Predição e tipificação do uso do fogo na região da Amazônia Legal no Brasil: Estudo com base nos eventos detectados pelo Painel do Fogo

Jack Endrick Pastrana Mojica; Tássia Fraga Belloli; Pamela Boelter Herrmann; Deyvis Cano; Camila  Souza Silva

doi:10.1590/SciELOPreprints.14897

##article.authors##

Jack Endrick Pastrana Mojica Federal University of Rio Grande do Sul https://orcid.org/0009-0003-9539-1381
- Conceptualization
- Data Curation
- Formal Analysis
- Investigation
- Methodology
- Writing – Original Draft Preparation
Tássia Fraga Belloli Universidade Federal do Rio Grande do Sul https://orcid.org/0000-0001-6365-7796
- Validation
- Supervision
- Visualization
- Writing – Original Draft Preparation
- Investigation
Pamela Boelter Herrmann Universidade Federal do Rio Grande do Sul https://orcid.org/0000-0001-9049-3141
- Conceptualization
- Data Curation
- Visualization
- Validation
- Supervision
Deyvis Cano Universidade Federal do Rio Grande do Sul https://orcid.org/0000-0002-4262-1505
- Visualization
- Validation
- Supervision
- Methodology
- Investigation
- Writing – Review & Editing
- Writing – Original Draft Preparation
Camila Souza Silva University of Brasília https://orcid.org/0000-0002-6271-2973
- Conceptualization
- Writing – Original Draft Preparation
- Writing – Review & Editing
- Formal Analysis
- Data Curation

DOI:

https://doi.org/10.1590/SciELOPreprints.14897

Keywords:

brazilian amazon, Fire ecology, machine learning

Abstract

This research aims to understand the different uses of fire in management, through prescribed, controlled, and combat fires, cross-referenced with data from the CENSIPAM Fire Panel in 2023. Machine learning techniques were applied to make predictions. It was possible to generate insights into the impacts of fire use in the Federal Units (UFs). The Random Forest model showed the highest overall accuracy (76%). Combat and prescribed fires had the highest precision (0.90% and 0.69%, respectively). The ROC curves and AUC values indicated good discrimination capacity between these classes (0.84 and 0.79), while controlled burning showed lower generalization ability. Shapley Additive Explanations (SHAP) values highlighted biomass and areas without oversight as factors contributing to the modeling of fire occurrence classification.

Downloads

Download data is not yet available.

Author Biographies

Jack Endrick Pastrana Mojica, Federal University of Rio Grande do Sul

Doutorando em Sensoramento Remoto na Universidade Federal do Rio Grande do Sul (UFRGS) e Mestre em Geografia pela Universidade Federal do Ceará (UFC), com foco principal na utilização de tecnologias geoespaciais e sensores remotos nos estudos de degradação ambiental e conservação da Amazônia. Minha expertise inclui a implementação de modelos de aprendizagem de máquinas e ciência de dados para monitoramento ambiental, com ênfase em estratégias inovadoras que combinam análise espacial e inteligência artificial para promover a sustentabilidade e a preservação de ecossistemas críticos.

Tássia Fraga Belloli, Universidade Federal do Rio Grande do Sul

Geógrafa formada pela Universidade Federal do Rio Grande do Sul (2017), Mestre (2019) e Doutora (2025) em Sensoriamento Remoto e Geoprocessamento pelo PPGSR-UFRGS. Possuo +10 anos de experiência na área de Geociências e Geoecologia com ênfase nos temas: sensoriamento remoto em recursos hídricos com foco em em Áreas Úmidas, Sistemas de Informações Geográficas, Processamento digital de imagens, análise ambiental (Impactos, recuperação, diagnóstico e relatórios), mapeamento e classificação, caracterização de solos de áreas úmidas e planícies inundáveis, serviços ecossistêmicos, estimativa e melhoramento da modelagem de biomassa vegetal e armazenamento de carbono em áreas úmidas (Carbono azul). Atualmente sou pesquisadora de pós-doutorado no Laboratório de Geoprocessamento e Análise Ambiental (LAGAM/UFRGS). Desenvolvo um projeto de PD&I que visa o mapeamento e estratégias de conservação de áreas úmidas para a mitigação e resiliência a desastres climáticos na Região Metropolitana de Porto Alegre, financiado pela Fundação de Amparo à Pesquisa do Estado do Rio Grande do Sul (FAPERGS).

Pamela Boelter Herrmann, Universidade Federal do Rio Grande do Sul

Sou Mestre e atualmente Doutoranda em Sensoriamento Remoto pela Universidade Federal do Rio Grande do Sul (UFRGS). Tenho especialização em Informações Espaciais Georreferenciadas, além de formação em Gestão Ambiental (Bacharelado) e Engenharia Ambiental. Atuo como Analista Ambiental, com experiência acadêmica e profissional nas áreas de geoprocessamento, sensoriamento remoto, aplicações com VANTs, monitoramento e licenciamento ambiental, modelagem ambiental, machine learning e análise espacial.

Deyvis Cano, Universidade Federal do Rio Grande do Sul

Especialista en Teledetección y Sistemas de Información Geográfica aplicados al estudio de recursos naturales y la producción agropecuaria de la Universidad de Buenos Aires, Argentina. Ingeniero Zootecnista de profesión de la Universidad Nacional del Centro del Perú. Magister en Gestión y Planificación Ambiental de la Universidad de Chile. Doctorado en proceso en Sensoriamento Remoto en la Universidade Federal do Rio Grande do Sul, Brasil. Docente investigador en el programa de Ingeniería Ambiental de la Universidad de Huánuco. Coordinador de proyectos de investigación. Experiencia en publicación de artículos científicos en revistas indexadas de Scopus y Web of Science.

Camila Souza Silva, University of Brasília

Sou Engenheira Florestal formada pela Universidade de Brasília com período sanduíche na Colorado State University pelo programa Ciências sem Fronteiras. Durante esse período percebi minha afinidade com as áreas de geoprocessamento e manejo do fogo ao me envolver em estudos realizados nas florestas nativas no norte do Colorado – EUA. Além disso, fui capaz de aperfeiçoar meu conhecimento na língua inglesa e aprimorar habilidades como gestão de tempo, oratória e tomada de notas.

Tenho cinco anos de experiência em Manejo Integrado do Fogo (MIF) em Unidades de Conservação Federal (UCs) do Instituto Chico Mendes de Conservação da Biodiversidade (ICMBio). Forneço assistência na administração e planejamento das ações de (MIF) em UCs e na sistematização de dados para auxiliar a tomada de decisão da coordenação.