Incêndios no Pantanal de Corumbá, MS: modelagem e previsão a partir das técnicas de análise multivariada

• Published in: Revista ambiente & água Vol. 13; no. 5; pp. 1 - 13
• Main Authors: Viganó, Hevelyne Henn da Gama, Souza, Celso Correia de, Cristaldo, Marcia Ferreira, Reis Neto, José Francisco dos, Jesus, Leandro de
• Format: Journal Article
• Language: English; Portuguese
• Published: Taubaté Instituto de Pesquisas Ambientais em Bacias Hidrográficas 2018; Instituto de Pesquisas Ambientais em Bacias Hidrográficas (IPABHi)
• Subjects: bioma pantaneiro; Climate; Climate studies; Data analysis; Data processing; Disasters; Ecosystems; ENGINEERING, ENVIRONMENTAL; Fauna; Fire damage; Fires; Flora; Forecasting; Meteorology; Multivariate analysis; perfil climatológico; Plants; previsão de fogo; Regression analysis; Relative humidity; Solar radiation; Space research; Weather forecasting; biome pantaneiro; previsão de fogo; climatological profile; bioma pantaneiro; fire forecast; perfil climatológico
• ISSN: 1980-993X; 1980-993X
• DOI: 10.4136/ambi-agua.2024

Os incêndios e as queimadas que ocorrem no Pantanal causam grandes prejuízos à fauna e flora locais. A previsão de eventos é de grande importância por possibilitar que as catástrofes nesse ecossistema sejam amenizadas ou, até mesmo evitadas. Este estudo teve como objetivo avaliar as ocorrências de queimadas e incêndios no Pantanal Sul-Mato-Grossense, associadas às variáveis meteorológicas e realizar uma modelagem de previsão a partir de técnicas de análise multivariada de dados. As variáveis ambientais envolvidas nesse processo foram extraídas da base de dados do Centro de Previsão de Tempo e Estudos Climáticos do Instituto Nacional de Pesquisas Espaciais (INPE) e do banco de dados meteorológicos para ensino e pesquisa do Instituto Nacional de Meteorologia (INMET). Foram observadas que a temperatura, umidade relativa e radiação solar, possuem um relacionamento estreito com a ocorrência dos focos e as correlações resultantes foram satisfatórias para a aplicação das modelagens de previsão. A técnica de Regressão Linear Múltipla apresentou 41% de ajustamento e a técnica de Análise Auto-regressiva Integrada de Médias Móveis apresentou ajustamento de 66,5% e desempenho geral de 68,4%, tornando-a a metodologia mais recomendada para a previsão.