Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados Meteorológicos

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Hanamoto, Juniti Hitochi Afonço
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado computacional
Binary classifier
Classificador binário
Classificador multiclasse
Downsampling
Fire risk
Machine learning
Multiclass classifier
Oversampling
Risco de fogo
Link de acesso: https://teses.usp.br/teses/disponiveis/3/3152/tde-09042026-152014/
Resumo: vegetação e impactar a qualidade do ar por meio da liberação de partículas nocivas, monóxido de carbono e óxidos de nitrogênio. Esses eventos afetam negativamente a saúde humana e animal, reduzem a biodiversidade, degradam o solo e alteram os ciclos hidrológicos e climáticos. No Brasil, esses desafios ambientais são ainda mais pronunciados devido à vasta biodiversidade e à grande extensão territorial. Este estudo propõe a análise de dois métodos para a classificação do atributo risco de fogo. O primeiro método utiliza um modelo de classificação multiclasse considerando inicialmente dois cenários: (i) apenas dados do Programa Queimadas do INPE e (ii) o mesmo conjunto acrescido de dados de precipitação do INMET, com o objetivo de verificar se a inclusão de informações de sensores em nível de solo melhora as métricas de desempenho. A partir desses cenários conceituais, foram conduzidos cinco experimentos, variando técnicas de balanceamento e o algoritmo empregado, a fim de avaliar o impacto na precisão de cada classe de risco. O segundo método aplica um modelo de classificação binária para identificar a ocorrência ou não de queimadas, a partir de dados do satélite Landsat-8 e índices espectrais associados à detecção de áreas queimadas. Ao comparar os resultados dos dois métodos, busca-se identificar aquele com melhor desempenho na detecção de áreas de alto risco, possibilitando a aplicação de medidas preventivas oportunas, mitigando potenciais danos ambientais e contribuindo para a conservação da biodiversidade.
id USP_3e919ffb28d548aff82babf4136f4a98
oai_identifier_str oai:teses.usp.br:tde-09042026-152014
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados MeteorológicosMachine learning approaches for fire risk classification using remote sensing and meteorological dataAprendizado computacionalBinary classifierClassificador binárioClassificador multiclasseDownsamplingFire riskMachine learningMulticlass classifierOversamplingRisco de fogovegetação e impactar a qualidade do ar por meio da liberação de partículas nocivas, monóxido de carbono e óxidos de nitrogênio. Esses eventos afetam negativamente a saúde humana e animal, reduzem a biodiversidade, degradam o solo e alteram os ciclos hidrológicos e climáticos. No Brasil, esses desafios ambientais são ainda mais pronunciados devido à vasta biodiversidade e à grande extensão territorial. Este estudo propõe a análise de dois métodos para a classificação do atributo risco de fogo. O primeiro método utiliza um modelo de classificação multiclasse considerando inicialmente dois cenários: (i) apenas dados do Programa Queimadas do INPE e (ii) o mesmo conjunto acrescido de dados de precipitação do INMET, com o objetivo de verificar se a inclusão de informações de sensores em nível de solo melhora as métricas de desempenho. A partir desses cenários conceituais, foram conduzidos cinco experimentos, variando técnicas de balanceamento e o algoritmo empregado, a fim de avaliar o impacto na precisão de cada classe de risco. O segundo método aplica um modelo de classificação binária para identificar a ocorrência ou não de queimadas, a partir de dados do satélite Landsat-8 e índices espectrais associados à detecção de áreas queimadas. Ao comparar os resultados dos dois métodos, busca-se identificar aquele com melhor desempenho na detecção de áreas de alto risco, possibilitando a aplicação de medidas preventivas oportunas, mitigando potenciais danos ambientais e contribuindo para a conservação da biodiversidade.The occurrence of fires in conservation areas can cause substantial vegetation loss and impact air quality through the release of harmful particles, carbon monoxide, and nitrogen oxides. These events negatively affect human and animal health, reduce biodiversity, degrade soil, and alter hydrological and climatic cycles. In Brazil, these environmental challenges are even more pronounced due to its vast biodiversity and large territorial extent. This study proposes the analysis of two methods for classifying the fire risk attribute. The first method employs a multiclass classification model, initially considering two scenarios: (i) only data from INPEs Queimadas Program and (ii) the same dataset complemented with precipitation data from INMET, aiming