Predição de áreas queimadas no estado de Goiás usando dados de sensoriamento remoto e ferramentas de inteligência artificial

Abstract

Os incêndios florestais representam um dos principais agentes de degradação ambiental no Cerrado, intensificados pela sazonalidade climática e pela crescente pressão antrópica. Este estudo teve como objetivo predizer áreas queimadas no estado de Goiás utilizando índices de vegetação derivados de imagens Landsat 8 e técnicas de Redes Neurais Artificiais (RNAs), com foco no ano de 2023. Foram empregados os índices NDVI, EVI, NDMI, NDWI (McFeeters,1996) e ARVI, cujos valores de amplitude entre o máximo e o mínimo foram extraídos e integrados a um modelo MLP treinado com o algoritmo BFGS. A RNA selecionada apresentou alto desempenho preditivo, com coeficiente de correlação superior a 0,94 e erro percentual inferior a 36%. Os índices de vegetação empregados no estudo contribuíram de forma conjunta para a modelagem, refletindo as variações espectrais associadas à dinâmica da vegetação e às áreas queimadas. Os resultados indicam que a metodologia adotada é eficiente para estimar áreas queimadas, configurando-se como uma ferramenta promissora para o planejamento e prevenção de queimadas em Goiás. Dessa forma, observou-se que a integração entre o sensoriamento remoto e técnicas de inteligência artificial oferece uma abordagem robusta e de alto potencial para apoiar a gestão ambiental e ações estratégicas de monitoramento de queimadas.