Previsão de risco de desmatamento com base em algoritmos de machine learning

Abstract

A Floresta Amazônica, com sua rica biodiversidade e importância global, enfrenta ameaças constantes de desmatamento ilegal. Este estudo busca contribuir para o combate a esse problema utilizando técnicas avançadas de ciência de dados. Através da aplicação de métodos de machine learning, exploramos duas abordagens distintas: a segmentação de imagens de satélite usando a arquitetura U-Net e a previsão de desmatamento usando o algoritmo Random Forest. A região do Vale do Javari, com sua densa vegetação e relevância cultural para povos indígenas, serve como cenário para nossa análise. Utilizamos o modelo Random Forest para analisar dados físicos relacionados ao desmatamento, como distâncias a hidrovias, rodovias, áreas protegidas e focos de calor. Essa abordagem revela as relações complexas entre variáveis e a ocorrência de desmatamento. Além disso, empregamos a arquitetura U-Net para segmentar imagens de satélite RGB da região, obtidas por satélites Sentinel. Essa técnica avançada nos permitiu entender melhor as características das áreas do Vale do Javari e identificar áreas de interesse para a preservação ambiental. Os resultados obtidos indicam que ambas as abordagens são promissoras para o combate ao desmatamento.a revisão bibliográfica sobre a efetividade do Plano Amazônia e sua avaliação com o modelo Random Forest; e a implementação da U-Net para segmentação semântica de imagens do satélite Sentinel-2 na região do vale do Javarí. Este trabalho contribui para a preservação da Floresta Amazônica e para a compreensão das relações entre fatores físicos e desmatamento. O estudo demonstra o potencial das técnicas de machine learning na luta contra ameaças ambientais e destaca a importância da ciência de dados na conservação de ecossistemas valiosos.