to verify whether the inclusion of ground-level sensor information improves performance metrics. Based on these conceptual scenarios, five experiments were conducted, varying balancing techniques and the algorithm used, in order to assess the impact on the accuracy of each fire risk class. The second method applies a binary classification model to determine whether a fire occurred or not, using data from the Landsat-8 satellite and spectral indices associated with burned area detection. By comparing the results of both methods, this study seeks to identify the one with better performance in detecting high-risk areas, enabling the timely implementation of preventive measures, mitigating potential environmental damage, and contributing to biodiversity conservation.Biblioteca Digitais de Teses e Dissertações da USPTsuzuki, Marcos de Sales GuerraHanamoto, Juniti Hitochi Afonço2025-11-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://teses.usp.br/teses/disponiveis/3/3152/tde-09042026-152014/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2026-04-09T18:32:02Zoai:teses.usp.br:tde-09042026-152014Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212026-04-09T18:32:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados Meteorológicos
Machine learning approaches for fire risk classification using remote sensing and meteorological data
title Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados Meteorológicos
spellingShingle Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados Meteorológicos
Hanamoto, Juniti Hitochi Afonço
Aprendizado computacional
Binary classifier
Classificador binário
Classificador multiclasse
Downsampling
Fire risk
Machine learning
Multiclass classifier
Oversampling
Risco de fogo
title_short Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados Meteorológicos
title_full Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados Meteorológicos
title_fullStr Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados Meteorológicos
title_full_unstemmed Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados Meteorológicos
title_sort Abordagens de Aprendizado de Máquina para Classificação do Risco de Incêndios Utilizando Sensoriamento Remoto e Dados Meteorológicos
author Hanamoto, Juniti Hitochi Afonço
author_facet Hanamoto, Juniti Hitochi Afonço
author_role author
dc.contributor.none.fl_str_mv Tsuzuki, Marcos de Sales Guerra
dc.contributor.author.fl_str_mv Hanamoto, Juniti Hitochi Afonço
dc.subject.por.fl_str_mv Aprendizado computacional
Binary classifier
Classificador binário
Classificador multiclasse
Downsampling
Fire risk
Machine learning
Multiclass classifier
Oversampling
Risco de fogo
topic Aprendizado computacional
Binary classifier
Classificador binário
Classificador multiclasse
Downsampling
Fire risk
Machine learning
Multiclass classifier
Oversampling
Risco de fogo
description vegetação e impactar a qualidade do ar por meio da liberação de partículas nocivas, monóxido de carbono e óxidos de nitrogênio. Esses eventos afetam negativamente a saúde humana e animal, reduzem a biodiversidade, degradam o solo e alteram os ciclos hidrológicos e climáticos. No Brasil, esses desafios ambientais são ainda mais pronunciados devido à vasta biodiversidade e à grande extensão territorial. Este estudo propõe a análise de dois métodos para a classificação do atributo risco de fogo. O primeiro método utiliza um modelo de classificação multiclasse considerando inicialmente dois cenários: (i) apenas dados do Programa Queimadas do INPE e (ii) o mesmo conjunto acrescido de dados de precipitação do INMET, com o objetivo de verificar se a inclusão de informações de sensores em nível de solo melhora as métricas de desempenho. A partir desses cenários conceituais, foram conduzidos cinco experimentos, variando técnicas de balanceamento e o algoritmo empregado, a fim de avaliar o impacto na precisão de cada classe de risco. O segundo método aplica um modelo de classificação binária para identificar a ocorrência ou não de queimadas, a partir de dados do satélite Landsat-8 e índices espectrais associados à detecção de áreas queimadas. Ao comparar os resultados dos dois métodos, busca-se identificar aquele com melhor desempenho na detecção de áreas de alto risco, possibilitando a aplicação de medidas preventivas oportunas, mitigando potenciais danos ambientais e contribuindo para a conservação da biodiversidade.
publishDate 2025
dc.date.none.fl_str_mv 2025-11-03
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 https://teses.usp.br/teses/disponiveis/3/3152/tde-09042026-152014/
url https://teses.usp.br/teses/disponiveis/3/3152/tde-09042026-152014/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1865492440340758528

Registros relacionados