PREDIÇÃO DE RISCO AMBIENTAL EM MUNICÍPIOS DA ZONA DE CONVERGÊNCIA SOCIOECOLÓGICA CERRADO-AMAZÔNIA UTILIZANDO MODELOS SUPERVISIONADOS DE MACHINE LEARNING

Abstract

A região de transição entre os biomas Cerrado e Amazônia enfrenta pressões ambientais crescentes, como desmatamento acelerado, queimadas recorrentes e perda de biodiversidade, intensificados pela expansão agropecuária e pela conversão de terras naturais em pastagens e lavouras. A identificação de áreas sob maior risco ambiental é essencial para subsidiar estratégias de conservação e formulação de políticas públicas. Este estudo tem como objetivo desenvolver e avaliar modelos supervisionados de machine learning capazes de prever, em escala municipal, o risco de desmatamento, queimadas e perda de cobertura florestal. A metodologia proposta integra bases de dados ambientais e socioeconômicas em um sistema de informação geográfica, seguido pelo treinamento de algoritmos Random Forest, XGBoost e Support Vector Machine, avaliados por métricas como AUC-ROC, precision-recall, f1-score e matriz de confusão. Espera-se que os resultados, espacializados em mapas temáticos de risco, auxiliem na identificação de áreas prioritárias para conservação e mitigação de impactos ambientais.