{"id":{"repo_id":"brasilia","oai_identifier":"oai:repositorio.unb.br:10482/31544"},"canonical_url":"https://search.dev.ndltd.org/etd/brasilia/oai:repositorio.unb.br:10482/31544","repository":{"repo_id":"brasilia","name":"Universidade de Brasília","base_url":"http://repositorio2.unb.br/oai/request"},"display":{"title":"Previsão de vulnerabilidade a incêndios florestais utilizando regressão logística e redes neurais artificiais : um estudo de caso no Distrito Federal brasileiro","abstract":"Incêndios 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.","abstract_html":"Incêndios 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.","abstract_has_math":false,"creators":["Bem, Pablo Pozzobon de"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Carvalho Júnior, Osmar Abílio de"],"committee_chairs":[],"committee_members":[],"year":2018,"date_issued":"2018-04-02","date_published":"2018-04-02","updated_at":"2026-08-21T16:42:33Z","subjects":[],"languages":["Português"],"rights":["Acesso Aberto"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"http://repositorio.unb.br/handle/10482/31544","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"source_record":{"url":"http://repositorio2.unb.br/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepositorio.unb.br%3A10482%2F31544","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Carvalho Júnior, Osmar Abílio de"]},{"key":"dc:creator","label":"Author","values":["Bem, Pablo Pozzobon de"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2018-04-02T21:09:19Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2018-04-02T21:09:19Z"]},{"key":"dc:date.issued","label":"Date","values":["2018-04-02"]},{"key":"dc:type","label":"Dc Type","values":["Dissertação"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["Português"]},{"key":"dc:rights","label":"Dc Rights","values":["Acesso Aberto"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://repositorio.unb.br/handle/10482/31544"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-graduação, 2017."]},{"key":"dc:description.abstract","label":"Abstract","values":["Incêndios 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."]},{"key":"dc:title","label":"Title","values":["Previsão de vulnerabilidade a incêndios florestais utilizando regressão logística e redes neurais artificiais : um estudo de caso no Distrito Federal brasileiro"]}]}],"canonical_facts":{"dc:contributor.advisor":["Carvalho Júnior, Osmar Abílio de"],"dc:creator":["Bem, Pablo Pozzobon de"],"dc:date.accessioned":["2018-04-02T21:09:19Z"],"dc:date.available":["2018-04-02T21:09:19Z"],"dc:date.issued":["2018-04-02"],"dc:description":["Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-graduação, 2017."],"dc:description.abstract":["Incêndios 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."],"dc:identifier.uri":["http://repositorio.unb.br/handle/10482/31544"],"dc:language.iso":["Português"],"dc:rights":["Acesso Aberto"],"dc:title":["Previsão de vulnerabilidade a incêndios florestais utilizando regressão logística e redes neurais artificiais : um estudo de caso no Distrito Federal brasileiro"],"dc:type":["Dissertação"]},"updated_at":"2026-08-21T16:42:33Z"}