dc.creator | Ferla, Andressa Kossmann | |
dc.date.accessioned | 2023-05-19T18:25:10Z | |
dc.date.available | 2023-05-19T18:25:10Z | |
dc.date.issued | 2023-05-03 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/29137 | |
dc.description.abstract | Native and planted forests are essential across the planet and provide many benefits to life on
earth. However, the magnitude of its benefits depends on ongoing environmental changes. In
this sense, forest fires cause economic losses and changes in the environment. In view of this,
environmental monitoring is indispensable, which has made use of remote sensing techniques.
This work aims to identify the use of remote sensing techniques for mapping pine plantations
and then develop a fire risk map. The study was divided into two stages: a) first, it verified
which machine learning classifier (Radom Forest or Support Vector Machine) was more
effective in classifying land use and land cover and which is the best time of year for mapping
forests of Pinus spp. in an area located in the municipality of São José do Norte in Rio Grande
do Sul, for this purpose PlanetScope high resolution image was used; b) preparation of a forest
fire risk map. The results showed that the two classifiers obtained good results, however
Random Forest was more efficient in the spring and summer seasons. The work achieved
adequate accuracy and can be reliably used for monitoring and managing land cover in the study
region. The results of the second stage used remote sensing techniques and the Analytic
Hierarchy Process – AHP method to create a fire risk map in the same region to identify areas
close to forests that are prone to the occurrence of forest fires. For the creation of the risk map,
the map of land cover and use, topographical, climatic and anthropogenic variables was used
as a variable. Finally, the map was validated through fire outbreaks detected by the INPE Burn
Program where it was identified that these outbreaks were close to areas classified as High,
Very High and Extreme Risk in the risk map, in this way the map can be used in the
management and monitoring to prevent or minimize the impacts caused by forest fires. | eng |
dc.description.sponsorship | Fundação de Amparo à Pesquisa do Estado do Rio Grande do Sul - FAPERGS | por |
dc.description.sponsorship | Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq | por |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Sensoriamento remoto | por |
dc.subject | Classificador | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Mapa de risco de incêndio | por |
dc.subject | AHP | eng |
dc.subject | Remote sensing | eng |
dc.subject | Classifier | eng |
dc.subject | Machine learning | eng |
dc.subject | Fire risk map | eng |
dc.title | Métodos de aprendizado de máquina para o mapeamento de florestas de Pinus utilizando dados de alta resolução espacial e elaboração de um mapa de risco de incêndio | por |
dc.title.alternative | Machine learning methods for mapping Pinus forests using high spatial resolution data and preparation of a fire risk map | eng |
dc.type | Dissertação | por |
dc.description.resumo | Florestas nativas e plantadas são essenciais em todo o planeta e fornecem diversos benefícios
para a vida na terra. Contudo, a magnitude de seus benefícios depende das mudanças ambientais
em curso. Nesse sentido os incêndios florestais provocam prejuízos econômicos e mudanças no
meio ambiente. A vista disso é indispensável o monitoramento ambiental, que tem lançado mão
do uso de técnicas de sensoriamento remoto. Este trabalho tem objetivo identificar utilizar
técnicas de sensoriamento remoto para o mapeamento de plantios pinus e na sequência,
desenvolver uma mapa de risco de incêndios. O estudo foi dividido em duas etapas: a) primeiro
verificou qual classificador de aprendizado de máquina (Radom Forest ou Support Vector
Machine) foi mais efetivo na classificação do uso e cobertura da terra e qual a melhor época do
ano para o mapeamento de florestas de Pinus spp. em área localizada no município de São José
do Norte no Rio Grande do Sul, para isto foi utilizado imagem de alta resolução PlanetScope;
b) elaboração de um mapa de risco de incêndios florestais. Os resultados mostraram que os dois
classificadores obtiveram bons resultados, porém o Random Forest foi mais eficiente nas
estações primavera e verão. O trabalho obteve precisão adequada e pode ser utilizado de forma
confiável para o monitoramento e gerenciamento da cobertura da terra na região de estudo. O
resultados da segunda etapa utilizou técnicas de sensoriamento remoto e o método Analytic
Hierarchy Process – AHP para a elaboração de um mapa de risco de incêndio, na mesma região
para identificar áreas próximas a florestas que estão propicias a ocorrência de incêndios
florestais. Para a criação do mapa de risco foi utilizado como variável o mapa de cobertura e
uso da terra, variáveis topográficas, climáticas e antropogênicas. Por fim, o mapa foi validado
através de focos de incêndios detectados pelo Programa Queimadas do INPE onde foi
identificado que estes focos estavam próximos as áreas classificadas como Risco Alto, Muito
Alto e Extremo no mapa de risco, desta forma o mapa pode ser utilizado na gestão e
monitoramento para prevenir ou minimizar os impactos causados pelos incêndios florestais. | por |
dc.contributor.advisor1 | Breunig, Fábio Marcelo | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/5926113161758766 | por |
dc.contributor.advisor-co1 | Balbinot, Rafaelo | |
dc.contributor.referee1 | Silva, Ricardo Dal’Agnol da | |
dc.contributor.referee2 | Pereira, Gabriel | |
dc.creator.Lattes | http://lattes.cnpq.br/8691585670451526 | por |
dc.publisher.country | Brasil | por |
dc.publisher.department | Ciências Ambientais | por |
dc.publisher.initials | UFSM | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência e Tecnologia Ambiental | por |
dc.subject.cnpq | CNPQ::OUTROS::CIENCIAS | por |
dc.publisher.unidade | UFSM Frederico Westphalen | por |