FRAGILIDADE AMBIENTAL USANDO ALGORITMOS DE APRENDIZADO DE MÁQUINA

Resumo

O avanço de modelos preditivos por Algoritmos de Aprendizado de Máquina (ML) associados à dados ambientais possibilita aprimoramento de modelos de fragilidade ambiental, os quais são importantes ferramentas para tomada de decisão. O objetivo desse estudo foi derivar uma predição de fragilidade ambiental, testando ML associados a covariáveis ambientais no estado de Minas Gerais. Utilizamos variáveis físico-ambientais (solo, geologia, clima, relevo) com peso de fragilidade para os atributos e cálculo da média obtendo o modelo de Fragilidade Ambiental Potencial (PEF). Posteriormente, extraímos os valores de PEF para uma grade de 4.800 pontos e usadas para gerar uma nova predição por ML, denominada PEFML. A predição foi com teste de cinco algoritmos e conjunto de 105 covariáveis ambientais. Comparamos os dois modelos de fragilidade ambiental (PEF e PEFML), inclusive com outros dados de riscos/vulnerabilidade/fragilidade. Os resultados indicaram que a predição de PEFML de melhor desempenho foi o modelo Random Forest (R2 0.59 e RMSE 0.47), indicando predomínio do nível fragilidade baixa. Os modelos de fragilidade PEF e PEFML têm forte correlação (0.7 Pearson), porém, PEFML possui correlações mais fortes com outros dados ambientais. Portanto, a predição de PEFML é um modelo robusto que capta informações de covariáveis e possui padrões espaciais coerentes

Palavras-chave:
Modelos de fragilidade ambiental; Predição espacial; Random Forest; Planejamento Ambiental.