Please use this identifier to cite or link to this item: http://repositorio.ufc.br/handle/riufc/75508
Type: Tese
Title: Avaliação de modelos paramétricos e não paramétricos em estimativa de índice de suscetibilidade a Desertificação
Title in English: Evaluation of parametric and non-parametric models in estimating desertification susceptibility index
Authors: Santos, Thiago Costa dos
Advisor: Toma, Raul Shiso
Keywords in Brazilian Portuguese : Zoneamento ecológico econômico;Sensoriamento Remoto;Solo exposto
Keywords in English : Economic ecological zoning;Remote sensing;Bare Soil
Knowledge Areas - CNPq: CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::CIENCIA DO SOLO
Issue Date: 2023
Citation: SANTOS, Thiago Costa dos. Avaliação de modelos paramétricos e não paramétricos em estimativa de índice de suscetibilidade a Desertificação. 2023. 138 f. Tese (Doutorado em Ciência do Solo) - Universidade Federal do Ceará, Fortaleza, 2023.
Abstract in Brazilian Portuguese: A desertificação é o processo de degradação dos recursos naturais em razão do aumento da pressão antrópica que acarreta em alterações nas dinâmicas dos ecossistemas e nas variáveis climáticas. Parte significativa das metodologias de monitoramento da desertificação baseiam se em modelos que empregam índices com ponderações subjetivas que aumentam as incertezas dos modelos sem identificar as causas, dificultando a adoção de estratégias de controle eficiente. Este trabalho está alicerçado nas seguintes hipóteses: 1) Os modelos paramétricos (Regressão múltipla e Logística) e não paramétricos (Redes Neurais e SVM) são capazes de predizerem a suscetibilidade a desertificação, quantificando os efeitos das mudanças nas condições da vegetação, solo e clima entendidos como causadores da desertificação; 2) partindo da premissa de que os modelos de predição de suscetibilidade a desertificação estão restritos a abordagens locais sem considerar os regimes de precipitações é possível haver diferenças destes quando empregados em nível regional e local e sob condições de seca ou chuva. Foram usadas imagens dos sensores TM, ETM+ e OLI entre 1997 a 2018 em finais de períodos secos e chuvosos para quantificação do NDVI, TGSI, albedo, temperatura, evapotranspiração, índice de aridez e precipitação e para construção do índice geométrico de suscetibilidade a desertificação (IGSD). O IGSD foi calculado pelas ponderações dos índices e constituiu o Y dos modelos, as variáveis explicativas (X) foram os próprios índices. Os resultados dos modelos foram avaliados mediante acurácia, kappa, médias de erros de omissão (MEO), de comissão (MEC) e de taxa de acerto de campo (MTAC) em escala local e regional. Os resultados mostraram que os modelos de RLM e RL produziram mapas com melhores métricas e maiores MTAC em nível local e regional, por outro lado a rede neural e o SVM são promissores a nível local. O NDVI, Albedo, Evapotranspiração, Temperatura e Índice de Aridez mostraram-se mais importantes na suscetibilidade a desertificação a nível local e regional, sendo que o aumento do NDVI e Índice de Aridez reduziram a média do IGSD e o riscos a desertificação, enquanto o aumento do albedo, temperatura e evapotranspiração resultaram em aumentos nas médias do IGSD e nos riscos a desertificação. O desmatamento desordenado, aumento de áreas ocupadas por pastagens e de pastagens degradadas justificam à redução da cobertura vegetal e aumento do albedo, temperatura e evapotranspiração, impactando a precipitação e o índice de aridez, aumentando os riscos a desertificação. Portanto os modelos paramétricos e não paramétricos têm potencial na identificação da suscetibilidade a desertificação e suas causas, além de mostrar em termos quantitativos a contribuição de cada índice no aumento ou redução do risco à desertificação
Abstract: Desertification is process of degradation of natural resources due to the increase in anthropic pressure that leads to changes in the dynamics of ecosystems and climate variables. A significant part of the methodologies for monitoring desertification are based on models what considering index with subjective weights that increase the uncertainties of the models without identifying the causes, making it difficult to adopt efficient control strategies. This work is based on the following hypotheses: 1) parametric models (multiple regression and logistic) and non-parametric models (neural networks and SVM) are capable of predicting susceptibility to desertification, quantifying the effects of changes in vegetation, soil and climate conditions understood as causing desertification; 2) starting from the premise that the prediction models of susceptibility to desertification are restricted to local approaches without considering the precipitation regimes, it is possible that there are differences in these when used at regional and local levels and under conditions of drought or rain. Images from the TM, ETM+ and OLI sensors were used between 1997 and 2018 at the end of dry and rainy periods to quantify the NDVI, TGSI, albedo, temperature, evapotranspiration, aridity and precipitation index and to construct the geometric index of susceptibility to desertification (IGSD). The IGSD was calculated by weight the indices and constituted the Y of the models, the explanatory variables (X) were the indices themselves. The results of the models were evaluated using accuracy, kappa, average errors of omission (MEO), commission (MEC) and field hit rate (MTAC) on a local and regional scale. The results showed that the RLM and RL models produced maps with better metrics and higher MTAC at the local and regional level, on the other hand the neural network and the SVM are promising at the local level. The NDVI, albedo, evapotranspiration, temperature and aridity index were more important in the susceptibility to desertification at the local and regional level, and the increase in the NDVI and aridity index reduced the IGSD average and the risk of desertification, while the increases in albedo, temperature and evapotranspiration resulted in increased in IGSD averages and in risks to desertification. Disorderly deforestation, increase in areas occupied by pastures and degraded caused the reduction of vegetation cover and increase in albedo, temperature and evapotranspiration, impacting precipitation and the aridity index, increasing the risks of desertification. Therefore, parametric and non-parametric models have the potential to identify susceptibility to desertification and its causes, in addition to showing in quantitative terms the contribution of each index in increasing or reducing the risk of desertification.
URI: http://repositorio.ufc.br/handle/riufc/75508
Author's ORCID: https://orcid.org/0000-0001-6749-850X
Author's Lattes: http://lattes.cnpq.br/0550413714501792
Advisor's ORCID: https://orcid.org/0000-0001-5585-6832
Advisor's Lattes: http://lattes.cnpq.br/4361739592184749
Access Rights: Acesso Embargado
Appears in Collections:PPCS - Teses defendidas na UFC

Files in This Item:
File Description SizeFormat 
2023_tese_tcsantos.pdf
  Until 2025-12-18
Tese3,22 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.