Publication
Estimação de desmatamento baseada em Cadeias de Markov dependentes do espaço-tempo
| Summary: | As instituições financeiras vêm incorporando parâmetros de controle e monitoramento de risco socioambiental nas suas políticas, motivadas por cobranças de posturas mais efetivas para mitigação de tais riscos por parte do Banco Central do Brasil, o que representou um motivador inicial deste trabalho. Por se tratar de um assunto recentemente regulamentado, o mercado financeiro tem buscado ferramentas que possam auxiliar na tomada de decisão, possibilitando o uso do sensoriamento remoto e tornando-o mais relevante, principalmente em políticas de concessão de crédito. Esse trabalho visa contribuir para a previsão de desmatamento (área desmatada) como insumo para que as instituições financeiras possam incorporá-la às suas políticas. A metodologia sugerida envolveu: o entendimento das legislações ambientais brasileiras e pactos internacionais; a definição de risco socioambiental como sendo o crime de desmatamento; a exploração de algumas fontes de dados e a inclusão de parâmetros espaço-temporais aos processos de Cadeias de Markov clássicos. A inclusão de parâmetros espaciais e temporais à metodologia clássica buscou diminuir o efeito de duas limitações da técnica quando utilizada para processos de modelagem de fenômenos naturais dinâmicos: a estacionariedade e a dificuldade de distribuição das estimativas localmente. Para minimizar o efeito da estacionaridade a proposta utilizou matrizes de transição (matriz de probabilidade de mudanças) móveis, isto é, atualizadas com o período mais recente possível. Também foram avaliadas diferentes memórias na matriz de transição, que consiste em considerar períodos mais ou menos longos para computar as mundanças. Já para distribuir localmente as estimativas, a região de estudo foi segmentada em sub-regiões, visando incorporar a diversidade contida nos processos naturais das mesmas ao processo de estimação. À partir das estimativas locais é possível obter a estimativa de desmatamento global da região através da soma do desmatamento estimado das sub-regiões. Uma condição necessária para testar a metodologia proposta é que a região de estudo necessariamente precisa ter desmatamento. Dessa forma, selecionou-se a área de influência da BR-163, que compreende uma porção de grande desmatamento da Amazônia Legal, que abrange os estados do Pará, Amazonas e Mato Grosso e como sub-regiões foram utilizados os 74 municípios que a compõe. A ferramenta escolhida para aplicação foi a plataforma Google Earth Engine por se tratar de uma solução inclusiva, permitindo que qualquer pesquisador usufrua dos recursos computacionais do processamento em nuvem e armazenamento de dados. Os resultados indicam que utilizar probabilidades de transição móveis sem memória produz estimativas melhores do que utilizá-las com memórias mais longas e que a segmentação em sub-regiões diminuiu o erro de estimação espacialmente. |
|---|---|
| Main Authors: | Ribeiro, Mariana Mizutani |
| Subject: | Sensoriamento remoto Geografia ambiental Risco ambiental Desmatamento Cadeias de Markov Google Earth Deforestation Markov chain Google Earth Engine local estimates BR-163 |
| Year: | 2019 |
| Country: | Brazil |
| Document type: | master thesis |
| Access type: | open access |
| Associated institution: | IBICT |
| Language: | Portuguese |
| Origin: | Oasisbr |
| Summary: | As instituições financeiras vêm incorporando parâmetros de controle e monitoramento de risco socioambiental nas suas políticas, motivadas por cobranças de posturas mais efetivas para mitigação de tais riscos por parte do Banco Central do Brasil, o que representou um motivador inicial deste trabalho. Por se tratar de um assunto recentemente regulamentado, o mercado financeiro tem buscado ferramentas que possam auxiliar na tomada de decisão, possibilitando o uso do sensoriamento remoto e tornando-o mais relevante, principalmente em políticas de concessão de crédito. Esse trabalho visa contribuir para a previsão de desmatamento (área desmatada) como insumo para que as instituições financeiras possam incorporá-la às suas políticas. A metodologia sugerida envolveu: o entendimento das legislações ambientais brasileiras e pactos internacionais; a definição de risco socioambiental como sendo o crime de desmatamento; a exploração de algumas fontes de dados e a inclusão de parâmetros espaço-temporais aos processos de Cadeias de Markov clássicos. A inclusão de parâmetros espaciais e temporais à metodologia clássica buscou diminuir o efeito de duas limitações da técnica quando utilizada para processos de modelagem de fenômenos naturais dinâmicos: a estacionariedade e a dificuldade de distribuição das estimativas localmente. Para minimizar o efeito da estacionaridade a proposta utilizou matrizes de transição (matriz de probabilidade de mudanças) móveis, isto é, atualizadas com o período mais recente possível. Também foram avaliadas diferentes memórias na matriz de transição, que consiste em considerar períodos mais ou menos longos para computar as mundanças. Já para distribuir localmente as estimativas, a região de estudo foi segmentada em sub-regiões, visando incorporar a diversidade contida nos processos naturais das mesmas ao processo de estimação. À partir das estimativas locais é possível obter a estimativa de desmatamento global da região através da soma do desmatamento estimado das sub-regiões. Uma condição necessária para testar a metodologia proposta é que a região de estudo necessariamente precisa ter desmatamento. Dessa forma, selecionou-se a área de influência da BR-163, que compreende uma porção de grande desmatamento da Amazônia Legal, que abrange os estados do Pará, Amazonas e Mato Grosso e como sub-regiões foram utilizados os 74 municípios que a compõe. A ferramenta escolhida para aplicação foi a plataforma Google Earth Engine por se tratar de uma solução inclusiva, permitindo que qualquer pesquisador usufrua dos recursos computacionais do processamento em nuvem e armazenamento de dados. Os resultados indicam que utilizar probabilidades de transição móveis sem memória produz estimativas melhores do que utilizá-las com memórias mais longas e que a segmentação em sub-regiões diminuiu o erro de estimação espacialmente. |
|---|
Funded activities
No funded projects found.