Wildfire Risk and Burned Area Simulator - A Deep Learning Approach
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/11110/2126 |
Resumo: | O flagelo dos incêndios é um acontecimento que tem vindo a aumentar nos últimos anos em todo o mundo, nomeadamente em Portugal. De 2015 a 2017, a área ardida multiplicou-se oito vezes, sendo que as áreas mais afetadas estão principalmente no Norte e Centro de Portugal. Para que os bombeiros possam atuar com mais rapidez, eficiência e eficácia, é necessário aprimorar as técnicas atuais de combate a incêndios. Dito isto, a utilização de ferramentas e técnicas para prever a forma como o fogo se propaga sem colocar vidas humanas em perigo, é uma solução vantajosa em muitos aspectos, nomeadamente em termos de segurança para a população e economicamente viável. O processo utilizado durante este trabalho é descrito desde a recolha e análise dos dados, passando pelo processamento dos dados e respetivo desenvolvimento do programa, terminando na análise dos resultados. Este documento apresenta uma proposta de simulador de risco de incêndio e área ardida baseado em técnicas de Machine Learning, mais precisamente numa abordagem de Deep Learning utilizando dados de eventos de incêndios anteriores em Portugal conjugados com dados geográficos e climáticos. A solução apresentada revela uma boa capacidade de predição da área ardida especialmente em relação à percentagem de área ardida, revelando uma boa correspondência entre a percentagem prevista e a real. |
id |
RCAP_e73403aeeba0d979e889bb7740af59ab |
---|---|
oai_identifier_str |
oai:ciencipca.ipca.pt:11110/2126 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Wildfire Risk and Burned Area Simulator - A Deep Learning ApproachIncêndioDetecção de IncêndioPrevenção de IncêndioRisco de IncêndioAvaliação de Danos de IncêndiosTécnicas de Combate a IncêndiosMachine LearningDeep LearningO flagelo dos incêndios é um acontecimento que tem vindo a aumentar nos últimos anos em todo o mundo, nomeadamente em Portugal. De 2015 a 2017, a área ardida multiplicou-se oito vezes, sendo que as áreas mais afetadas estão principalmente no Norte e Centro de Portugal. Para que os bombeiros possam atuar com mais rapidez, eficiência e eficácia, é necessário aprimorar as técnicas atuais de combate a incêndios. Dito isto, a utilização de ferramentas e técnicas para prever a forma como o fogo se propaga sem colocar vidas humanas em perigo, é uma solução vantajosa em muitos aspectos, nomeadamente em termos de segurança para a população e economicamente viável. O processo utilizado durante este trabalho é descrito desde a recolha e análise dos dados, passando pelo processamento dos dados e respetivo desenvolvimento do programa, terminando na análise dos resultados. Este documento apresenta uma proposta de simulador de risco de incêndio e área ardida baseado em técnicas de Machine Learning, mais precisamente numa abordagem de Deep Learning utilizando dados de eventos de incêndios anteriores em Portugal conjugados com dados geográficos e climáticos. A solução apresentada revela uma boa capacidade de predição da área ardida especialmente em relação à percentagem de área ardida, revelando uma boa correspondência entre a percentagem prevista e a real.2021-03-31T13:55:17Z2021-03-31T13:55:17Z2021-03-31T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/11110/2126oai:ciencipca.ipca.pt:11110/2126enghttp://hdl.handle.net/11110/2126202685675Rodrigues, Guilherme Polóniainfo: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:RCAAP2022-09-05T12:53:25Zoai:ciencipca.ipca.pt:11110/2126Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T15:02:23.326546Repositório 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 |
Wildfire Risk and Burned Area Simulator - A Deep Learning Approach |
title |
Wildfire Risk and Burned Area Simulator - A Deep Learning Approach |
spellingShingle |
Wildfire Risk and Burned Area Simulator - A Deep Learning Approach Rodrigues, Guilherme Polónia Incêndio Detecção de Incêndio Prevenção de Incêndio Risco de Incêndio Avaliação de Danos de Incêndios Técnicas de Combate a Incêndios Machine Learning Deep Learning |
title_short |
Wildfire Risk and Burned Area Simulator - A Deep Learning Approach |
title_full |
Wildfire Risk and Burned Area Simulator - A Deep Learning Approach |
title_fullStr |
Wildfire Risk and Burned Area Simulator - A Deep Learning Approach |
title_full_unstemmed |
Wildfire Risk and Burned Area Simulator - A Deep Learning Approach |
title_sort |
Wildfire Risk and Burned Area Simulator - A Deep Learning Approach |
author |
Rodrigues, Guilherme Polónia |
author_facet |
Rodrigues, Guilherme Polónia |
author_role |
author |
dc.contributor.author.fl_str_mv |
Rodrigues, Guilherme Polónia |
dc.subject.por.fl_str_mv |
Incêndio Detecção de Incêndio Prevenção de Incêndio Risco de Incêndio Avaliação de Danos de Incêndios Técnicas de Combate a Incêndios Machine Learning Deep Learning |
topic |
Incêndio Detecção de Incêndio Prevenção de Incêndio Risco de Incêndio Avaliação de Danos de Incêndios Técnicas de Combate a Incêndios Machine Learning Deep Learning |
description |
O flagelo dos incêndios é um acontecimento que tem vindo a aumentar nos últimos anos em todo o mundo, nomeadamente em Portugal. De 2015 a 2017, a área ardida multiplicou-se oito vezes, sendo que as áreas mais afetadas estão principalmente no Norte e Centro de Portugal. Para que os bombeiros possam atuar com mais rapidez, eficiência e eficácia, é necessário aprimorar as técnicas atuais de combate a incêndios. Dito isto, a utilização de ferramentas e técnicas para prever a forma como o fogo se propaga sem colocar vidas humanas em perigo, é uma solução vantajosa em muitos aspectos, nomeadamente em termos de segurança para a população e economicamente viável. O processo utilizado durante este trabalho é descrito desde a recolha e análise dos dados, passando pelo processamento dos dados e respetivo desenvolvimento do programa, terminando na análise dos resultados. Este documento apresenta uma proposta de simulador de risco de incêndio e área ardida baseado em técnicas de Machine Learning, mais precisamente numa abordagem de Deep Learning utilizando dados de eventos de incêndios anteriores em Portugal conjugados com dados geográficos e climáticos. A solução apresentada revela uma boa capacidade de predição da área ardida especialmente em relação à percentagem de área ardida, revelando uma boa correspondência entre a percentagem prevista e a real. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-03-31T13:55:17Z 2021-03-31T13:55:17Z 2021-03-31T00:00:00Z |
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/11110/2126 oai:ciencipca.ipca.pt:11110/2126 |
url |
http://hdl.handle.net/11110/2126 |
identifier_str_mv |
oai:ciencipca.ipca.pt:11110/2126 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
http://hdl.handle.net/11110/2126 202685675 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
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_ |
1799129894165151744 |