300 likes | 446 Views
Programa de Pós-Graduação em Gestão Urbana (PUC-PR) Uso de Inteligência Artificial para a Previsão de Deslizamentos induzidos por Fortes Chuvas. Professor: Fábio Teodoro de Souza. Extração de Conhecimento. Banco de Dados. Especialista. Aprendizado do Cérebro Humano. visão. som. olfato.
E N D
Programa de Pós-Graduação em Gestão Urbana (PUC-PR) Uso de Inteligência Artificial para a Previsão de Deslizamentos induzidos por Fortes Chuvas Professor: Fábio Teodoro de Souza
Extração de Conhecimento Banco de Dados Especialista
Aprendizado do Cérebro Humano visão som olfato Pipoca tato paladar
Redes Neurais Artificiais Chuva Acumulada Dados de Escorregamentos Dados de Solo Topografia
Etapas de um projeto deMineração de Dados 1. Obtenção dos Dados;2. Preparação dos dados;3. Modelagem
Parâmetros do Solo - Áreas por Bairros (ha / bairro) Pedologia Aptidão Vulnerabilidade Uso Qualidade Floresta Latossolo Boa Alta Alerta Urbana Aluviais Regular Baixa Conservada : : : : :
Preparação dos Dados Solos Pluviometria Escorregamentos Regionalização Data / Hora / Local Predição da Falha (RNA) HAIKIN (2001) Cálculo das Taxas por Bairros Índices de Chuva Acumulada (ICA) Predição do Volume (KNN) MITCHELL (1997)
Modelagem Montagem de uma matriz Chuva Acumulada Dados de Solo Dados de Escorregamentos
Modelagem – Classificação (RNA) HAIKIN (2001) 1ª Classificação Treinamento com todos os registros Pânico ou Acidente Nada 2ª Classificação Treinamento sem a classe Nada Fim Tipologia Volume (EUC / MAN) Danos Pânico Acidente Sem Com V>0m3 V=0m3
Regras de Associação Suporte = 8% Confiança = 90% Todas Variáveis Tipologia Volume (EUC / MAN) Danos Regras Geradas LIU et al. (1998) Análise da Interessabilidade LIU et al. (2000) Regras Inesperadas e Acionáveis
Predição de Chuva com Redes Neurais HAIKIN (2001) Índices Acumulados de Chuvas Passadas (Camada de Entrada) Chuva dos Próximos Períodos – Minutos, Horas, Dias (Camada de Saída)
Regionalização dos Dados de Chuva ACP Correlação Árvore K - Means
Modelo com 2 camadas (RNA) 1ª Classificação * Resultados considerando a probabilidade condicional na 2ª camada Nada 94.1% Pânico ou Acidente 93.6 % 2ª Classificação Tipologia Volume (EUC) Volume (MAN) Danos V=0m3 90.4% Pânico 93.6% Acidente 72.4% V>0m3 74.6% Sem 80.2% Com 70.8% V=0m3 87.1% V>0m3 75.9%
Regras de Associação Relações Quantitativas entre variáveis; Antecedente (X) => Conseqüente (Y) Regra 13 (1266 registros): Chuva 6 dias [> 92.6 mm] => ACIDENTE (25,5% 91.9% 323 297 23.5%) 25.5%- suporte da regra [P (X U Y)] 91.9% - confiança [P (Y|X)] 323- número de ocorrências da união 297 - número de ocorrências da interseção 23.5%- porcentagem da interseção
Modelo de Predição de Chuvas Intensas (RNA´s) Treinamento (80 a 90%), Teste (5 a 10%), Validação (5 a10%) Chuva da Próxima Hora Chuva do Próximo Dia r2 = 0.96 r2 = 0.96
Bagging HAN (2001); Ponderação DUDA (2001); Boosting TING & ZHENG (1998) Dados
IndígenasXucuruemPernambuco (MIT, EUA) ONU, 2007
Science and Technology FellowshipProgramme in China (STF2 China) A Data Mining approach for Earthquake Prediction in China Candidate: FábioTeodoro de Souza, PhD (Tsinghua University) Brussels, February 11th 2010
A Data Mining approach to predict long-term sediment flux and runoff in the Yellow River basin Fabio Teodoro de Souza Tianjin, September 10th 2010
A Data Mining approach to predict mass movements induced by seismic events in Sichuan, China Fabio Teodoro de Souza Yantai, August 11th 2010
A Data Mining approach for tree-ring growth prediction Fabio Teodoro de Souza
Obrigado Fabio Teodoro de Souza fabio.teodoro@pucpr.br PPGTU / PUC-PR RevistaBrasileira de Gestão Urbana (URBE)