@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/ibi/8JMKD3MGP3W34R/42J382B",
targetfile = "publicacao_FA provisoria.pdf",
urlaccessdate = "19 abr. 2024"
}