Embed Size (px)
DESCRIPTION
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. - PowerPoint PPT Presentation
Citation preview
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
tato
som
visão
olfato
paladar
Pipoca
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
Dados de Escorregamentos(1998 a 2001)
Data
Horário
Bairro
Volume
Conseqüências
Tipologia
Parâmetros do Solo - Áreas por Bairros (ha / bairro)
Qualidade AptidãoUso Pedologia Vulnerabilidade
Floresta
Urbana
Alerta
Conservada
Latossolo
Aluviais
Boa
Regular
Alta
Baixa: : : ::
Dados Meteorológicos – Pluviometria (mm / 15 min)
Rede automática da GEO-RIO
30 pluviômetros
Transmissão a cada 15 minutos
Preparação dos DadosSolos Pluviometria Escorregamentos
Regionalização
Data / Hora / LocalPredição da Falha
(RNA)HAIKIN (2001)
Índices de ChuvaAcumulada (ICA)
Predição do Volume(KNN)
MITCHELL (1997)
Cálculodas Taxas
por Bairros
Modelagem
Montagem de uma matriz
Chuva Acumulada
Dados de Escorregamentos
Dados de Solo
Modelagem – Classificação (RNA)
1ª Classificação
Nada Pânico ou Acidente
Fim 2ª Classificação
Tipologia
Pânico Acidente
Volume (EUC / MAN)
V=0m3 V>0m3
Danos
Sem Com
Treinamento com todos os registros
Treinamento sem a classe Nada
HAIKIN (2001)
Regras de Associação
Regras Geradas
Tipologia Volume (EUC / MAN) Danos
Análise da Interessabilidade
Suporte = 8%Confiança = 90% Todas Variáveis
Regras Inesperadas e Acionáveis
LIU et al. (1998)
LIU et al. (2000)
Índices Acumulados de Chuvas Passadas(Camada de Entrada)
Chuva dos Próximos Períodos – Minutos, Horas, Dias(Camada de Saída)
Predição de Chuva com Redes NeuraisHAIKIN (2001)
ACP
Árvore
Correlação
K - Means
Regionalização dos Dados de Chuva
Predição dos Dados Ausentes de Chuva (RNA)
Simulação específica (acima) Resultado GeralMétodos Razão de Desvio
PadrãoCorrelação de
Pearson-RBoa Performance (%)
ACP 0,34 0,94 67,6Correlação 0,34 0,95 13,3
Árvore 0,55 0,83 10,5
k-means 0,48 0,89 7,6
Dados Predição
740 742 744 746 748 750
Casos
0
5
10
15
20
25
30
Prec
ipita
ção
(mm
/15
min
)
Modelo com 2 camadas (RNA)1ª Classificação
Nada94.1%
Pânico ou Acidente93.6 %
2ª Classificação
Tipologia
Pânico93.6%
Acidente72.4%
Volume (EUC)
V=0m3
87.1%V>0m3
75.9%
Danos
Sem80.2%
Com70.8%
* Resultados considerando a probabilidade condicional na 2ª camada
Volume (MAN)
V=0m3
90.4%V>0m3
74.6%
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)
Chuva da Próxima Hora Chuva do Próximo Dia
Treinamento (80 a 90%), Teste (5 a 10%), Validação (5 a10%)
r2 = 0.96 r2 = 0.96
Pred_1dia
Dados_1dia230 235 240 245 250
Casos
0
30
60
90
120
150
180
210
240
270
Prec
ipita
ção
(mm
)
Predição_1h
Dados_1h890 895 900 905 910
Casos
0
15
30
45
60
75
90
Prec
ipita
ção
(mm
)
BaggingHAN (2001);Ponderação
DUDA (2001);Boosting
TING & ZHENG (1998)
Dados
Reconhecimento Científico e Mídia
Outras Aplicações (Modena, Itália)
Indígenas Xucuru em Pernambuco (MIT, EUA)
ONU, 2007
Candidate: Fábio Teodoro de Souza, PhD(Tsinghua University)
A Data Mining approach for Earthquake Prediction in China
Brussels, February 11th 2010
Science and Technology FellowshipProgramme in China (STF2 China)
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 fortree-ring growth prediction
Fabio Teodoro de Souza
Obrigado
Fabio Teodoro de Souza
PPGTU / PUC-PR
Revista Brasileira de Gestão Urbana (URBE)
