Redes neurais artificiais aplicadas a séries temporais para predição de enchentes

• Ano de defesa: 2024
• Autor(a) principal: Mesquita, Laleska Aparecida Ferreira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Aprendizado profundo; Artificial intelligence; Deep learning; Enchentes; Flooding; Inteligência artificial; Machine learning; Neural networks; Redes neurais artificiais; Séries temporais; Time series
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-06082024-140435/

Fenômenos hidrológicos extremos, aliados a uma falta de planejamento de escoamento, são responsáveis por diversos desastres climáticos e, dentre eles, destaca-se no Brasil a ocorrência de enchentes. Quando de encontro ao caminho de ocupação social, as enchentes trazem complicações, podendo ocasionar prejuízos econômicos e sociais. Diversos campos de estudo podem ajudar nos esforços para atenuar os efeitos desses desastres e a criar soluções para sua prevenção, como é o caso da inteligência artificial, que tem sido uma aliada nas soluções desta problemática. Buscam-se, cada vez mais, mecanismos que possibilitem um preparo antecipado às catástrofes iminentes para melhorar segurança da população em áreas de risco. Neste contexto, o presente trabalho tem como objetivo atuar na predição de enchentes utilizando redes neurais artificiais, que baseadas em dados de séries temporais, possibilitem um resultado preditivo quanto aos eventos de enchentes. Este trabalho está baseado em ferramentas que, a partir dos dados de nível de máxima do rio Xingu, possam gerar análises não só de dados em uma dimensão, mas também a partir da conversão desses dados em representações bidimensionais, possibilitando a aplicação em redes neurais recorrentes e convolucionais. Visando as possibilidades de ferramentas que supram essa demanda, o trabalho propõe uma resposta preditiva ou de classificação para os dados encontrados em séries históricas do rio Xingu, visando melhorar as técnicas existentes para predição de enchentes.