Resumo

O relacionamento entre os governos e os cidadãos pode ser a saída para contornar a crise ambiental na qual o mundo está inserido, principalmente na reformulação da ideia de que os recursos naturais são inesgotáveis e podem ser explorados de maneira deliberada. Nesse sentido, o conhecimento sobre o perfil dos incêndios florestais é importante instrumento para a proposta de estratégias de prevenção e combate, sendo o Registro de Ocorrência de Incêndio (ROI) uma das ferramentas mais importantes para esse propósito.

Quais contribuições a predição do dano ambiental pode gerar na gestão pública da APA do Alto do Mucuri a partir da utilização do algoritmo Random Forest? A partir dos fatos elucidados, o presente estudo propõe analisar as contribuições preditivas que o dano ambiental pode gerar para a gestão pública no combate a incêndios florestais, utilizando os ROI’s auferidos pela APA do Alto do Mucuri, no período de 2014 a 2018.

2 O SNUC E SUA IMPORTÂNCIA NO CONTEXTO AMBIENTAL, 3 A APA DO ALTO DO MUCURI, 4 O REGISTRO DE OCORRÊNCIA DE INCÊNDIO – ROI.

Foram selecionados 138 ROI’s da unidade de conservação da APA do Alto do Mucuri, localizado na região Nordeste de Minas Gerais, entre os anos 2014 a 2018, com a seguinte distribuição de ocorrências: 45 (2014), 36 (2015), 13 (2016), 7 (2017) e 37 (2018). A técnica de análise dos dados utilizada no estudo foi o algoritmo Random Forest ou Random Decision Forest, a partir dos ROI's e dados complementares do SISAM e MAPBIOMAS. Foi feito a Análise Descritiva dos Dados e a aplicação do algoritmo Random Forest nos modelos preditivos I e II.

Verificou-se 14.729,92 hectares de vegetação queimada na região, sendo o tipo Floresta Estacional Semidecidual a principal afetada. Houve maiores ocorrências de incêndios nos períodos 2014, 2015 e 2018 e as maiores incidências de incêndios foram observadas nos municípios de Ladainha e Itaipé. Os modelos preditivos I e II apresentados para aplicação do Random Forest, atingiram acurácia de 48,78% e maior capacidade preditiva para danos ambientais do tipo baixo e moderado. As variáveis de maior relevância preditiva relacionaram-se, em sua maioria, a poluentes atmosféricos, condições climáticas.

Conclui-se a necessidade de reformulação do ROI, a criação de uma base de dados contínua e integrada à rede de internet; e a adoção do algoritmo Random Forest para detecção de perfis de queimadas florestais para a tomada de decisões no combate a incêndios florestais.

BONTEMPO, G. C. et al. Registro de Ocorrência de Incêndio (ROI): evolução, desafios e recomendações. Biodiversidade Brasileira, n. 2, p. 247-263–263, 30 dez. 2011. Disponível em: . Acesso: 20 abr. 2019. BRASIL. Lei 9.985, de 18 de julho de 2000 (Sistema Nacional de Unidades de Conservação). 2000. Disponível em: . Acesso: 13 abr. 2019. BREIMAN, L. Random Forests. Machine Learning, v. 45, n. 1, p. 5–32, 1 out. 2001.