Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/31544
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2017_PabloPozzobondeBem.pdf1,96 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorCarvalho Júnior, Osmar Abílio de-
dc.contributor.authorBem, Pablo Pozzobon de-
dc.date.accessioned2018-04-02T21:09:19Z-
dc.date.available2018-04-02T21:09:19Z-
dc.date.issued2018-04-02-
dc.date.submitted2017-12-18-
dc.identifier.citationBEM, Pablo Pozzobon de. Previsão de vulnerabilidade a incêndios florestais utilizando regressão logística e redes neurais artificiais: um estudo de caso no Distrito Federal brasileiro. 2017. viii, 28 f., il. Dissertação (Mestrado em Geografia)—Universidade de Brasília, Brasília, 2017.pt_BR
dc.identifier.urihttp://repositorio.unb.br/handle/10482/31544-
dc.descriptionDissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-graduação, 2017.pt_BR
dc.description.abstractIncêndios florestais são um problema global e queimam milhões de hectares de vegetação nativa todos os anos. O Cerrado brasileiro é a savana neotropical mais rica em biodiversidade do mundo, e uma das regiões mais afetadas por incêndios, sendo considerado um ecossistema tolerante ao fogo. Apesar da adaptação do bioma ao fogo, a alta frequência de incêndios trazida pela ocupação humana tem danificado o ecossistema mais rápido do que ele é capaz de se recuperar. O combate a incêndios é custoso e, portanto, medidas de prevenção de incêndios são a melhor maneira de evitar seus danos em longo prazo. Prever a distribuição espacial da ocorrência de incêndios florestais é um passo importante para a realização do manejo do fogo. Para isto, podem ser utilizados modelos que relacionem a ocorrência do fogo às variáveis que o influenciam. Neste estudo, dois modelos distintos de previsão — Regressão Logística (RL) e uma Rede Neural Artificial (RNA) — foram aplicados à região do Distrito Federal brasileiro, que se encontra inserida dentro do bioma Cerrado. Produtos de área queimada baseados em imagens LANDSAT foram utilizados para gerar a variável dependente, e nove outras variáveis espacialmente explícitas e de origem antropogênica ou ambiental foram utilizadas como variáveis independentes. Os modelos foram otimizados em função da melhor medida de Area under Receiver Operating Characteristic (AUROC, ou simplesmente AUC) a partir da seleção de atributos, e posteriormente validados utilizando dados reais de áreas queimadas. Os modelos mostraram performances similares, mas o modelo utilizando a RNA demonstrou melhor AUC (0.7755), e melhor acurácia ao classificar áreas não queimadas (73.39%), porém pior acurácia média (66.55%) e ao classificar áreas queimadas, para as quais o modelo LR apresentou o melhor resultado (65.24%). Adicionalmente, foi comparada a importância de cada variável aos modelos, contribuindo para o conhecimento das causas principais de incêndios na região. As variáveis demonstraram importâncias similares em ambos os modelos utilizados, e as variáveis de maior importância foram a elevação do terreno e o tipo de uso do solo. Os resultados demonstraram bons desempenhos de todos os modelos testados, mas recomenda-se a execução de mais estudos similares mais detalhados em outras áreas de na savana Brasileira, dado que ainda são poucos os estudos deste tipo.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).pt_BR
dc.language.isoPortuguêspt_BR
dc.rightsAcesso Abertopt_BR
dc.titlePrevisão de vulnerabilidade a incêndios florestais utilizando regressão logística e redes neurais artificiais : um estudo de caso no Distrito Federal brasileiropt_BR
dc.typeDissertaçãopt_BR
dc.subject.keywordIncêndios florestaispt_BR
dc.subject.keywordRegressão logísticapt_BR
dc.subject.keywordRedes neuraispt_BR
dc.subject.keywordCerrado brasileiropt_BR
dc.subject.keywordCerrados - incêndios florestaispt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.pt_BR
dc.description.abstract1Wildfires are a global problem, burning millions of hectares of natural forests every year. The Brazilian Cerrado is the richest neotropical savanna of the world in regards to biodiversity, and one of the regions most affected by fires, and also considered a firedependent ecosystem. Despite being adapted to the occurrence of fire, the high frequency of wildfires in the region due to human occupation is damaging the ecosystem faster than it can recover. Fighting fires is costly, and therefore the best way to avoid damages in the long-term is through prevention techniques. Predicting the spatial distribution of wildfires is an important step towards proper wildfire management. For that purpose, models that relate the occurrence of fire to certain variables can be used. In this work, we applied two distinct prediction models — Logistic Regression (LR) and an Artificial Neural Network (ANN) — to the region of Brazil’s Federal District, located inside the Brazilian Cerrado, the largest savanna in South America and the world’s richest Neotropical Savanna. We used LANDSAT based burned area products to generate the dependent variable, and nine different anthropogenic and environmental factors were used as the explanatory variables. The models were optimized via feature selection for best Area Under Receiver Operating Characteristic Curve (AUROC) and then validated with real burn area data. The models had similar performance, but the ANN model showed a better AUC value (0.7755) and better accuracy when evaluating exclusively nonburned areas (73.39%), while it had worse accuracy overall (66.55%) and when classifying burned areas, in which LR performed better (65.24%). Moreover, we compared the contribution of each variable to the models, adding some insight into the main causes of wildfires in the region. Variables had similar contributions to the models, and the main driving aspects of the distribution of burned areas in the region were the land use type and elevation. The results showed good performance for both models tested, but further research regarding wildfire in the Brazilian savanna is recommended, as such studies are still scarce.pt_BR
dc.description.unidadeInstituto de Ciências Humanas (ICH)pt_BR
dc.description.unidadeDepartamento de Geografia (ICH GEA)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Geografiapt_BR
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.