Explorando a abordagem multimodal na detecção e previsão de enchentes

• Processo: 22/09644-7
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de fevereiro de 2023
• Data de Término da vigência: 31 de janeiro de 2025
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Jó Ueyama
• Beneficiário: Jó Ueyama
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Pesquisadores associados: Caetano Mazzoni Ranieri ; Maria Mercedes Gamboa Medina
• Assunto(s): Internet das coisas Inteligência artificial Visão computacional Previsão climatológica Previsão de enchentes urbanas
• Palavra(s)-Chave do Pesquisador: abordagens multimodais | Detecção de Enchentes | Inteligência Artificial | Internet das Coisas | Visão Computacional | Internet das Coisas

Resumo

Este projeto visa explorar a abordagem multimodal para detectar e prever enchentes. Por multimodal, entende-se que várias abordagens de sensoriamento serão explorados para monitorar os rios urbanos. O primeiro sensor que se pretende usar é o de infravermelho para aferir o nível de água do córrego ou rio. O segundo sensor diz respeito às câmeras que capturam imagens do rio em tempo-real e são analisadas posteriormente. O terceiro sensor planejado é um código de barras que se está estudando. O quarto inclui o uso da inteligência artificial no monitoramento de rios urbanos. A abordagem multimodal já é explorada usualmente para as tarefas do cotidiano. Por exemplo, se uma pessoa deseja reconhecer o estado emocional de outra, ela analisa várias modalidades como a fala, a face e a linguagem corporal. Estudos têm mostrado que a abordagem multimodal aumenta a taxa de acerto na detecção da emoção. Esta proposta almeja explorar esta abordagem na detecção/previsão de enchentes. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

RANIERI, CAETANO MAZZONI; SOUZA, THAIS LUIZA DONEGA E; NISHIJIMA, MARISLEI; KRISHNAMACHARI, BHASKAR; UEYAMA, JO. A deep learning workflow enhanced with optical flow fields for flood risk estimation. APPLIED INTELLIGENCE, v. 54, n. 7, p. 22-pg., 2024-04-22. (22/09644-7, 21/10921-2, 13/07375-0)

RANIERI, CAETANO M.; FOLETTO, ANGELO V. K.; GARCIA, RODRIGO D.; MATOS, SAULO N.; MEDINA, MARIA M. G.; MARCOLINO, LEANDRO S.; UEYAMA, JO. Water level identification with laser sensors, inertial units, and machine learning. ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE, v. 127, p. 17-pg., 2023-10-11. (22/09644-7, 21/10921-2, 13/07375-0)