Simulação de Incêndios Florestais via Modelos Epidemiológicos em Grafos
Resumo
Este estudo explora a previsão da trajetória e da expansão potencial de incêndios em florestas heterogêneas. Nossa proposta metodológica consiste em modelar a área-alvo como um grafo finito seguindo uma topologia regular de grade 2D, onde cada nó representa uma condição específica de terreno, sobre os quais incêndios se propagam conforme uma adaptação heterogênea do notório modelo epidemiológico SIR. Como prova de conceito, realizamos diferentes simulações computacionais para duas topologias distintas com focos iniciais aleatórios. Nossos resultados destacam a capacidade do modelo de simular a propagação do fogo sob diversas condições, oferecendo potencial para análise teórica e auxiliando no desenvolvimento de estratégias de contenção.Referências
Barabási, A.-L. and Pósfai, M. (2016). Network science. Cambridge University Press, Cambridge.
Brasiel, H. C. and Lima, D. A. (2023). Exploring the influence of wind, vegetation and water sources on the spread of forest fires in the brazilian cerrado biome using cellular automata. In Anais do XIV Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais, pages 61–70, Porto Alegre, RS, Brasil. SBC.
Chernikova, A., Gozzi, N., Perra, N., Boboila, S., Eliassi-Rad, T., and Oprea, A. (2023). Modeling self-propagating malware with epidemiological models. Applied Network Science, 8(1):52.
Christakis, N. A. and Fowler, J. H. (2007). The spread of obesity in a large social network over 32 years. New England Journal of Medicine, 357(4):370–379.
de Castro, C. F., Serra, G., Parola, J., Reis, J., Lourenço, L., and Correia, S. (2006). Combate a Incêndios Florestais (Vol. XIII). Sintra: Escola Nacional de Bombeiros, 3ª edição, revista e actualizada edition. Manual de Formação Inicial do Bombeiro.
de Oliveira Alves, N., Vessoni, A. T., Quinet, A., Fortunato, R. S., Kajitani, G. S., Peixoto, M. S., Hacon, S. d. S., Artaxo, P., Saldiva, P., Menck, C. F. M., et al. (2017). Biomass burning in the amazon region causes dna damage and cell death in human lung cells. Scientific reports, 7(1):10937.
Duarte, M. L. (2022). Previsão da suscetibilidade à incêndios e queimadas utilizando um modelo baseado em inteligência artificial e sistema de inferência fuzzy. PhD thesis, Universidade Estadual Paulista (UNESP). Tese de Doutorado.
Ferro, I., Santos, A. L. S., and Martins, S. M. (2020). Queimadas e doenças respiratórias. Sociedade Brasileira de Medicina de Família e Comunidade (SBMFC). Material elaborado pelo Grupo de Trabalho de Problemas Respiratórios - GRESP-SBMFC. Publicado em: 10 de setembro de 2020.
Govindankutty, S. and Gopalan, S. P. (2024). Epidemic modeling for misinformation spread in digital networks through a social intelligence approach. Scientific Reports, 14(1):19100.
Kendall, D. G. (1956). Deterministic and stochastic epidemics in closed populations. In Neyman, J., editor, Proceedings of the Third Berkeley Symposium on Mathematical Statistics and Probability, Volume 4: Contributions to Biology and Problems of Health, pages 149–165. University of California Press.
Kermack, W. and McKendrick, A. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character, 115(772):700–721.
Kondylatos, S., Prapas, I., Ronco, M., Papoutsis, I., Camps-Valls, G., Piles, M., Fernández-Torres, M.-A., and Carvalhais, N. (2022). Wildfire danger prediction and understanding with deep learning. Geophysical Research Letters, 49(17).
Nascimento, L. (2024). Área queimada no Brasil até novembro quase dobra em relação a 2023. [link]. Accessed: 2024-12-22.
Pastor-Satorras, R. and Vespignani, A. (2001). Epidemic spreading in scale-free networks. Phys. Rev. Lett., 86:3200–3203.
Sullivan, A. and Gould, J. (2020). Wildland fire rate of spread. In Manzello, S., editor, Encyclopedia of Wildfires and Wildland-Urban Interface (WUI) Fires, pages 1095–1098. Springer, Cham.
