Aumento da resiliência em habitações de baixo custo com o uso da ciência da mudança climática e da análise de dados

Resumo

O projeto visa aumentar a resiliência das comunidades de baixa renda que vivem em áreas propensas a desastres. O foco está nas zonas costeiras baixas, com alto risco de secas e inundações em partes selecionadas do Brasil, África Oriental e América do Norte. Desenvolverá o conhecimento geográfico e socioeconômico das pessoas que vivem nas áreas de favelas e leitos dos rios, reunindo dados georreferenciados sobre infraestruturas e patrimônio natural de locais potenciais. A equipe do projeto também investigará as barreiras de adoção de tecnologia e os direcionadores de difusão através da criação e criação de protótipos de um sistema habitacional acessível, resistente a desastres e de baixa renda que use materiais sustentáveis com recursos locais. O desenvolvimento de espaços urbanos é uma função da localização geográfica, história econômica, padrão de desenvolvimento urbano e governança terá influência na resiliência. O desenvolvimento (ou a falta dele) de um centro urbano é resultado de iniquidades sociais, econômicas e políticas existentes. Pacotes de políticas para preparação para desastres que não considerem as circunstâncias únicas de populações vulneráveis podem inadvertidamente causar danos à baixa renda famílias. Considerações sobre sustentabilidade ambiental e saúde pública serão incluídas. O aprendizado da máquina (Machine Learning) e a ciência dos dados (Big Data Analytics) serão usados para identificar pacotes urbanos ideais de planejamento e planejamento urbano de habitação resiliente a desastres, considerando as mudanças climáticas relacionadascenários climáticos extremos entre a hora atual e 2050. Embora os grandes dados sejam passíveis de previsão climática de longo prazo, os dados para previsões localizadas e sazonais ainda são incertos e escassos. O Machine Learning tem potencial. Outras aplicações demonstraram que podetrabalhe com big data ou com dados esparsos. A pesquisa contribuirá para modelar com precisão os eventos climáticos e climáticos extremos no nível espaço-temporal, para aumentar a compreensão dos cientistas climáticos e, ao mesmo tempo, capacitar os formuladores de políticas na tomada de decisões relacionadas a desastres. (AU)