Fechar
Metadados

@PhDThesis{Silva:2020:CaStBr,
               author = "Silva, Alexsandro C{\^a}ndido de Oliveira",
                title = "A spatio-temporal Bayesian Network model: a case study in 
                         brazilian Amazon deforestation prediction",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2020",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2020-05-04",
             keywords = "Bayesian Networks, spatio-temporal Bayesian Networks, 
                         spatio-temporal mdeling, land-use and land-cover changes, 
                         deforestation, Redes Bayesianas, Redes Bayesianas 
                         espa{\c{c}}o-temporais, modelagem espa{\c{c}}o-temporal, 
                         mudan{\c{c}}as do uso e cobertura da terra, desmatamento.",
             abstract = "The key tool for dealing with probabilities in AI is the Bayesian 
                         Network (BN). A BN provides a coherent framework for representing 
                         and reasoning under uncertainties, which are estimated based on 
                         probability theory. However, BNs present some limitations as they 
                         do not explicitly model spatial and temporal relationships between 
                         variables. Some extensions of BNs have been used to overcome those 
                         BNs weaknesses, such as the Spatial BN that integrates GIS and BN 
                         and confers to the BN a spatially explicitly strategy, and the 
                         Dynamic BN that extends the concept of BNs by relating variables 
                         across time. BN approaches have already been proposed to predict 
                         LULCC such as deforestation processes. However, deforestation has 
                         been considered as a static process when modeled by BNs. In this 
                         context, the main goal of this work is to build Spatio-Temporal BN 
                         (STBN) models to incorporate both spatial and temporal information 
                         in the deforestation risk prediction. For this, we also 
                         implemented a package for the R programming language, which 
                         enables the development of STBN-based LULCC models for other earth 
                         observation applications besides the deforestation process. The 
                         STBN models proposed in this thesis are used as a LULCC model for 
                         predicting deforestation risk in three priority areas of the 
                         Brazilian Legal Amazon: (i) in the southwest of Amazonas State; 
                         (ii) in the northwesters of Mato Grosso State; and (iii) 
                         surrounding the BR-163 highway in the southwest of Par{\'a} 
                         State. Among the variables selected to compose the STBN models, 
                         the distance from hotspots fires variable stood out as one of the 
                         most important for deforestation risk prediction, while protected 
                         areas variable was important as a deforestation risk mitigator. 
                         The proposed STBN models presented a strong performance with a 
                         great agreement between deforestation events and predictions over 
                         the years. STBN models results also showed that there was an 
                         increase in uncertainty in predictions over time, indicating that 
                         more long-term the prediction is, the less accurate it will be. 
                         With this, we can state that STBN-based LULCC models are 
                         recommended for short-term prediction of deforestation risk. 
                         RESUMO: A principal ferramenta para lidar com probabilidades na IA 
                         {\'e} a Rede Bayesiana (RB). Uma RB fornece uma estrutura 
                         coerente para representar e raciocinar sob incertezas, as quais 
                         s{\~a}o estimadas com base na teoria da probabilidade. No 
                         entanto, os RBs apresentam algumas limita{\c{c}}{\~o}es uma vez 
                         que n{\~a}o modelam explicitamente as rela{\c{c}}{\~o}es 
                         espaciais e temporais entre as vari{\'a}veis. Algumas 
                         varia{\c{c}}{\~o}es das RBs t{\^e}m sido utilizadas para 
                         superar tais fraqueza, como a RB espacial que integra GIS e RB e 
                         confere {\`a} RB uma estrat{\'e}gia espacialmente 
                         expl{\'{\i}}cita, al{\'e}m da RB din{\^a}mica que estende o 
                         conceito de RBs, relacionando suas vari{\'a}veis ao longo do 
                         tempo. Algumas abordagens de RB j{\'a} foram propostas para 
                         prever as mudan{\c{c}}as de uso e cobertura da terra (LULCC), 
                         como processos de desmatamento. No entanto, o desmatamento tem 
                         sido considerado como um processo est{\'a}tico quando modelado 
                         por RBs. Nesse contexto, o principal objetivo deste trabalho 
                         {\'e} construir modelos de RBs espa{\c{c}}o-temporais (STBN) 
                         para incorporar informa{\c{c}}{\~o}es espaciais e temporais na 
                         previs{\~a}o de risco de desmatamento. Para isso, tamb{\'e}m foi 
                         implementado um pacote para a linguagem de programa{\c{c}}{\~a}o 
                         R, que permite o desenvolvimento de modelos LULCC baseados em STBN 
                         para outras aplica{\c{c}}{\~o}es de observa{\c{c}}{\~a}o da 
                         terra al{\'e}m do desmatamento. Os modelos STBN propostos nesta 
                         tese s{\~a}o utilizados como modelo LULCC para prever o risco de 
                         desmatamento em tr{\^e}s {\'a}reas priorit{\'a}rias da 
                         Amaz{\^o}nia Legal Brasileira: (i) no sudoeste do estado do 
                         Amazonas; (ii) no noroeste do estado de Mato Grosso; e (iii) ao 
                         redor da rodovia BR-163, no sudoeste do estado do Par{\'a}. Entre 
                         as vari{\'a}veis selecionadas para compor os modelos STBN, a 
                         vari{\'a}vel dist{\^a}ncia dos focos de inc{\^e}ndio se 
                         destacou como uma das mais importantes na previs{\~a}o de risco 
                         de desmatamento, enquanto a vari{\'a}vel {\'a}reas protegidas 
                         foi importante como mitigadora de risco de desmatamento. Os 
                         modelos STBN propostos apresentaram um {\'o}timo desempenho com 
                         uma grande concord{\^a}ncia entre eventos e previs{\~o}es de 
                         desmatamento ao longo dos anos. Os resultados dos modelos STBN 
                         tamb{\'e}m mostraram que houve um aumento na incerteza nas 
                         previs{\~o}es ao longo do tempo, indicando que, quanto mais longa 
                         for a previs{\~a}o, menos precisa ela ser{\'a}. Com isso, 
                         pode-se afirmar que os modelos LULCC baseados no STBN s{\~a}o 
                         recomendados para a previs{\~a}o a curto prazo do risco de 
                         desmatamento.",
            committee = "K{\"o}rting, Thales Sehn (presidente) and Fonseca, Leila Maria 
                         Garcia (orientadora) and Sant'Anna, Sidnei Jo{\~a}o Siqueira and 
                         Carvalho, Solon Ven{\^a}ncio de and Franc{\^e}s, Carlos Renato 
                         Lisboa and Feitosa, Raul Queiroz",
         englishtitle = "Um modelo de Rede Bayesiana espa{\c{c}}o-temporal: um estudo de 
                         caso na predi{\c{c}}{\~a}o do desmatamento da Amaz{\^o}nia 
                         brasileira",
             language = "en",
                pages = "98",
                  ibi = "8JMKD3MGP3W34R/42J382B",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/42J382B",
           targetfile = "publicacao_FA provisoria.pdf",
        urlaccessdate = "26 fev. 2021"
}


Fechar