[en] MULTISTEP FORECAST AMAZON DEFORESTATION USING REGRESSION AND RECURRENT NEURAL NETWORK APPROACHES

[pt] PREVISÃO MULTI-ETAPAS DO DESMATAMENTO NA AMAZÔNIA UTILIZANDO ABORDAGENS DE REGRESSÃO E REDES NEURAIS RECORRENTES

[pt] VINICIUS OLIVEIRA DA COSTA

[pt] DESMATAMENTO

[pt] PREVISAO DE VARIOS PASSOS

[pt] APRENDIZADO DE MAQUINA

[en] DEFORESTATION

[en] MULTISTEP PREDICTION

[en] MACHINE LEARNING

[pt] A floresta Amazônica, o maior bioma tropical do mundo, desempenha um papel essencial tanto na sociedade quanto no equilíbrio ambiental global. Através de sua vasta biodiversidade e capacidade de armazenamento de carbono, ela também apoia culturas locais e fornece recursos para o desenvolvimento sustentável. A previsão de desmatamento ocupa uma função significativa principalmente no monitoramento, controle e planejamento da conservação. A capacidade de prever onde e quando o desmatamento ocorrerá permite que autoridades e organizações tomem medidas preventivas mais eficazes, alocando recursos de maneira mais estratégica e desenvolvendo políticas que possam mitigar impactos negativos. Portanto, o estudo de métodos para prever o desmatamento tem sido cada vez mais desenvolvido nos últimos anos. Este trabalho visa aplicar métodos de aprendizado de máquina supervisionado e métodos estatísticos, como autorregressão, LightGBM e rede neural Long Short Term Memory (LSTM) para prever o desmatamento de múltiplos passos na Amazônia Legal brasileira, utilizando observações passadas de desmatamento e variáveis climáticas da região. A partir das pesquisas realizadas resultados mais eficientes foram apresentados nos modelos que utilizaram autorregressão. Além disso, o estudo mostrou bons resultados para classificar e prever pontos de anomalias da série, caracterizados por seus altos valores de desmatamento, assim como os padrões gerais da série. Os estados do Pará e Mato Grosso e o município de Apiacás apresentaram melhores resultados relacionados a classificação de pontos de pico, mostrando F1-Score médio para os passos previstos de 83%, 90% e 85%, respectivamente. Ao aprimorar as estratégias de monitoramento e controle do desmatamento, este estudo tem o potencial de impactar positivamente políticas públicas, promovendo um equilíbrio entre desenvolvimento econômico, preservação ambiental e regulação climática.

[en] The Amazon rainforest, the largest tropical biome in the world, plays an essential role in both society and global environmental balance. Through its vast biodiversity and carbon storage capacity, it also supports local cultures and provides resources for sustainable development. Deforestation prediction occupies a significant role mainly in monitoring, control, and conservation planning. The ability to predict where and when deforestation will occur allows authorities and organizations to take more effective preventive measures, allocate resources more strategically and develop policies that can mitigate negative impacts.Therefore, the study of methods to predict deforestation has been increasingly developed in recent years. This work aims to apply supervised machine learning methods and statistical methods, such as autoregression, LightGBM, and Long Short Term Memory (LSTM) neural network to predict multi-step deforestation in the Brazilian Legal Amazon, using past observations of deforestation and climatic variables from the region. The research carried out showed that the most efficient results were presented in models that used autoregression. Furthermore, the study showed good results for classifying and pre-pointing anomalies in the series, characterized by their high deforestation values, as well as the general patterns of the series. The states of Pará and Mato Grosso and the municipality of Apiacás presented better results related to the classification of peak points, showing an average F1-Score for the predicted steps of 83%, 90%, and 85%, respectively. By enhancing strategies for monitoring and controlling deforestation, this study has the potential to positively impact public policies, promoting a balance between economic development and environmental preservation and climate regulation.

SINESIO PESCO

ANGELICA NARDO CASERI

SINESIO PESCO

HELIO CORTES VIEIRA LOPES

ABELARDO BORGES BARRETO JR

ANGELICA NARDO CASERI

LEONARDO BACELAR LIMA SANTOS

2025-05-02

2024-09-27

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70203@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70203@2

https://doi.org/10.17771/PUCRio.acad.70203