USO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA A PREDIÇÃO DE OCORRÊNCIAS DE INCÊNDIOS EM VEGETAÇÃO
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
As mudanças climáticas ocorridas nas últimas décadas, implicaram em alterações dos períodos chuvosos e de estiagem, que são os principais fatores levados em consideração para o planejamento de órgãos públicos, como o Corpo de Bombeiros Militar de Minas Gerais (CBMMG), no enfrentamento dos incêndios em vegetação. Com o avanço das ferramentas computacionais e a disponibilidade de dados correlativos a ocorrências de incêndios em vegetação, como dados climáticos, algumas técnicas de Inteligência Artificial se tornaram viáveis para predições desse tipo de ocorrência. Neste sentido, esta pesquisa propõe desenvolver uma ferramenta baseada em Redes Neurais Recorrentes (RNN) – Long Short Term Memory (LSTM), que utiliza dados históricos de atendimentos de ocorrências de incêndios em vegetação e de variáveis meteorológicas para a predição destes eventos. A ferramenta desenvolvida apresentou boa acurácia na predição dos períodos mais propensos à ocorrência desses incêndios, podendo ser utilizada pelo comando do CBMMG como fonte de assessoramento.
Detalhes do artigo
Edição
Seção
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Como Citar
Referências
AMARAL, R. P. F. Aplicação de métodos computacionais a dados vibracionais para detecção de alterações estruturais. 2017. Dissertação (Mestrado em Modelagem Computacional) – Universidade Federal de Juiz de Fora, Juiz de Fora, 2017.
ANOCHI, J. A.; CAMPOS VELHO, H. F. de. Optimization of feedforward neural network by Multiple Particle Collision Algorithm. 2014. IEEE Symposium on Foundations of Computational Intelligence (FOCI), 2014, pp. 128-134. DOI: 10.1109/FOCI.2014.7007817.
BASTOS, M. V. C. Utilização de otimização evolucionária multiobjetivo no treinamento de redes neurais artificiais para a predição de tendência em séries financeiras. 2018. Monografia (Graduação em Engenharia de Sistemas) - Escola de Engenharia, Universidade Federal de Minas Gerais, Belo Horizonte, 2018.
FERNANDES, L. C. Modelagem de risco de incêndios florestais utilizando redes neurais artificiais aplicada às regiões metropolitanas. 2019. Dissertação (mestrado em Análise e Modelagem de Sistemas Ambientais) - Universidade Federal de Minas Gerais: Belo Horizonte, 2019.
FERNANDES, L. C.; ELMIRO, M. A. T.; NERO, M. A.; TEMBA, P. C. The use of remote sensing techniques by Modis (MCD45A1) images using to identify and evaluate burned areas in the metropolitan region of Belo Horizonte - MG, Brazil. Sustentabilidade em debate, v. 11, 2020.
FERNANDES, L. C.; FERNANDES, R. S. C.; NERO, M. A.; TEMBA, P. C. Fire Risk Modeling Using Artificial Neural Networks. In: Rodrigues, H. C.; et al. (Org.). EngOpt 2018 Proceedings of the 6th International Conference on Engineering Optimization. 1 ed. Cham, Switzerland: Springer Nature Switzerland AG, v. 1, 2018a.
FERNANDES, L. C.; NERO, M. A.; TEMBA, P. C.; SOARES FILHO, B. S. Modelagem de risco de incêndios florestais: uma visão geral. SODEBRÁS, v. 13, 2018b.
FIGUEIREDO FILHO, D. B.; SILVA JÚNIOR, J. A. Desvendando os mistérios do Coeficiente de Correlação de Pearson (r). Revista Política Hoje, v. 18, n. 1, 2016.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. [S.l.]: MIT Press, 2016.
HAYKIN, S. Neural networks and learning machines. 3 ed. [S.l.]: Prentice Hall/Pearson, 2009.
