@InProceedings{SambatiPesVilMarBre:2018:InArAp,
author = "Sambati, Sabrina Bergoch Monteiro and Pessoa, Alex Sandro Aguiar
and Vilela, Ricardo Batista and Martins, Renata Genova and
Bressiani, Danielle De Almeida",
title = "Intelig{\^e}ncia artificial aplicada para previs{\~a}o de
alagamentos e inunda{\c{c}}{\~o}es",
booktitle = "Anais...",
year = "2018",
editor = "Herdies, Dirceu Luis and Coelho, Simone Marilene Sievert da
Costa",
organization = "Encontro dos alunos de p{\'o}s-gradua{\c{c}}{\~a}o em
meteorologia do CPTEC/INPE, 17. (EPGMET)",
publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
address = "S{\~a}o Jos{\'e} dos Campos",
keywords = "RMSP, k-Nearest Neighbor, Hidro-Meteorol{\'o}gico.",
abstract = "Eventos meteorol{\'o}gicos severos de curto prazo como
tempestades convectivas, descargas el{\'e}tricas, rajadas e
chuvas inten- sas apresentam diversos riscos, sendo que o mais
impactante s{\~a}o os danos causados em locais habitados que
tangem a seguran{\c{c}}a p{\'u}blica. A Regi{\~a}o
Metropolitana de S{\~a}o Paulo (RMSP) {\'e} uma das maiores
aglomera{\c{c}}{\~o}es urbanas do mundo e s{\~a}o frequentes os
transtornos {\`a} sociedade decorrentes dos impactos das
inunda{\c{c}}{\~o}es e alagamentos, portanto o geren- ciamento
de riscos de desastres e eventos severos na RMSP torna-se uma
quest{\~a}o essencial com intuito de reduzir a vulnerabilidade
urbana. O progn{\'o}stico desses eventos possibilitar{\'a}
instruir a popula{\c{c}}{\~a}o sobre o que pode ocorrer em
consequ{\^e}ncia de tais condi{\c{c}}{\~o}es adversas,
minimizando o impacto no cotidiano do cidad{\~a}o. Sendo assim,
conceber um modelo que forne{\c{c}}a previs{\~a}o de eventos
severos de curt{\'{\i}}ssimo prazo torna-se
imprescind{\'{\i}}vel. As t{\'e}cnicas de intelig{\^e}ncia
artificial, computacionalmente mais eficientes, trazem diversos
benef{\'{\i}}cios quando aplicadas em temas como previs{\~a}o
de curto prazo, que necessitam de solu{\c{c}}{\~o}es robustas em
tempo h{\'a}bil. Com base em dados de sat{\'e}lites, radares
meteorol{\'o}gicos de alta resolu{\c{c}}{\~a}o, rede de
monitoramento hidro-meteorol{\'o}gico em tempo real, mapeamento
de vulnerabilidade e dados sobre a ocorr{\^e}ncia de alagamentos
foi feita uma an{\'a}lise utilizando o k-Nearest Neighbor (kNN),
um dos m{\'e}todos de IA de aprendizado supervisionado baseado em
inst{\^a}ncias, em que um mapeamento entre a base de dados e as
duas classes pr{\'e}-determinadas foi montada. Esse modelo foi
aplicado na previs{\~a}o de alagamentos para a Regi{\~a}o
Metropolitana de S{\~a}o Paulo, por representar a {\'a}rea com
maior aglomera{\c{c}}{\~a}o urbana do Brasil e receber
influ{\^e}ncia dr{\'a}stica dos eventos severos e seus impactos.
Dada uma nova ocorr{\^e}ncia, um evento meteorol{\'o}gico, o
kNN, modelo preditivo, ir{\'a} identificar a qual classe ela
pertence, observando as caracter{\'{\i}}sticas similares obtidas
atrav{\'e}s do mapeamento, definindo ent{\~a}o se ocorrer{\'a}
ou n{\~a}o alagamento em curto prazo de tempo. Os resultados
mostram que a abordagem proposta apresenta boa perfor- mance e
confiabilidade. As t{\'e}cnicas de intelig{\^e}ncia artificial
t{\^e}m mostrado efici{\^e}ncia em v{\'a}rias
aplica{\c{c}}{\~o}es meteorol{\'o}gicas e ambientais que exigem
computa{\c{c}}{\~a}o intensiva e precis{\~a}o, pois
proporcionam uma diminui{\c{c}}{\~a}o consider{\'a}vel do
esfor{\c{c}}o computacional garantindo resultados eficientes e
precisos.",
conference-location = "Cachoeira Paulista",
conference-year = "22-26 out. 2018",
language = "pt",
organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
ibi = "8JMKD3MGPDW34R/3SR4J7H",
url = "http://urlib.net/ibi/8JMKD3MGPDW34R/3SR4J7H",
targetfile = "APA-01.pdf",
type = "Meteorologia Ambiental e Polui{\c{c}}{\~a}o Atmosf{\'e}rica",
urlaccessdate = "19 maio 2024"
}