Valente, T. W. (1996). Network models of the diffusion of innovations. Computational & Mathematical Organization Theory, 2(2):163–164.
Brasiel, H. C. and Lima, D. A. (2023). Exploring the influence of wind, vegetation and water sources on the spread of forest fires in the brazilian cerrado biome using cellular automata. In Anais do XIV Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais, pages 61–70, Porto Alegre, RS, Brasil. SBC.
Chernikova, A., Gozzi, N., Perra, N., Boboila, S., Eliassi-Rad, T., and Oprea, A. (2023). Modeling self-propagating malware with epidemiological models. Applied Network Science, 8(1):52.
Christakis, N. A. and Fowler, J. H. (2007). The spread of obesity in a large social network over 32 years. New England Journal of Medicine, 357(4):370–379.
de Castro, C. F., Serra, G., Parola, J., Reis, J., Lourenço, L., and Correia, S. (2006). Combate a Incêndios Florestais (Vol. XIII). Sintra: Escola Nacional de Bombeiros, 3ª edição, revista e actualizada edition. Manual de Formação Inicial do Bombeiro.
de Oliveira Alves, N., Vessoni, A. T., Quinet, A., Fortunato, R. S., Kajitani, G. S., Peixoto, M. S., Hacon, S. d. S., Artaxo, P., Saldiva, P., Menck, C. F. M., et al. (2017). Biomass burning in the amazon region causes dna damage and cell death in human lung cells. Scientific reports, 7(1):10937.
Duarte, M. L. (2022). Previsão da suscetibilidade à incêndios e queimadas utilizando um modelo baseado em inteligência artificial e sistema de inferência fuzzy. PhD thesis, Universidade Estadual Paulista (UNESP). Tese de Doutorado.
Ferro, I., Santos, A. L. S., and Martins, S. M. (2020). Queimadas e doenças respiratórias. Sociedade Brasileira de Medicina de Família e Comunidade (SBMFC). Material elaborado pelo Grupo de Trabalho de Problemas Respiratórios - GRESP-SBMFC. Publicado em: 10 de setembro de 2020.
Govindankutty, S. and Gopalan, S. P. (2024). Epidemic modeling for misinformation spread in digital networks through a social intelligence approach. Scientific Reports, 14(1):19100.
Kendall, D. G. (1956). Deterministic and stochastic epidemics in closed populations. In Neyman, J., editor, Proceedings of the Third Berkeley Symposium on Mathematical Statistics and Probability, Volume 4: Contributions to Biology and Problems of Health, pages 149–165. University of California Press.
Kermack, W. and McKendrick, A. (1927). A contribution to the mathematical theory of epidemics. Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character, 115(772):700–721.
Kondylatos, S., Prapas, I., Ronco, M., Papoutsis, I., Camps-Valls, G., Piles, M., Fernández-Torres, M.-A., and Carvalhais, N. (2022). Wildfire danger prediction and understanding with deep learning. Geophysical Research Letters, 49(17).
Nascimento, L. (2024). Área queimada no Brasil até novembro quase dobra em relação a 2023. [link]. Accessed: 2024-12-22.
Pastor-Satorras, R. and Vespignani, A. (2001). Epidemic spreading in scale-free networks. Phys. Rev. Lett., 86:3200–3203.
Sullivan, A. and Gould, J. (2020). Wildland fire rate of spread. In Manzello, S., editor, Encyclopedia of Wildfires and Wildland-Urban Interface (WUI) Fires, pages 1095–1098. Springer, Cham.
Valente, T. W. (1996). Network models of the diffusion of innovations. Computational & Mathematical Organization Theory, 2(2):163–164.
Publicado
20/07/2025
Como Citar
CORREIA, Polyana Graf Finamor; SIMÕES, Jefferson Elbert.
Simulação de Incêndios Florestais via Modelos Epidemiológicos em Grafos. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 16. , 2025, Maceió/AL.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 326-335.
ISSN 2595-6124.
DOI: https://doi.org/10.5753/wcama.2025.9477.
