Fechar
Metadados

Área de identificação
Tipo de ReferênciaThesis
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/42J382B
Repositóriosid.inpe.br/mtc-m21c/2020/05.27.18.15
Última Atualização2021:01.14.18.11.40 simone
Metadadossid.inpe.br/mtc-m21c/2020/05.27.18.15.09
Última Atualização dos Metadados2021:01.17.12.59.59 administrator
Chave SecundáriaINPE- 18326-TDI/3000
Chave de CitaçãoSilva:2020:CaStBr
TítuloA spatio-temporal Bayesian Network model: a case study in brazilian Amazon deforestation prediction
Título AlternativoUm modelo de Rede Bayesiana espaço-temporal: um estudo de caso na predição do desmatamento da Amazônia brasileira
CursoCAP-COMP-SESPG-INPE-MCTIC-GOV-BR
Ano2020
Data2020-05-04
Data de Acesso13 abr. 2021
Tipo da TeseTese (Doutorado em Computação Aplicada)
Número de Páginas98
Número de Arquivos1
Tamanho7108 KiB
Área de contextualização
AutorSilva, Alexsandro Cândido de Oliveira
BancaKörting, Thales Sehn (presidente)
Fonseca, Leila Maria Garcia (orientadora)
Sant'Anna, Sidnei João Siqueira
Carvalho, Solon Venâncio de
Francês, Carlos Renato Lisboa
Feitosa, Raul Queiroz
Endereço de e-Mailalexsandrocos5@gmail.com
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Tipo SecundárioTDI
Histórico2020-05-27 18:15:53 :: alexsandro.silva@inpe.br -> pubtc@inpe.br ::
2020-06-01 22:46:24 :: pubtc@inpe.br -> alexsandro.silva@inpe.br ::
2020-07-03 01:40:49 :: alexsandro.silva@inpe.br -> administrator ::
2020-07-03 17:12:31 :: administrator -> pubtc@inpe.br ::
2020-07-03 17:13:09 :: pubtc@inpe.br -> administrator ::
2021-01-12 14:30:02 :: administrator -> simone ::
2021-01-14 14:28:26 :: simone :: -> 2020
2021-01-14 18:11:40 :: simone -> administrator :: 2020
2021-01-17 12:59:59 :: administrator -> simone :: 2020
Área de conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-ChaveBayesian Networks, spatio-temporal Bayesian Networks, spatio-temporal mdeling, land-use and land-cover changes, deforestation, Redes Bayesianas, Redes Bayesianas espaço-temporais, modelagem espaço-temporal, mudanças do uso e cobertura da terra, desmatamento.
ResumoThe 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 Pará 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 é a Rede Bayesiana (RB). Uma RB fornece uma estrutura coerente para representar e raciocinar sob incertezas, as quais são estimadas com base na teoria da probabilidade. No entanto, os RBs apresentam algumas limitações uma vez que não modelam explicitamente as relações espaciais e temporais entre as variáveis. Algumas variações das RBs têm sido utilizadas para superar tais fraqueza, como a RB espacial que integra GIS e RB e confere à RB uma estratégia espacialmente explícita, além da RB dinâmica que estende o conceito de RBs, relacionando suas variáveis ao longo do tempo. Algumas abordagens de RB já foram propostas para prever as mudanças de uso e cobertura da terra (LULCC), como processos de desmatamento. No entanto, o desmatamento tem sido considerado como um processo estático quando modelado por RBs. Nesse contexto, o principal objetivo deste trabalho é construir modelos de RBs espaço-temporais (STBN) para incorporar informações espaciais e temporais na previsão de risco de desmatamento. Para isso, também foi implementado um pacote para a linguagem de programação R, que permite o desenvolvimento de modelos LULCC baseados em STBN para outras aplicações de observação da terra além do desmatamento. Os modelos STBN propostos nesta tese são utilizados como modelo LULCC para prever o risco de desmatamento em três áreas prioritárias da Amazônia 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 Pará. Entre as variáveis selecionadas para compor os modelos STBN, a variável distância dos focos de incêndio se destacou como uma das mais importantes na previsão de risco de desmatamento, enquanto a variável áreas protegidas foi importante como mitigadora de risco de desmatamento. Os modelos STBN propostos apresentaram um ótimo desempenho com uma grande concordância entre eventos e previsões de desmatamento ao longo dos anos. Os resultados dos modelos STBN também mostraram que houve um aumento na incerteza nas previsões ao longo do tempo, indicando que, quanto mais longa for a previsão, menos precisa ela será. Com isso, pode-se afirmar que os modelos LULCC baseados no STBN são recomendados para a previsão a curto prazo do risco de desmatamento.
AreaCOMP
Conteúdo da Pasta source
originais/@4primeirasPaginas.pdf 14/09/2020 15:00 411.6 KiB 
originais/Doctoral_Thesis_Alexsandro_Candido_OK_FINAL.pdf 07/07/2020 08:07 6.6 MiB
Conteúdo da Pasta agreement
agreement.html 27/05/2020 15:15 1.7 KiB 
autorizacao.pdf 12/01/2021 13:32 70.9 KiB 
Área de condições de acesso e uso
URL dos dadoshttp://urlib.net/rep/8JMKD3MGP3W34R/42J382B
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/42J382B
Idiomaen
Arquivo Alvopublicacao_FA provisoria.pdf
Grupo de Usuáriosalexsandro.silva@inpe.br
pubtc@inpe.br
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.10
Detentor dos Direitosoriginalauthor yes
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
Área de fontes relacionadas
Repositório Espelhourlib.net/www/2017/11.22.19.04.03
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
Área de notas
Campos Vaziosacademicdepartment 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 secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype
Área de controle da descrição
e-Mail (login)simone
atualizar 

Fechar