| spelling |
Marcelo Antonio Nerohttp://lattes.cnpq.br/9273397846584540Plinio da Costa TembaMarco Antonio Timbó ElmiroHaroldo Fraga de Campos VelhoJeffersson Alex dos SantosWellington Lopes Assishttp://lattes.cnpq.br/0935919337169649Luiza Cintra Fernandes2020-07-20T20:23:52Z2020-07-20T20:23:52Z2019-04-05http://hdl.handle.net/1843/33835Incêndios Florestais representam uma das grandes preocupações relacionadas com o meio ambiente, que causam impactos na vegetação, no solo, na fauna e flora. O cálculo do risco de incêndios consiste em verificar a probabilidade de ocorrer incêndio em determinado local, sendo importante para determinar áreas com maior risco e planejar atividades para sua prevenção. Dentre as metodologias existentes para seu cálculo, as Redes Neurais Artificiais (RNA) é um método que tem obtido bons resultados. Uma RNA consiste em um conjunto de unidades de processamento simples que trabalham em paralelo, armazenando conhecimento experimental e tornando-o disponível para uso. Este conhecimento é adquirido no processo de treinamento e armazenamento dos pesos sinápticos (conexões entre os neurônios). Assim, esse trabalho teve como objetivo fazer o mapeamento das regiões de risco de incêndio na região metropolitana de Belo Horizonte (RMBH) utilizando um modelo de redes neurais artificiais com treinamento supervisionado. Esta região apresenta períodos de seca acentuados, devido aos sistemas atmosféricos atuantes, os quais deixam a região muito propícia à ocorrência de incêndios. Foram utilizadas 12 entradas na RNA: distância às áreas urbanas, distância às rodovias, declividade, orientação do terreno, cobertura e uso do solo, NDVI, umidade relativa mínima do ar, temperatura máxima do ar, radiação solar, velocidade média do vento, pressão atmosférica e precipitação total. Para treinamento da rede foram utilizados dados mensais de 2014 a 2016, sendo utilizada como saída desejada focos de incêndio dos sensores MODIS e VIIRS. A validação foi feita com dados de 2017. Quanto aos resultados, o modelo de RNA apresentou alta acurácia e coerência com dados de incêndio, na validação subestimou áreas de risco em épocas de seca. Assim foram feitos modelos complementares, sendo treinados apenas com dados de chuva e seca separados. Estes modelos apresentaram bons resultados. No modelo em épocas de seca a área de alto risco abrange praticamente a região inteira, enquanto o modelo com dados de chuva apresentou área de alto risco apenas próximo às áreas urbanas. O modelo geral, mesmo não tendo o melhor resultado, foi treinado com características das duas épocas, selecionando apenas fatores que realmente influenciam os incêndios, podendo ser utilizado como um complemento aos outros modelos. Dentre as variáveis de entrada as mais influentes no modelo foram: a distância às áreas urbanas e as variáveis meteorológicas. Assim a RNA se mostrou uma boa metodologia para este fim. O método pode ser usado como modelo de previsão e ser reaplicada a outras áreas.Forest Fires represents one of the greats concerns related with the environment, as it causes impacts in the vegetation, soil, fauna and flora. The fire risk index consists in verify the probability of fire occurrence in such place, so it is important to determine higher fire risk areas and planning activities for your prevention. From the existing methodologies for your calculation, the Artificial Neural Networks (ANN) is a methodology that have been achieving good results. The ANN it is a set of simple process units working in parallel, which stores experimental knowledge and make it available to use. This knowledge is acquired from a training process and stored in synaptic weights (connections between neurons). So, this work has the aim of mapping the fire risk areas in the Metropolitan Region of Belo Horizonte (RMBH) using an artificial neural network model with supervised training. This region presents accentuated dry seasons, due atmospheric systems activities; this season became the region propitious for fire ignition. 12 input variables were used: distance to urban areas, distance to roads, slope, aspect, land use, NDVI, minimum relative humidity, maximum air temperature, air pressure, solar radiation, wind speed and total precipitation. For network training it was used monthly data from 2014 to 2016, as output, fire active data from MODIS and VIIRS were used. A model evaluation was done with 2017 data. The RNA model results showed high accuracy and good consistency with fire data, but your validation underestimated risk areas in dry season. So complementary models were developed, training dry and rainy seasons separately. These models showed good results. In the dry model the high risk area covers almost all the region, in the other hand, the rainy model showed high risk only in locations near urban areas. The general model even dough it did not showed the best result, it was trained with characteristics of both seasons, selecting just the factors that really affects the fire, and can be used as a complementary model for the others. Among the input variables those which have more influence in the model are the distance to urban areas and meteorological variables. So, the ANN showed a good methodology for this end and can be used as a forecast model and be reapplied in other regions.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Análise e Modelagem de Sistemas AmbientaisUFMGBrasilIGC - DEPARTAMENTO DE CARTOGRAFIAModelagem de dados – Aspectos ambientaisIncêndios florestais – Previsão – Minas GeraisIncêndios florestais – Prevenção e controleRedes neurais (Computação)Risco de incêndioRedes neurais artificiaisModelagemModelagem de risco de incêndios florestais utilizando redes neurais artificiais aplicada às regiões metropolitanasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALModelagem de risco de incêndios florestais utilizando redes neurais artificiais aplicada às regiões metropolitanas.pdfModelagem de risco de incêndios florestais utilizando redes neurais artificiais aplicada às regiões metropolitanas.pdfapplication/pdf22185265https://repositorio.ufmg.br/bitstream/1843/33835/1/Modelagem%20de%20risco%20de%20ince%cc%82ndios%20florestais%20utilizando%20redes%20neurais%20artificiais%20aplicada%20a%cc%80s%20regio%cc%83es%20metropolitanas.pdf54a2cf233faaa3f1a2cb80fb7eea8a39MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82119https://repositorio.ufmg.br/bitstream/1843/33835/2/license.txt34badce4be7e31e3adb4575ae96af679MD521843/338352020-07-20 17:23:52.677oai:repositorio.ufmg.br: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Repositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2020-07-20T20:23:52Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|