Previsão de riscos de alagamentos e inundações com uso de inteligência artificial

Sabrina Bergoch Monteiro Sambatti, Renata Renata Genova Martins, Ricardo Batista Vilela, Frank Moshe Cotacallapa, Alex Sandro Aguiar Pessoa, Jussara Dias, Danielle de Almeida Bressiani, Gilca Palma

Resumo


A prevenção e mitigação dos danos provocados por eventos hidrometeorológicos severos em áreas urbanas, como a Região Metropolitana de São Paulo (RMSP), são estratégias necessárias para que as cidades se tornem mais inteligentes e resilientes. No entanto, a previsão de riscos de alagamentos e inundações em áreas populosas é desafiador. Usando o k-vizinhos mais próximo (k-Nearest Neighbor - kNN), um algoritmo de aprendizado de máquina, foi possível mostrar a viabilidade do uso de técnicas de inteligência artificial para a previsão de riscos de alagamentos e inundações. A RMSP foi escolhida como área de estudo devido sua importância social e econômica, sendo a região de maior aglomeração urbana do Brasil e por sofrer a influência de eventos hidrometeorológicos severos e seus impactos.

Texto completo:

PDF

Referências


BATTAN, L. J. Radar observation of the at-mosphere. 1973.

BRESSIANI, D. d. A.Coping with hydrolo-gical risks through flooding risk index, com-plex watershed modeling, different calibration techniques, and ensemble streamflow forecas-ting. Tese (Doutorado) — Universidade de SãoPaulo, 2016.

BROLLO, M. J.; TOMINAGA, L. K. Desas-tres naturais e riscos geológicos no estado de são paulo: cenário de referência–2012.Bole-tim No, 2012.

COCCHIA, A. Smart and digital city: A sys-tematic literature review. In:Smart city. [S.l.]:Springer, 2014. p. 13–43.

COVER, T.; HART, P. Nearest neighbor pat-tern classification.IEEE transactions on infor-mation theory, IEEE, v. 13, n. 1, p. 21–27,1967.

DIAS, M. A. F. S. et al. Changes in extremedaily rainfall for são paulo, brazil.Climatic Change, Springer, v. 116, n. 3-4, p. 705–722,2013.

FACELI, K. et al.Inteligência Artificial: UmaAbordagem de Aprendizado de Máquina. [S.l.:s.n.], 2011.

FARR, T. G. et al. The shuttle radar topo-graphy mission.Reviews of geophysics, WileyOnline Library, v. 45, n. 2, 2007.

HADDAD, E. A.; TEIXEIRA, E. Economicimpacts of natural disasters in megacities: Thecase of floods in são paulo, brazil.Habitat In-ternational, Elsevier, v. 45, p. 106–113, 2015.

HAN, J.; MICHELINE, K.; PEI, J.Data mi-ning: concepts and techniques. [S.l.]: Elsevier,2011.

HORITA, F. et al. Determining flooded areasusing crowd sensing data and weather radarprecipitation: a case study in brazil. In: 15THINTERNATIONAL CONFERENCE ON IN-FORMATION SYSTEMS FOR CRISIS RESPONSE AND MANAGEMENT (ISCRAM).Rochester, USA, 2018.

HORITA, F. et al. Uso de dados colabora-tivos na determinação de alagamentos. In:XVII ENCONTRO DOS ALUNOS DE PÓS-GRADUAÇÃO EM METEOROLOGIA DOCPTEC/INPE. Cachoeira Paulista, SP, 2018.

LEE, A. An experimental study of the remotelocation of lightning flashes using a vlf arri-val time difference technique.Quarterly Jour-nal of the Royal Meteorological Society, Wi-ley Online Library, v. 112, n. 471, p. 203–229,1986.

LIU, C.; HECKMAN, S. Total lightning dataand real-time severe storm prediction. In:Proc. Conf. on Meteorological EnvironmentalInstrument and Methods of Observation Ma-nagement Froup (10th session). [S.l.: s.n.],2012.

MITCHELL, T. M. et al. Machine learning.1997.Burr Ridge, IL: McGraw Hill, v. 45,n. 37, p. 870–877, 1997.

NEGNEVITSKY, M.Artificial intelligence: aguide to intelligent systems. [S.l.]: PearsonEducation, 2005.

NOBRE, A. D. et al. Height above the nearestdrainage–a hydrologically relevant new terrainmodel.Journal of Hydrology, Elsevier, v. 404,n. 1-2, p. 13–29, 2011.

NOBRE, A. D. et al. Hand contour: a newproxy predictor of inundation extent.Hydro-logical Processes, Wiley Online Library, v. 30,n. 2, p. 320–333, 2016.

NOBRE, C. A. et al. Vulnerabilidades das me-gacidades brasileiras às mudanças climáticas:Região metropolitana de são paulo.Embai-xada Reino Unido, Rede Clima e ProgramaFAPESP em Mudanças Climáticas, 2010.

OHATA, A. T."MAPEAMENTO DE CO-BERTURA DA TERRA DO ESTADO DESÃO PAULO – 2010 - ESCALA 1:100.000-COORDENADORIADEPLANEJA-MENTO AMBIENTAL, SECRETARIA DOMEIO AMBIENTE DO ESTADO DE SÃOPAULO. 2013. Disponível em: .

OLIVEIRA, J. B. de et al.Mapa pedológicodo Estado de São Paulo: legenda expandida.[S.l.]: Empresa Brasileira de Pesquisa Agro-pecuaria, Campinas, SP (Brasil). Centro,1999.

RIMBA, A. B. et al. Physical flood vulnera-bility mapping applying geospatial techniquesin okazaki city, aichi prefecture, japan.UrbanScience, Multidisciplinary Digital PublishingInstitute, v. 1, n. 1, p. 7, 2017.

RODRIGUEZ, C. A. M.; NEVES, J.; AN-SELMO, E. Sferics timing and rangingnetwork-starnet: evaluation over south ame-rica.ICAE 2011: Abstracts and Program,2011.

SAATY, T. L. How to make a decision:the analytic hierarchy process.Interfaces, In-forms, v. 24, n. 6, p. 19–43, 1994.

TARBOTON, D. G.; SAZIB, N.; DASH, P.TauDEM 5.3 quick start guide to using theTauDEM, ArcGIS, Toolbox. 2015.

VICENTE, G. A.; SCOFIELD, R. A.; MEN-ZEL, W. P. The operational goes infrared rain-fall estimation technique.Bulletin of the Ame-rican Meteorological Society, v. 79, n. 9, p.1883–1898, 1998.

VILELA, R. et al. Sistema para previsão deriscos de alagamentos e inundações: um es-tudo de caso para a região metropolitana desão paulo (rmsp). In: XVII ENCONTRO DOSALUNOS DE PÓS-GRADUAÇÃO EM ME-TEOROLOGIA DO CPTEC/INPE. CachoeiraPaulista, SP, 2018.

WITTEN, I. H.; FRANK, E.; MARK, A. Hall.2011.Data mining: Practical machine lear-ning tools and techniques, v. 3, 2011.




DOI: https://doi.org/10.13037/ria.vol15n1.6985

Revista de Informática Aplicada - USCS/UFABC

 

Indexadores que a RIA faz parte: