:29.081437Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Data analysis and processing from remote sensors for detection of forest fires risk
title Data analysis and processing from remote sensors for detection of forest fires risk
spellingShingle Data analysis and processing from remote sensors for detection of forest fires risk
Marcelino, Vitor Fernandes
Forest fires
Machine learning
Data science
Classification
Domínio/Área Científica::Engenharia e Tecnologia::Outras Engenharias e Tecnologias
title_short Data analysis and processing from remote sensors for detection of forest fires risk
title_full Data analysis and processing from remote sensors for detection of forest fires risk
title_fullStr Data analysis and processing from remote sensors for detection of forest fires risk
title_full_unstemmed Data analysis and processing from remote sensors for detection of forest fires risk
title_sort Data analysis and processing from remote sensors for detection of forest fires risk
author Marcelino, Vitor Fernandes
author_facet Marcelino, Vitor Fernandes
author_role author
dc.contributor.none.fl_str_mv Pereira, Ana I.
Lima, José
Fagundes, Luis Paulo
Biblioteca Digital do IPB
dc.contributor.author.fl_str_mv Marcelino, Vitor Fernandes
dc.subject.por.fl_str_mv Forest fires
Machine learning
Data science
Classification
Domínio/Área Científica::Engenharia e Tecnologia::Outras Engenharias e Tecnologias
topic Forest fires
Machine learning
Data science
Classification
Domínio/Área Científica::Engenharia e Tecnologia::Outras Engenharias e Tecnologias
description Mestrado de dupla diplomação com o Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - CEFET/RJ
publishDate 2023
dc.date.none.fl_str_mv 2023-06-23T15:58:08Z
2023
2023-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10198/28457
TID:203322746
url http://hdl.handle.net/10198/28457
identifier_str_mv TID:203322746
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799135480586960896

Registros relacionados