Previsão de incêndios via Modelos de Vetores de Suporte : uma aplicação para Porto Velho - RO

Abstract

Resumo: Desde 2020 o Brasil tem registrado recordes em incêndios florestais, a Região Norte possui 80% de seu território formado pela Floresta Amazônica e é uma das mais afetadas por esses incêndios. Os impactos que temos devido a esses incêndios, é visto desde o aumento de casos de doenças respiratórias causadas pela fumaça até a alteração de ciclos de chuvas, visto que a Amazônia ajuda na regulação das chuvas que impactam todo o planeta. Por isso, usar mecanismos como aprendizado de máquina que permitam a previsão de novos focos de incêndio são cada vez mais necessários para auxiliar os órgãos responsáveis a atuarem nesses locais de forma preventiva. Neste estudo, optamos por focar na previsão de incêndios para o município de Porto Velho, capital de Rondônia.O objetivo é aplicar o modelo de Vetores de Suporte para regressão em séries temporais usando o método SVR-Mediana, assim como a comparação com o uso de Vetores de Suporte para Regressão sem nenhuma modificação. Através do uso do SVR-Mediana foi possível obter medidas de performance preditiva mais satisfatórias, com o MASE de 0,11 e um RMSSE de 0,15.

Abstract: Since 2020 Brazil has recorded records of forest fires, the North Region, which has 80% of its territory formed by the Amazon Forest, is one of the most affected by these fires. The impacts we have due to these fires are seen from the increase in cases of respiratory diseases caused by smoke from fire to the change in rainfall cycles, as the Amazon helps in regulating the rains that impact everyone. Therefore, using mechanisms such as machine learning that allow the prediction of new fire outbreaks is increasingly necessary to support the responsible agencies to act in these places in a preventive way. In this study, we chose to focus on the prediction of fires for the municipality of Porto Velho, the capital of Rondônia, and the objective will be to apply the Support Vector model for regression in time series using the SVR-Median method, as well as the comparison with the use of Support Vectors for Regression without any modification. Using the SVR-Median, it was possible to obtain more satisfactory predictive performance measures, with a MASE of 0.11 and an RMSSE of 0.15.