| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 6.67 MB | Adobe PDF |
Abstract(s)
Nos últimos anos, a ocorrência de fogos florestais em Portugal tem causado danos
patrimoniais, destruição de habitats e, tragicamente, a perda de vidas humanas.
A estimativa da taxa de recuperação da vegetação numa área ardida é possível
utilizando dados de deteção remota e, nomeadamente, o Índice de Diferenças Normalizadas
de Vegetação (NDVI).
Partindo de metodologias já definidas em trabalhos anteriores, propõe-se um procedimento
que integre diversas fontes de dados cuja natureza permite melhorar
os modelos preditivos existentes e não exige o conhecimento do histórico da vegetação
no período anterior ao incêndio, usando em alternativa o comportamento
de uma zona geometricamente adjacente como referencial o que se apresenta
como uma importante vantagem no que se refere às necessidades de informação
disponível.
Foram utilizados dados recolhidos pela missão Sentinel 2 e o Google Earth Engine,
como plataforma de desenvolvimento, na concretização da metodologia o que
é, tanto quanto se conhece, uma técnica inovadora dada a escassez de trabalhos
publicados nesta temática.
Deste trabalho resulta também uma biblioteca de código Python reutilizável, que
suporta a interação com o Google Earth Engine na extração de dados agregados.
Como prova de conceito, o modelo é aplicado às áreas afetadas pelos incêndios
de 2017 de Pedrogão Grande e Mata Nacional de Leiria.
In recent years, wildfires in Portugal lead to property damage, natural habitat destruction and the loss human lives. The vegetation recovery rate can be estimated using remote sensing data, in particular the often-used Normalized Difference Vegetation Index (NDVI). Taking advantage of methodologies set in previous work, by other authors, the proposed model relies on the integration of several data sources that leverage the existing estimators and will not be constrained by the availability of historical knowledge of the vegetation normal behavior prior to the wildfire episode. Instead, it will use the behavior of a geometrically neighboring area as a baseline. The fact that this method does not depend on the existence of historical data presents itself as a major advantage. The model was implemented using Sentinel 2 mission data and the Google Earth Engine platform, which is, to the author’s knowledge, a novel technique given the shortage of publications citing their usage. This work also produced a Python reusable library, which supports interaction with Google Earth Engine while extracting aggregate data. As a proof-of-concept, the model implementation will be applied to two areas affected by the 2017 wildfires: Pedrogão Grande and Mata Nacional de Leiria.
In recent years, wildfires in Portugal lead to property damage, natural habitat destruction and the loss human lives. The vegetation recovery rate can be estimated using remote sensing data, in particular the often-used Normalized Difference Vegetation Index (NDVI). Taking advantage of methodologies set in previous work, by other authors, the proposed model relies on the integration of several data sources that leverage the existing estimators and will not be constrained by the availability of historical knowledge of the vegetation normal behavior prior to the wildfire episode. Instead, it will use the behavior of a geometrically neighboring area as a baseline. The fact that this method does not depend on the existence of historical data presents itself as a major advantage. The model was implemented using Sentinel 2 mission data and the Google Earth Engine platform, which is, to the author’s knowledge, a novel technique given the shortage of publications citing their usage. This work also produced a Python reusable library, which supports interaction with Google Earth Engine while extracting aggregate data. As a proof-of-concept, the model implementation will be applied to two areas affected by the 2017 wildfires: Pedrogão Grande and Mata Nacional de Leiria.
Description
Dissertação para obtenção do grau de mestre em Engenharia Informática e de Computadores
Keywords
Fogo florestal Wildfire Deteção remota Remote sensing NDVI Google Earth Engine Python Python
Citation
REIS, Rui Paulo Marques dos Santos - Modelo preditivo de recuperação da vegetação afetada por incêndios florestais. Lisboa: Instituto Superior de Engenharia de Lisboa, 2019. Dissertação de mestrado.
Publisher
Instituto Superior de Engenharia de Lisboa