| 1. Identificação | ||||||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | |||||||||
| Site | mtc-m21d.sid.inpe.br | |||||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||||||||
| Identificador | 8JMKD3MGP3W34T/47DMC92 | |||||||||
| Repositório | sid.inpe.br/mtc-m21d/2022/08.09.12.27 | |||||||||
| Última Atualização | 2022:11.28.18.46.58 (UTC) simone | |||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21d/2022/08.09.12.28 | |||||||||
| Última Atualização dos Metadados | 2022:11.30.19.47.26 (UTC) administrator | |||||||||
| Chave Secundária | INPE-18632-TDI/3268 | |||||||||
| Chave de Citação | Pletsch:2022:MaLeAl | |||||||||
| Título | Near real-time fire detection and monitoring: a machine learning algorithm development for MATOPIBA region, Brazil  | |||||||||
| Título Alternativo | Detecção e monitoramento de fogos ativos quase em tempo real: desenvolvimento de um algoritmo de machine learning para a região do MATOPIBA, Brasil | |||||||||
| Curso | SER-SRE-DIPGR-INPE-MCTI-GOV-BR | |||||||||
| Ano | 2022 | |||||||||
| Data | 2022-08-15 | |||||||||
| Data de Acesso | 28 abr. 2024 | |||||||||
| Tipo da Tese | Tese (Doutorado em Sensoriamento Remoto) | |||||||||
| Tipo Secundário | TDI | |||||||||
| Número de Páginas | 111 | |||||||||
| Número de Arquivos | 1 | |||||||||
| Tamanho | 10043 KiB | |||||||||
| 2. Contextualização | ||||||||||
| Autor | Pletsch, Mikhaela Aloísia Jéssie Santos | |||||||||
| Banca | Anderson, Liana Oighenstein (presidente) Körting, Thales Sehn (orientador) Aragão, Luiz Eduardo Oliveira e Cruz de (orientador) Setzer, Alberto Waingort Piccoli, Michelle Cristina Araujo Wagner, Fabien Hubert | |||||||||
| Endereço de e-Mail | mkmapa@gmail.com | |||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | |||||||||
| Cidade | São José dos Campos | |||||||||
| Histórico (UTC) | 2022-08-09 12:29:18 :: mikhaela.pletsch@inpe.br -> administrator :: 2022-08-09 17:10:44 :: administrator -> pubtc@inpe.br :: 2022-08-09 17:11:06 :: pubtc@inpe.br -> mikhaela.pletsch@inpe.br :: 2022-10-30 18:25:01 :: mikhaela.pletsch@inpe.br -> administrator :: 2022-10-31 16:16:21 :: administrator -> pubtc@inpe.br :: 2022-10-31 16:17:00 :: pubtc@inpe.br -> mikhaela.pletsch@inpe.br :: 2022-11-04 11:06:32 :: mikhaela.pletsch@inpe.br -> administrator :: 2022-11-04 17:25:54 :: administrator -> pubtc@inpe.br :: 2022-11-28 20:26:56 :: pubtc@inpe.br -> simone :: 2022-11-28 20:27:43 :: simone :: -> 2022 2022-11-28 20:27:43 :: simone -> administrator :: 2022 2022-11-30 19:47:26 :: administrator -> :: 2022 | |||||||||
| 3. Conteúdo e estrutura | ||||||||||
| É a matriz ou uma cópia? | é a matriz | |||||||||
| Estágio do Conteúdo | concluido | |||||||||
| Transferível | 1 | |||||||||
| Palavras-Chave | active fires wildfires time series analysis machine learning geotechnologies fogo ativo incêndios análise de séries temporais machine learning geotecnologias | |||||||||
| Resumo | MATOPIBA is an agricultural frontier, located mainly in Cerrado. MATOPIBA is an acronym for its location over: Maranhão, Tocantins, Piauí and Bahia states. In this region, fires are essential for its biodiversity maintenance. However, the increase in its recurrence and intensity, as well as accidental fires can lead to socioeconomic and environmental losses. Due to this dual relationship with fire, near real-time fire management is required throughout the region. In this context, we developed, to the best of our knowledge, the first Machine Learning algorithm based on time series obtained from GOES-16 ABI, an optical sensor able to detect and monitor Active Fires in near real-time in MATOPIBA. ABI is onboard GOES-16, and it presents 16 spectral bands, with a nominal spatial resolution of 2 km at nadir, and a full disk image every 10 minutes