Predição do Risco de Incêndio Florestal: Uma Estrutura Baseada em Rede Neural Profunda Espacial

O incêndio florestal é um dos principais desastres ambientais que ameaça a comunidade australiana. O reconhecimento dos padrões de ocorrência de incêndios e a identificação do risco de incêndio são benéficos para mitigar prováveis ameaças de incêndio. Técnicas de aprendizado de máquina são reconhecidas como abordagens conhecidas para resolver problemas de não linearidade, como o risco de incêndio florestal. No entanto, avaliar tais desastres multivariados ambientais tem sido sempre desafiador, pois a modelagem pode ser enviesada por múltiplas fontes de incerteza, como a qualidade e a quantidade de parâmetros de entrada, processos de treinamento e uma configuração padrão para hiperparâmetros. Neste estudo, propomos uma estrutura espacial para quantificar o risco de incêndio florestal na área de Northern Beaches em Sydney. Trinta e seis indicadores-chave significativos que contribuem para o risco de incêndio florestal foram selecionados e mapeados espacialmente a partir de diferentes contextos, como topografia, morfologia, clima, induzido pelo homem, social e perspectivas físicas como entrada para nosso modelo. Redes neurais profundas otimizadas foram desenvolvidas para maximizar a capacidade do perceptron multicamada para a avaliação da suscetibilidade a incêndios florestais. Os resultados mostram alta precisão do modelo desenvolvido em relação às métricas de avaliação de precisão ROC = 95,1%, PRC = 93,8% e coeficiente k = 94,3%. A estrutura proposta segue um procedimento passo a passo para executar múltiplos cenários para calcular a probabilidade de risco florestal com novos parâmetros de entrada contribuintes. Este modelo melhora a adaptabilidade e a tomada de decisão, pois pode ser adaptado a diferentes regiões da Austrália com um requisito mínimo de adoção da localização do procedimento de ponderação.