Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remoto

Detalhes bibliográficos
Autor(a) principal: Luz, Andréa Eliza de Oliveira
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: http://hdl.handle.net/11449/217957
Resumo: Como consequência da combinação de extremos climáticos e das ações humanas, destaca-se nos anos recentes a ocorrência de desastres naturais decorrentes de queimadas em áreas florestais. Tais eventos têm sido observados com mais frequência e de forma generalizada, ocasionando graves danos ambientais e sociais em diversos ecossistemas. Estudos apontam para a necessidade de métodos para o monitoramento de queimadas, os quais podem ser realizados através do mapeamento de áreas afetadas ou suscetíveis a tal evento. Neste contexto, dados extraídos de séries multitemporais de imagens obtidas por sensoriamento remoto e técnicas de aprendizado de máquina são componentes potenciais no desenvolvimento de métodos e ferramentas para esse fim. Nesta pesquisa foram desenvolvidos dois métodos através do emprego de conceitos de modelagem, classificação estatística e detecção de anomalias. O primeiro método é capaz de proporcionar o mapeamento das ocorrências através da precisão da identificação das áreas afetadas por fogo, enquanto o segundo realiza o mapeamento da suscetibilidade ao fogo através da identificação de localizações não anômalas.
id UNSP_6b9c911ffcb6d3fdc019339d3597b7d5
oai_identifier_str oai:repositorio.unesp.br:11449/217957
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remotoFire occurrence and susceptibility mapping in vegetated areas with the use of machine learning models and remote sensing dataIncêndios florestaisSensoriamento remotoAprendizado de máquinaForest firesRemote sensingMachine learningComo consequência da combinação de extremos climáticos e das ações humanas, destaca-se nos anos recentes a ocorrência de desastres naturais decorrentes de queimadas em áreas florestais. Tais eventos têm sido observados com mais frequência e de forma generalizada, ocasionando graves danos ambientais e sociais em diversos ecossistemas. Estudos apontam para a necessidade de métodos para o monitoramento de queimadas, os quais podem ser realizados através do mapeamento de áreas afetadas ou suscetíveis a tal evento. Neste contexto, dados extraídos de séries multitemporais de imagens obtidas por sensoriamento remoto e técnicas de aprendizado de máquina são componentes potenciais no desenvolvimento de métodos e ferramentas para esse fim. Nesta pesquisa foram desenvolvidos dois métodos através do emprego de conceitos de modelagem, classificação estatística e detecção de anomalias. O primeiro método é capaz de proporcionar o mapeamento das ocorrências através da precisão da identificação das áreas afetadas por fogo, enquanto o segundo realiza o mapeamento da suscetibilidade ao fogo através da identificação de localizações não anômalas.As a result of the combination of climatic extremes and human actions, the occurrence of natural disasters resulting from fires in forest areas has been highlighted in recent years. Such events have been observed more frequently and in a generalized way, causing serious environmental and social damages in several ecosystems. Studies point to the need for methods for monitoring fires, which can be carried out by mapping areas affected or susceptible to such an event. In this context, data extracted from multitemporal series of images obtained by remote sensing and machine learning techniques are potential components in the development of methods and tools for this purpose. In this research two methods were developed through the use of modeling concepts, statistical classification and anomaly detection. The first method is able to provide the mapping of occurrences through the accuracy of the identification of fire-affected areas, while the second performs the mapping of fire susceptibility through the identification of non-anomalous locations.OutraUniversidade Estadual Paulista (Unesp)Negri, Rogério GalanteUniversidade Estadual Paulista (Unesp)Luz, Andréa Eliza de Oliveira2022-04-20T15:23:17Z2022-04-20T15:23:17Z2022-03-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/21795733004145083P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-01-04T06:30:38Zoai:repositorio.unesp.br:11449/217957Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-01-04T06:30:38Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remoto
Fire occurrence and susceptibility mapping in vegetated areas with the use of machine learning models and remote sensing data
title Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remoto
spellingShingle Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remoto
Luz, Andréa Eliza de Oliveira
Incêndios florestais
Sensoriamento remoto
Aprendizado de máquina
Forest fires
Remote sensing
Machine learning
title_short Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remoto
title_full Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remoto
title_fullStr Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remoto
title_full_unstemmed Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remoto
title_sort Mapeamento da ocorrência e suscetibilidade de fogo em áreas vegetadas com uso de modelos de aprendizado de máquina e dados de sensoriamento remoto
author Luz, Andréa Eliza de Oliveira
author_facet Luz, Andréa Eliza de Oliveira
author_role author
dc.contributor.none.fl_str_mv Negri, Rogério Galante
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Luz, Andréa Eliza de Oliveira
dc.subject.por.fl_str_mv Incêndios florestais
Sensoriamento remoto
Aprendizado de máquina
Forest fires
Remote sensing
Machine learning
topic Incêndios florestais
Sensoriamento remoto
Aprendizado de máquina
Forest fires
Remote sensing
Machine learning
description Como consequência da combinação de extremos climáticos e das ações humanas, destaca-se nos anos recentes a ocorrência de desastres naturais decorrentes de queimadas em áreas florestais. Tais eventos têm sido observados com mais frequência e de forma generalizada, ocasionando graves danos ambientais e sociais em diversos ecossistemas. Estudos apontam para a necessidade de métodos para o monitoramento de queimadas, os quais podem ser realizados através do mapeamento de áreas afetadas ou suscetíveis a tal evento. Neste contexto, dados extraídos de séries multitemporais de imagens obtidas por sensoriamento remoto e técnicas de aprendizado de máquina são componentes potenciais no desenvolvimento de métodos e ferramentas para esse fim. Nesta pesquisa foram desenvolvidos dois métodos através do emprego de conceitos de modelagem, classificação estatística e detecção de anomalias. O primeiro método é capaz de proporcionar o mapeamento das ocorrências através da precisão da identificação das áreas afetadas por fogo, enquanto o segundo realiza o mapeamento da suscetibilidade ao fogo através da identificação de localizações não anômalas.
publishDate 2022
dc.date.none.fl_str_mv 2022-04-20T15:23:17Z
2022-04-20T15:23:17Z
2022-03-02
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/11449/217957
33004145083P2
url http://hdl.handle.net/11449/217957
identifier_str_mv 33004145083P2
dc.language.iso.fl_str_mv por
language por
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.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1803047255079387136

Registros relacionados