Uso de técnicas de estatística e redes neurais para previsão de incêndio em áreas florestais

Abstract

Este trabalho busca introduzir modelos computacionais, como Redes Neurais Aritificais (RNAs), na tarefa de prever incêndios em regiões secas, como a do Parque Nacional de Montesinho, Portugal. Aliado a isso, são utilizadas métodos estatísticos, como análise exploratória de dados, para reduzir a dimensão de entrada dos modelos e, assim, encontrar as mais relevantes variáveis de entrada para o modelo. O banco de dados utilizado neste trabalho consiste de 13 variáveis, sendo área queimada a variável resposta. Tratamos o banco de dados de três maneiras diferentes: utilizando o banco normalmente, retirando os zeros da variável resposta e tratando a variável resposta como binária. Foram testados três modelos: Regressão Linear e Logarítmica, Máquina de Vetor de Suporte (SVM em inglês) e Rede Neural de Função de Base Radial (RBF em inglês). Foram abordadas três propostas diferentes de variáveis de entrada para os modelos: todas as variáveis de entrada possíveis, apenas as selecionadas pelo algoritmo Stepwise Backward e apenas as variáveis indicadoras dos trimestres. Dentre estas três propostas, a que leva apenas as variáveis selecionadas pelo algoritmo Stepwise Backward se saiu melhor. Todos os modelos atingiram níveis satisfatórios de precisão, com o modelo RBF mostrando alguns problemas ao tratar com o banco sem os zeros. No geral, o modelo SVM com as variáveis selecionadas pelo algoritmo Stepwise Backward apresentou os melhores resultados. Foi possível obter resultados semelhantes, senão melhores, aos alcançados por Cortez e Morais (2007) "A Data Mining Approach to Predict Forest Fires using Meteorological Data", tese de PhD, Departamento de Sistema de Informações, Universidade de Minho, Guimarães, Portugal.

This work aims to introduce computational models, such as Aritifical Neural Networks (ANNs), in the task of predicting fires in dry regions, such as Montesinho National Park, Portugal. Allied to this, statistical methods, such as exploratory data analysis, are used to reduce the input dimension of the models and, thus, to find the most relevant input variables for the model. The database used in this work consists of 13 variables, with burned area as the response variable. We use three different approaches to treat the database: using the complete database, by removing all zeros from the response variable and by treating the response variable as binary. Three models were tested for each approach: Linear and Logistic Regression, Support Vector Machine (SVM) and Radial Base Function Network (RBF). Three different approaches of input variables for models were addressed: all the possible input variables, only the variables selected by the Stepwise Backward algorithm and only the dummy variables of the quarters. Of these three proposals, the one that takes only the variables selected by the algorithm Stepwise Backward performed better. All models reached satisfactory levels of accuracy, with the RBF model showing some problems when dealing with the database without the zeros. In general, the SVM model with the variables selected by the Stepwise Backward algorithm presented the best results. It was possible to obtain results similar, if not better, to those obtained by Cortez and Morais (2007) "A Data Mining Approach to Predict Forest Fires using Meteorological Data", PhD thesis, Department of Information Systems, University of Minho, Guimarães, Portugal.