@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"
}