Publicação
Data analysis and processing from remote sensors for detection of forest fires risk
| datacite.subject.fos | Engenharia e Tecnologia::Outras Engenharias e Tecnologias | pt_PT |
| dc.contributor.advisor | Pereira, Ana I. | |
| dc.contributor.advisor | Lima, José | |
| dc.contributor.advisor | Fagundes, Luis Paulo | |
| dc.contributor.author | Marcelino, Vitor Fernandes | |
| dc.date.accessioned | 2023-06-23T15:58:08Z | |
| dc.date.available | 2023-06-23T15:58:08Z | |
| dc.date.issued | 2023 | |
| dc.description | Mestrado de dupla diplomação com o Centro Federal de Educação Tecnológica Celso Suckow da Fonseca - CEFET/RJ | pt_PT |
| dc.description.abstract | This work focuses on developing fire risk detection and prevention algorithms using data collected by sensors in the forest. The study involved a State of the Art review and a Theoretical Foundation, followed by Data Characterization and Data Analysis, which were divided into several sub-sections. The study developed regression models for different types of data and found that the random forest regression model was the best performing for transition times. The study compared different regression models, finding that the Support Vector Regression (SVR) model performed worse than the Gradient Boosting Regression (GBR) and Random Forest Regression (RFR) models. The study concluded that using algorithms to identify periods of the day was a useful strategy for avoiding false alerts and that training the models for each individual module was the best strategy. Furthermore, the RFR and GBR regression models were found to be the most effective for the data available in this study. However, improvements are necessary to reduce false positives and facilitate abnormality detection. Overall, this work provides insight into the most effective methods for analyzing and processing data collected by sensors in the forest for fire risk detection and prevention, with the potential to create alerts for those involved in fighting forest fires. | pt_PT |
| dc.description.abstract | Este trabalho centra-se no desenvolvimento de algoritmos de detecção e prevenção de riscos de incêndio utilizando dados recolhidos por sensores na floresta. O estudo envolveu uma revisão do estado da arte e uma Fundação Teórica, seguida de Caracterização e Análise de Dados, que foi dividida em várias subsecções. O estudo desenvolveu modelos de regressão para diferentes tipos de dados e descobriu que o modelo de random forest regression era o que tinha melhor desempenho para os dados de transição dia e noite. O estudo comparou diferentes modelos de regressão, descobrindo que o modelo de Support Vector Regression (SVR) teve pior desempenho do que os modelos de Gradient Boosting Regression (GBR) e de Random Forest Regression (RFR). O estudo concluiu que a utilização de algoritmos para identificar períodos do dia era uma estratégia útil para evitar falsos alertas, e que o treino dos modelos para cada módulo individual era a melhor estratégia. Além disso, os modelos de regressão RFR e GBR foram considerados como os mais eficazes para os dados disponíveis neste estudo. No entanto, são necessárias melhorias para reduzir os falsos positivos e facilitar a detecção de anomalias. Dessa forma, este trabalho fornece uma visão dos métodos mais eficazes para analisar e processar os dados recolhidos pelos sensores na floresta para detecção e prevenção de riscos de incêndio, com o potencial de criar alertas para os envolvidos no combate aos incêndios florestais. | pt_PT |
| dc.identifier.tid | 203322746 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10198/28457 | |
| dc.language.iso | eng | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | pt_PT |
| dc.subject | Forest fires | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.subject | Data science | pt_PT |
| dc.subject | Classification | pt_PT |
| dc.title | Data analysis and processing from remote sensors for detection of forest fires risk | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Engenharia Industrial | pt_PT |