Classificador de notificações de acidentes ambientais no Sistema Nacional de Emergências Ambientais do IBAMA

• Filipe de M. Santos UFPB
• Lucas M. Aguiar UFPB
• Gilberto F. de Sousa Filho UFPB
• Bruno J. Sousa Pessoa UFPB

DOI: https://doi.org/10.5753/wcge.2023.230024

Resumo

O Siema é o sistema do IBAMA responsável pelo cadastro dos relatos de acidentes ambientais de cidadãos de todo o Brasil. Segundo a base de dados do próprio IBAMA, 28% dos relatos são equivocados, gerando um custo financeiro e humano para a instituição durante a verificação destas supostas ocorrências. Este trabalho propõe a utilização de técnicas de aprendizado de máquina para classificar futuros relatos de acidentes como válidos ou não, objetivando a melhor utilização dos recursos públicos na análise das notificações recebidas pelo órgão. Foram utilizados três modelos de aprendizagem de máquina e apresentadas métricas de classificação a respeito dos registros do Siema, obtendo-se um classificador que é capaz de identificar corretamente 91% dos relatos de acidentes inválidos, além de uma acurácia geral de 89%.

Palavras-chave: Acidentes ambientais, Aprendizado de máquina, Interpretabilidade

Referências

Abu-Mostafa, Y. S., Magdon-Ismail, M., and Lin, H.-T. (2012). Learning From Data. AMLBook.

Breiman, L., Friedman, J., Stone, C., and Olshen, R. (1984). Classification and Regression Trees. Taylor & Francis.

Chand, S. and Zhang, Y. (2022). Learning from machines to close the gap between funding and expenditure in the australian national disability insurance scheme. International Journal of Information Management Data Insights, 2(1):100077.

Cichosz, P. (2011). Assessing the quality of classification models: Performance measures and evaluation procedures. Open Engineering, 1(2):132–158.

du Boisberranger, J., Van den Bossche, J., Estève, L., and J. Fan, T. (2022). scikit-learn: machine learning in python.

Frempong, N. K., Nicholas, N., and Boateng, M. (2017). Decision tree as a predictive modeling tool for auto insurance claims. International Journal of Statistics and Applications, 2017:117–120.

Haritsah Luthfi, N. and Hartoyo, A. (2023). Ai explanation related covid hoax detection using support vector machine and logistics regression methods. Jurnal Media Informatika Budidarma, 7:170–177.

Severino, M. K. and Peng, Y. (2021). Machine learning algorithms for fraud prediction in property insurance: Empirical evidence using real-world microdata. Machine Learning with Applications, 5:100074.

YÜCEL, A. (2022). A novel data processing approach to detect fraudulent insurance claims for physical damage to cars. Journal of New Results in Science, 11:120–131.