Uma revisão sistemática da literatura sobre mapeamento de suscetibilidade a incêndios florestais usando tecnologia geo-espacial e direções de pesquisa futuras

Resumo Incêndios Florestais apresentam desafios ambientais e econômicos crescentes, exigindo modelagem preditiva precisa para mitigação eficaz. Avanços recentes em tecnologias geo-espaciais e aprendizado de máquina (ML) melhoraram o mapeamento da suscetibilidade a incêndios florestais ao integrar imagens de satélite multiespectrais com algoritmos avançados. Esta revisão sistemática sintetiza estudos publicados entre 1992 e 2024 que aplicam abordagens de ML e aprendizado profundo—como XGBoost, LightGBM, CatBoost e AdaBoost—na avaliação de risco de incêndios florestais. A revisão analisa a evolução metodológica, a qualidade dos dados e as práticas de modelagem espaço-temporal, destacando as forças e limitações de estruturas geo-espaciais híbridas. Desafios persistentes incluem escassez de dados, generalização de modelos e interpretabilidade, enquanto oportunidades emergentes residem em IA explicável (XAI) e modelagem consciente do clima. Ao consolidar insights interdisciplinares, esta revisão fornece uma base conceitual e metodológica para melhorar a precisão, escalabilidade e aplicabilidade dos sistemas de previsão de incêndios florestais.