over Americas. To do so, we analyzed the best combination of three Machine Learning algorithms and how long it takes to consider a historical time series able to support accurate active fire predictions. We used the most accurate combination for the final model development. The results show that the final model ensures an overall accuracy rate of approximately 80%. The final model potential is remarkable not only for single detections but also for a consecutive sequence of positive predictions. Roughly, the final model achieves an accuracy rate peak after around 20 h of consecutive active fire detections, but there is an important trade-off between the accuracy and the time required to assemble more fire indications, which can be decisive for firefighters in real life. RESUMO: MATOPIBA é uma fronteira agrícola, localizada principalmente no Cerrado. A área se chama MATOPIBA por ser um acrônimo da sua localização ao longo dos estados do Maranhão, Tocantins, Piauí e Bahia. Nessa região, as queimadas são essenciais para a manutenção da biodiversidade. No entanto, o aumento de sua recorrência e intensidade, bem como incêndios acidentais podem acarretar prejuízos socioeconômicos e ambientais. Devido à essa relação dupla com o fogo, o manejo do fogo quase em tempo real é necessário em toda a região. Neste contexto, desenvolvemos, até onde sabemos, o primeiro algoritmo de Machine Learning baseado em séries temporais obtidas a partir do GOES-16 ABI, um sensor óptico capaz de detectar e monitorar Fogos Ativos quase em tempo real no MATOPIBA. ABI está a bordo do GOES-16, e apresenta 16 bandas espectrais, com resolução espacial nominal de 2 km no nadir, e uma imagem completa a cada 10 minutos sobre as Américas. Para isso, analisamos a melhor combinação de três algoritmos de Machine Learning e quanto tempo leva para considerar uma série temporal histórica capaz de suportar previsões precisas de fogos ativos. Usamos a combinação mais precisa para o desenvolvimento do modelo final. Os resultados mostram que o modelo final garante uma taxa de acerto geral de aproximadamente 80%. O potencial do modelo final é notável não apenas para detecções simples, mas também para uma sequência consecutiva de previsões positivas. A grosso modo, o modelo final atinge um pico de taxa de precisão após cerca de 20 horas de detecções consecutivas de fogos ativos, mas há um importante trade-off entre a precisão e o tempo necessário para reunir mais indicações de fogos, o que pode ser decisivo para os bombeiros na vida real. | |||||||||
| Área | SRE | |||||||||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Near real-time fire... | |||||||||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Near real-time fire... | |||||||||
| Conteúdo da Pasta doc | acessar | |||||||||
| Conteúdo da Pasta source |
| |||||||||
| Conteúdo da Pasta agreement |
| |||||||||
| 4. Condições de acesso e uso | ||||||||||
| URL dos dados | http://mtc-m21d.sid.inpe.br/ibi/8JMKD3MGP3W34T/47DMC92 | |||||||||
| URL dos dados zipados | http://mtc-m21d.sid.inpe.br/zip/8JMKD3MGP3W34T/47DMC92 | |||||||||
| Idioma | en | |||||||||
| Arquivo Alvo | publicacao.pdf | |||||||||
| Grupo de Usuários | mikhaela.pletsch@inpe.br simone | |||||||||
| Visibilidade | shown | |||||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.20.35 | |||||||||
| Permissão de Leitura | allow from all | |||||||||
| Permissão de Atualização | não transferida | |||||||||
| 5. Fontes relacionadas | ||||||||||
| Repositório Espelho | urlib.net/www/2021/06.04.03.40.25 | |||||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F3NU5S 8JMKD3MGPCW/46KUATE | |||||||||
| Acervo Hospedeiro | urlib.net/www/2021/06.04.03.40 | |||||||||
| 6. Notas | ||||||||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||||||||