SISTEMA DE ALERTA DE RIESGO DE INCENDIO EN EL PANTANAL CON PREVISIONES HASTA 3 DÍAS
DOI:
https://doi.org/10.56238/arev7n9-142Palabras clave:
Incendio, Sistema de Información, Predicción de Riesgos, PantanalResumen
En el Pantanal, ubicado en los estados de Mato Grosso do Sul y Mato Grosso, Brasil, se producen varios incendios cada año. La sequía prolongada, la materia orgánica seca y las chispas o el fuego pueden provocar incendios de diversa magnitud. Para facilitar la lucha contra incendios en el Pantanal, se desarrolló Saripan, un sistema web de predicción de incendios. Este sistema predecía previamente el riesgo de incendio para cada municipio de la región del Pantanal hasta la fecha. Sin embargo, en su nueva versión, el sistema puede predecir el riesgo de incendio con una alta probabilidad de precisión hasta tres días después. Esto se debe a un sistema que predice datos climáticos mediante un algoritmo de aprendizaje automático basado en al menos 20 años de datos climáticos históricos diarios. Con estos datos, el sistema aprendió cómo varían los datos climáticos a lo largo del tiempo en los municipios de la región del Pantanal. Por lo tanto, utilizando los datos climáticos predichos y utilizados para calcular el riesgo de incendio, Saripan puede predecir el riesgo de incendio con una probabilidad de hasta tres días después en cualquier municipio del Pantanal. Este artículo describe el sistema Saripan, que predice el riesgo de incendio hasta tres días después del día actual, con una precisión cercana al 90 %.
Descargas
Referencias
AGRI. Agritempo. Disponível em https://www.agritempo.gov.br/. Acessado em: Ago, 2025.
DUARTE, Adriana. MySQL: guia prático. São Paulo: Novatec, 2019.
DUCKETT, Jon. HTML e CSS: projete e construa websites. Rio de Janeiro: Alta Books, 2014.
INMET. Instituto Nacional de Meteorologia. Disponível em https://portal.inmet.gov.br/. Acessado em: Ago, 2025.
FLANAGAN, David. JavaScript: o guia definitivo. 6. ed. Porto Alegre: Bookman, 2013.
GOOGLE. Google Maps. Disponível em: https://maps.google.com. Acessado em: Ago, 2025.
HERE TECHNOLOGIES. HERE WeGo Maps. Disponível em: https://wego.here.com. Acessado em: Ago, 2025.
HILLER, Fábio. Python para desenvolvedores. São Paulo: Casa do Código, 2018.
LEAFLET. An open-source JavaScript library for mobile-friendly interactive maps. Disponível em https://leafletjs.com/examples/quick-start/. Acessado em: Ago, 2025.
LOURIÉ, David Sklar. Aprendendo PHP. 5. ed. São Paulo: Novatec, 2017.
NASA. NASA Prediction Of Worldwide Energy Resources (POWER). Disponível em https://power.larc.nasa.gov. Acessado em: Ago, 2025.
SANTOS, B. Z.; SORIANO, B. M. A.; NARCISO, M. G.; SILVA, D. F.; CERRI, R. A new time series framework for forest fire risk forecasting and classification. In: INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN), 2023, Queensland, Australia. Proceedings. Illinois: International Neural Network Society, 2023. DOI: https://doi.org/10.1109/IJCNN54540.2023.10191502
URL: https://ieeexplore.ieee.org/document/10191502
SORIANO, B. M. A.; Daniel, O.; SANTOS, S. A. Eficiência de Índices de Risco de Incêndios para o Pantanal Sul-Mato-Grossense. Revista Ciência Floresta, v. 25, n 4, 2016. DOI: https://doi.org/10.5902/1980509820231. DOI: https://doi.org/10.5902/1980509820231
URL: https://periodicos.ufsm.br/cienciaflorestal/issue/view/791
UNESCO. Organização das Nações Unidas para a Educação, a Ciência e a Cultura. Disponível em: https://www.unesco.org/. Acessado em: Ago, 2025.
