Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40420| Título: | Previsão de incêndios no centro-oeste brasileiro com modelos de aprendizado de máquina |
| Título(s) alternativo(s): | Wildfire prediction in the Brazilian Midwest using machine learning models |
| Autor(es): | Rampaso, Marcos Bezner |
| Orientador(es): | Foleis, Juliano Henrique |
| Palavras-chave: | Incêndios florestais - Previsão Aprendizado do computador Algorítmos computacionais Percepção de padrões Forest fire forecasting Machine learning Computer algorithms Pattern perception |
| Data do documento: | 14-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Campo Mourao |
| Citação: | RAMPASO, Marcos Bezner. Previsão de incêndios no centro-oeste brasileiro com modelos de aprendizado de máquina. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Universidade Tecnológica Federal do Paraná, Campo Mourão, 2025. |
| Resumo: | Este trabalho investiga a aplicação de algoritmos de aprendizagem de máquina para a previsão de incêndios florestais, visando aprimorar a detecção precoce e a mitigação de danos ambientais na região Centro-Oeste do Brasil. A pesquisa integra três bases de dados complementares: o Firewatch (2024), que reúne informações sobre cidades afetadas e dados de radiação de fogo Potência Radiativa do Fogo, do inglês Fire Radiative Power (FRP); o Climate Weather (1986–2017), que fornece variáveis climáticas históricas relevantes; e um conjunto de indicadores socioeconômicos, que permitem compreender o contexto humano das áreas vulneráveis. A integração desses conjuntos de dados possibilita a construção de modelos de aprendizado de máquina voltados à previsão da ocorrência e intensidade de incêndios florestais. O uso combinado de fatores climáticos, de radiação e socioeconômicos tem como objetivo elevar a precisão das previsões e oferecer subsídios técnicos para políticas de prevenção e combate. O modelo de Máquina de Vetores de Suporte, do inglês Support Vector Machine (SVM) foi treinado utilizando codificação one-hot, incorporando também variáveis meteorológicas, e alcançou F1-score entre 98% e 99%. Os resultados indicam que a utilização de modelos de SVM integrando múltiplas fontes de dados pode constituir uma ferramenta eficaz para o monitoramento ambiental e a tomada de decisão estratégica na gestão de incêndios florestais, contribuindo para a proteção de ecossistemas e comunidades em risco. |
| Abstract: | This study investigates the application of Support Vector Machine (SVM) algorithms for forest fire prediction, aiming to improve early detection and reduce environmental damage in the Central-West region of Brazil. The research integrates three complementary datasets: Firewatch (2024), which contains information on affected cities and Fire Radiative Power (FRP); Climate Weather (1986–2017), which provides historical climatic variables; and a set of socioeconomic indicators that describe the human context of vulnerable areas. The integration of these datasets enables the development of machine learning models focused on predicting the occurrence and intensity of forest fires. The combined use of climatic, radiative, and socioeconomic factors aims to increase prediction accuracy and provide technical support for prevention and control policies. The SVM model was trained using one-hot encoding, also incorporating meteorological variables, and achieved an F1-score between 98% and 99%. The results indicate that SVM models integrating multiple data sources can serve as a useful tool for environmental monitoring and decision-making in forest fire management, contributing to the protection of ecosystems and at-risk communities. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40420 |
| Aparece nas coleções: | CM - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| previsaoincendiosaprendizadomaquina.pdf | 674,82 kB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
