Skip to content

README.md

Latest commit

 

History

History
105 lines (93 loc) · 5.78 KB

README.md

File metadata and controls

105 lines (93 loc) · 5.78 KB

Estudo do laboratório de Sensoriamento Remoto da Universidade da Amazonia (UNAMA) sobre o trabalho "Predicting the pulse of the Amazon: Machine learning insights into deforestation dynamics"

1. Coleta de Dados

  • Fontes de Dados:

    • Dados de Desmatamento: Utilize dados do PRODES (Programa de Monitoramento da Floresta Amazônica por Satélite) do INPE (Instituto Nacional de Pesquisas Espaciais). Disponível em: http://www.obt.inpe.br/.

    • Dados de Focos de Incêndio: Utilize dados do BDQUEIMADAS do INPE. Disponível em: http://queimadas.dgi.inpe.br/.

    • Dados Socioeconômicos: Utilize dados do IBGE (Instituto Brasileiro de Geografia e Estatística) para variáveis como PIB, produção agrícola, população, etc. Disponível em: https://www.ibge.gov.br/.

    • Dados de Crédito Rural: Utilize dados do Banco Central do Brasil. Disponível em: https://www.bcb.gov.br/.

    • Dados de Unidades de Conservação: Utilize dados do ISA (Instituto Socioambiental). Disponível em: https://www.socioambiental.org/.

    • Dados de Partidos Políticos: Utilize dados de governadores e partidos políticos disponíveis no Wikipedia.

  • Variáveis Selecionadas:

    • Desmatamento (km²) ✔️
    • Focos de Incêndio ✔️
    • PIB (R$) ✔️
    • Área Plantada ou Colhida (hectares) ✔️
    • Valor da Produção Agrícola (R$) ✔️
    • PIB Agrícola Estadual (R$) ✔️
    • População ✔️
    • Fluxo de Crédito Rural (R$) ✔️
    • Extensão de Unidades de Conservação (hectares) ✔️
    • Rebanho Bovino (cabeças) ✔️
    • Área de Culturas Permanentes (hectares) ✔️
    • Área de Culturas Temporárias (hectares) ✔️
    • Produção de Milho (R$) ✔️
    • Produção de Soja (R$) ✔️
    • Despesa Orçamentária (R$) ✔️
    • Partido Político do Governador ✔️

2.Processamento dos Dados:

    • Dados Processados:
      • Partido Político do Governador ✔️
      • Desmatamento ✔️
      • Área de Culturas Temporárias ✔️
      • Produção de Milho (R$) ✔️
      • Produção de Soja(R$) ✔️
      • Despesas Orçamentárias ✔️
      • Área plantada ou colhida (hectares) ✔️
      • Focos de Incêndio ✔️
      • Área de Culturas Permanentes (hectares) ✔️
      • Extra: Dados Territoriais de todos os estados ✔️ ✔️✔️
    • Dados Não Processados:
      • População ❌
      • PIB (R$) ❌
      • Extensão de Unidades de Conservação (hectares) ❌
      • Fluxo de Crédito Rural (R$)❌
      • Rebanho Bovino (cabeças)❌
      • PIB Agrícola Estadual (R$)❌

2. ❌ Análise Estatística dos Dados ❌

  • *Juntar os Datasets Desmatamento + (Milho/ T.km**2) *: ❌
  • *Juntar os Datasets Desmatamento + (Soja/ T.km**2): ❌
  • *Juntar os Datasets Desmatamento + (Cabeça(Gado)/ T.km**2): ❌
  • *Juntar os Datasets Desmatamento + (Cabeça(Gado)/ T.km2 + (Soja/ T.km2) + (Milho/ T.km**2):❌

3. Análise Exploratória de Dados

  • Gráficos Temporais:
    • Crie gráficos de linha para identificar padrões temporais nas variáveis.
  • Matriz de Correlação:
    • Analise a correlação entre as variáveis para identificar relações significativas.

4. Modelagem

  • Algoritmos de Machine Learning:
    • Árvores de Decisão
    • Random Forest
    • Extra Trees
    • Gradient Boosting
    • Support Vector Machine (SVM)
  • Avaliação de Modelos:
    • Utilize métricas como coeficiente de determinação (R²), erro quadrático médio (MSE) e erro absoluto médio (MAE) para avaliar o desempenho dos modelos.
  • Importância das Variáveis:
    • Utilize SHAP (SHapley Additive exPlanations) para interpretar a importância das variáveis nos modelos.

5. Implementação

  • Ferramentas:
    • Utilize Python com bibliotecas como Pandas, scikit-learn, SHAP, e Matplotlib/Seaborn para visualização.
  • Ambiente:
    • Utilize Google Colab ou um ambiente local com Python instalado.

6. Execução e Validação

  • Treinamento dos Modelos:
    • Treine os modelos com o conjunto de treinamento e avalie com o conjunto de teste.
  • Validação Cruzada:
    • Utilize validação cruzada para garantir que os modelos não estão superajustados.
  • Interpretação dos Resultados:
    • Utilize SHAP para interpretar a contribuição de cada variável para as previsões dos modelos.

7. Conclusão e Relatório

  • Análise dos Resultados:
    • Compare o desempenho dos modelos e discuta as variáveis mais importantes.
  • Recomendações de Políticas:
    • Com base nos resultados, proponha políticas para mitigar o desmatamento.

8. Publicação e Compartilhamento

  • Disponibilização dos Dados:
    • Disponibilize os dados e códigos utilizados para replicação e validação por outros pesquisadores.

Resumo dos Passos:

  1. Coletar dados das fontes mencionadas.
  2. Pré-processar os dados (transformação categórica, normalização, divisão em treino/teste).
  3. Treinar e avaliar modelos de machine learning (Árvores de Decisão, Random Forest, Extra Trees, Gradient Boosting, SVM).
  4. Realizar análise exploratória e interpretar os resultados com SHAP.
  5. Concluir com recomendações políticas e disponibilizar dados e códigos.