PIQueimadas

Projeto Integrador IV UNIVESP 2025 - Projeto de prevenção de queimadas

Resumo do Notebook

O notebook documenta as etapas iniciais de um projeto para desenvolver uma API de previsão de risco de queimadas. O trabalho realizado incluiu:

1. Coleta e Unificação de Dados: Dados meteorológicos (INMET e CIIAGRO) e de focos de queimada (INPE) foram coletados e unificados em um único conjunto de dados temporal e espacialmente alinhado.
2. Tratamento e Análise Exploratória: Os dados foram limpos, valores ausentes tratados, e realizada análise exploratória (EDA) com visualizações para entender as relações entre variáveis meteorológicas e a ocorrência de queimadas. Foi identificado um forte desequilíbrio de classes.
3. Divisão Estratificada: O dataset foi dividido em conjuntos de treino e teste de forma estratificada por cidade e ocorrência de queimada para garantir representatividade.
4. Modelagem e Avaliação: Dois modelos de classificação (Random Forest e XGBoost) foram treinados e avaliados para prever o risco de queimada, utilizando técnicas de balanceamento de classes (SMOTE).
5. Seleção do Modelo: Com base nas métricas de avaliação, especialmente o Recall (capacidade de detectar queimadas reais), o modelo Random Forest foi selecionado como o mais promissor para a aplicação.
6. Serialização: O modelo Random Forest treinado e o scaler de pré-processamento foram salvos para uso em produção.
7. Conversão do modelo: O modelo foi convertido para ONNX a fim de ser usado em outras aplicação que não usam python.

As análises confirmaram que variáveis como umidade relativa, temperatura e ponto de orvalho são preditores importantes para o risco de queimadas.

Este notebook serve como a fundação para o desenvolvimento da API de previsão.

Utilização do modelo em produção

Arquivos necessários:

seu-projeto/

├── modelo_random_forest.onnx # Modelo convertido para ONNX

└── scaler_info.json # Configurações do pré-processamento

Configuração do ambiente

COMO USAR O MODELO NO SEU PROGRAMA:

1. COPIE ESTES ARQUIVOS para a pasta do seu projeto:

• modelo_random_forest.onnx
• scaler_info.json

2. INSTALE OS PACOTES NECESSÁRIOS na pasta do seu projeto:

• npm init -y
• npm install onnxruntime-node

3. NO SEU CÓDIGO, SIGA ESTES PASSOS:

• PEGAR A FERRAMENTA: Importa a classe que faz as previsões

• const QueimadasPredictor = require('./modelo_predictor.js');

• CRIAR UMA NOVA FERRAMENTA: Faz uma instância para usar

• const predictor = new QueimadasPredictor();

• CARREGAR O MODELO: Pega o modelo do arquivo e prepara para uso

• (Isso é feito uma vez no início do programa)

• await predictor.loadModel();

• COLOCAR OS DADOS: Prepare os dados da estação meteorológica

• Na ordem correta: [chuva, pressão, temperatura, orvalho, umidade, vento, sol]

• const dados = [0.0, 943.2, 29.2, 12.7, 36.0, 0.6, 88.6];

• FAZER A PREVISÃO: Envia os dados para o modelo e recebe a resposta

• const resultado = await predictor.predict(dados);

• USAR O RESULTADO: Veja o que o modelo calculou

• console.log('Chance de ter queimada:', resultado.probabilidade_queimada);

• console.log('Em porcentagem:', (resultado.probabilidade_queimada * 100).toFixed(2) + '%');

• console.log('Situação:', resultado.classe === 1 ? 'TEM QUEIMADA' : 'NÃO TEM QUEIMADA');

Envio de dados para o modelo

Formato do envio dos dados dados: [0.0, 943.2, 29.2, 12.7, 36.0, 0.6, 88.6]

"precipitacao": 0.0, "pressaoatmosferica": 943.2, "temperatura": 29.2, "temperaturapontodeorvalho": 12.7, "umidaderelativadoar": 36.0, "velocidadedovento": 0.6, "radiacaosolar": 88.6

Parâmetros

Variáveis de Entrada do Modelo

O modelo treinado espera receber os seguintes dados meteorológicos como entrada para prever o risco de queimada. É fundamental que os dados de entrada estejam nas mesmas unidades e formato das variáveis usadas durante o treinamento:

Campo	Tipo	Descrição
precipitacao	float	Quantidade de precipitação recente (mm)
pressaoatmosferica	float	Pressão atmosférica (mB)
temperatura	float	Temperatura do ar (°C)
temperaturapontodeorvalho	float	Temperatura do ponto de orvalho (°C)
umidaderelativadoar	float	Umidade relativa do ar (%)
velocidadedovento	float	Velocidade do vento (m/s)
radiacaosolar	float	Radiação solar incidente (Kj/m²)

Tratando os dados de retorno

Resultado bruto do modelo

const resultado = await predictor.predict(dados);

Converter probabilidade para porcentagem

const porcentagem = (resultado.probabilidade_queimada * 100).toFixed(2) + '%';

Ezemplo para classificar o nível de risco

function classificarRisco(probabilidade) {
    if (probabilidade > 0.7) return 'ALTO';
    if (probabilidade > 0.4) return 'MÉDIO';
    return 'BAIXO';
}

const nivel_risco = classificarRisco(resultado.probabilidade_queimada);

Arquivos Codigo_implementacao.js e teste_modelo.js

Esses arquivos são exemplos de como utilizar os arquivos de modeloagem gerados na conversão do modelo Python.

Releases / arquivos compactados

Arquivos compactados dos modelos

Os arquivos compactados Modelo, Modelo JS e Modelo Python são pastas com o modelo já treinado. Modelo.tar.gz = os dois modelos, tanto python quanto o JS Modelo_Python.tar.gz tem apenas o modelo em Python Modelo_JS.tar.gz tem apenas o modelo convertido para ONNX

O arquvo Teste_js_no_node_modules.tar.gz tem arquivos de teste, porém sem o node_modules

• Para instalar é encessário 'npm install'

Como extrair

No diretório onde você quer testar:

# Extrair o exemplo Node.js
tar -xzf releases/Teste_js_no_node_modules.tar.gz -C ./teste_local

# Extrair o pacote do modelo
tar -xzf releases/Modelo.tar.gz -C ./modelo_local