HOCHREITER, S.; SCHMIDHUBER, J. Long Short-term Memory. Neural Computation, v. 9, n. 8, 1997. DOI:10.1162/neco.1997.9.8.1735.
JANG, J.-S. R.; SUN, C.-T.; MIZUTANI, E. Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. [S.l.]: Prentice Hall, 1997.
KURBIEL, T.; KHALEGHIAN, S. Training of deep neural networks based on distance measures using RMSProp. CoRR, abs/1708.01911, 2017.
LINNAINMAA, S. Taylor expansion of the accumulated rounding error. BIT Numerical Mathematics, v. 16, 1976. DOI: 10.1007/BF01931367.
MANDIC, D. P.; CHAMBERS, J. A. Recurrent Neural Networks for Prediction: Learning algorithms, architetures, and stability. London: John Wiley & Sons Ltd, 2001.
MINAS GERAIS. Corpo de Bombeiros Militar de Minas Gerais. Memorando n. 3149 - EMBM: 4º esforço. Belo Horizonte, 2018a.
MINAS GERAIS. Corpo de Bombeiros Militar de Minas Gerais. Memorando n. 3153 - EMBM: Período Sazonal. Belo Horizonte, 2018b.
MINAS GERAIS. Corpo de Bombeiros Militar de Minas Gerais. Memorando n. 3143 - EMBM: Atuação em ocorrências de combate a incêndios florestais nas imediações da CAMG durante o Período de Estiagem 2017 e orientações 4º esforço. Belo Horizonte, 2017.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. São Paulo: ABE - Projeto Fisher e Editora Edgard Blucher, 2004.
REBOITA, M. S.; MARRAFON, V. H. A.; LLOPART, M.; ROCHA, R.P. Cenários de mudanças climáticas projetados para o estado de Minas Gerais. Revista Brasileira de Climatologia, 2018. DOI: 10.5380/abclima.v1i0.60524.
SAFI, Y.; BOUROMI, A. Prediction of Forest Fires Using Artificial Neural Networks. Applied Mathematical Sciences, v. 7, n. 6, 2013.
SATIR, O.; BERBEROGLU, S.; DONMEZ, C. Mapping regional forest fire probability using artificial neural network model in a Mediterranean forest ecosystem. Geomatics, Natural Hazards and Risk, v. 7, n. 5, 2016. DOI: 10.1080/19475705.2015.1084541
SILVA, J. T. F. Um Modelo Computacional de Redes Neurais para Localização de Faltas em Redes de Distribuição. 2019. Monografia (Graduação em Engenharia de Controle e Automação) - Escola de Engenharia, Universidade Federal de Minas Gerais, Belo Horizonte, 2019.
STORER, J.; GREEN, R. PSO Trained Neural Networks for Predicting Forest Fire Size: A Comparison of Implementation and Performance. In: International Joint Conference on Neural Networks (IJCNN), 2016. Anais [...] IEEE: Vancouver, 2016. DOI: 10.1109/ijcnn.2016.7727265.
TORRES, F. T. P. Relações entre fatores climáticos e ocorrências de incêndios florestais na cidade de Juiz de Fora(MG). Caminhos de Geografia - revista online, v. 18, n. 7, 2016.
VIGANO, H. H. G. et al. Redes Neurais Artificiais na Previsão de Queimadas e Incêndios no Pantanal. Revista Brasileira de Geografia Física, v. 10, n. 5, 2017. DOI: 10.26848/rbgf.v.10.p1355-1367.
VIGANO, H. H. G. Redes Neurais Artificiais e Análise Multivariada de Séries Temporais para a Modelagem da Previsão de Queimadas e Incêndios no Pantanal. 2017. Tese (Doutorado em Meio Ambiente e Desenvolvimento Regional) - Universidade Anhanguera-Uniderp: Campo Grande, 2017.
WERBOS, P. J. Backpropagation through time: What it does and how to do it. Proceedings of the IEEE, v. 78, n. 10, 1990. DOI: 10.1109/5.58337.