Análise dos atropelamentos de mamíferos em uma rodovia no estado de São Paulo utilizando Self-Organizing Maps.

• Ano de defesa: 2018
• Autor(a) principal: Tsuda, Larissa Sayuri
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Geographic Information Systems; Geoprocessamento; Geoprocessing; GIS; K Function; KDE; Kernel Density Estimator; Machine learning; Mapas auto-organizáveis; Neural networks; Redes neurais; Road ecology; Road safety; Segurança rodoviária; Self-Organizing Maps; Sistema de informação geográfica; SOM; Wildlife-vehicle collisions
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/3/3138/tde-21092018-134154/

A construção e ampliação de rodovias gera impactos significativos ao meio ambiente. Os principais impactos ao meio biótico são a supressão de vegetação, redução da riqueza e abundância de espécies de fauna como decorrência da fragmentação de habitats e aumento dos riscos de atropelamento de animais silvestres e domésticos. O objetivo geral do trabalho foi identificar padrões espaciais nos atropelamentos de fauna silvestre por espécie (nome popular) utilizando ferramentas de análise espacial e machine learning. Especificamente, buscou-se compreender a relação entre atropelamentos de animais silvestres e variáveis que representam características de uso e cobertura do solo e caracterização da rodovia, tais como formação florestal, corpos d\'água, silvicultura, áreas edificadas, velocidade máxima permitida, volume de tráfego, entre outras. Os atropelamentos de fauna silvestre foram analisados por espécie atropelada, a fim de identificar os padrões espaciais dos atropelamentos específicos para cada espécie. As ferramentas de análise espacial empregadas foram a Função K - para determinar o padrão de distribuição dos registros de atropelamento de fauna, o Estimador de Densidade de Kernel - para gerar estimativas de densidade de pontos sobre a rodovia, a Análise de Hotspots - para identificar os trechos mais críticos de atropelamento de fauna e, por fim, o Self-Organizing Maps (SOM), um tipo de rede neural artificial, que reorganiza amostras de dados n-dimensionais de acordo com a similaridade entre elas. Os resultados das análises de padrões pontuais foram importantes para entender que os pontos de atropelamento possuem padrões de distribuição espacial que variam por espécie. Os eventos ocorrem espacialmente agrupados e não estão homogeneamente distribuídos ao longo da rodovia. De maneira geral, os animais apresentam trechos de maior intensidade de atropelamento em locais distintos. O SOM permitiu analisar as relações entre múltiplas variáveis, lineares e não-lineares, tais como são os dados ecológicos, e encontrar padrões espaciais distintos por espécie. A maior parte dos animais foi atropelada próxima de fragmentos florestais e de corpos d\'água, e distante de cultivo de cana-de-açúcar, silvicultura e área edificada. Porém, uma parte considerável das mortes de animais dos tipos com maior número de atropelamentos ocorreu em áreas com paisagem diversificada, incluindo alta densidade de drenagem, fragmentos florestais, silvicultura e áreas edificadas.