Processamento de imagens para detecção e predição de enchentes

• Processo: 21/10921-2
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Vigência (Início): 01 de dezembro de 2021
• Vigência (Término): 30 de junho de 2024
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Jó Ueyama
• Beneficiário: Caetano Mazzoni Ranieri
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Aprendizado computacional Processamento de imagens Inteligência artificial Internet das coisas Previsão de enchentes urbanas São Carlos (SP)
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | predição de enchentes | Processamento de imagens | Redes Neurais Profundas | Aprendizado de máquina

Resumo

Enchentes têm sido problemáticas no Brasil, frequentemente causando perdas materiais e de vidas. Várias cidades, como São Paulo, São Carlos, Osasco e Mogi das Cruzes sofreram em decorrência das enchentes. O grupo responsável por esta pesquisa tem realizado um trabalho relevante na área de detecção de enchentes usando tecnologias como a internet das coisas. Sensores de detecção de enchentes foram instalados na cidade de São Carlos em parceria com a Prefeitura de São Carlos-SP, Brasil. Este projeto visa detectar e prever inundações através de imagens e assim automatizar o processo de identificação de inundações sem intervenção humana. Tal abordagem utiliza apenas câmeras sem a necessidade do sensor de altura do rio, que ficaria submerso nos córregos urbanos. Os sensores de altura do rio são geralmente suscetíveis a falhas, pois estão continuamente em contato com a água do rio. Além disso, os órgãos de Defesa Civil muitas vezes possuem imagens de rios inundados e, portanto, acreditamos que o uso de processamento de imagens para detecção de enchentes é oportuno, pois um único sensor (ou seja, uma câmera) é necessário para detectar enchentes e fornecer imagens aos órgãos de Defesa Civil. Diferentes modelos de previsão de enchentes com base em câmeras às mergens do rio serão projetados e análises contextualizadas considerando diferentes tipos de modalidades serão realizadas. (AU)

Publicações científicas

(5)

(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)

BRITO, LUCAS A. V.; MENEGUETTE, RODOLFO I.; DE GRANDE, ROBSON E.; RANIERI, CAETANO M.; UEYAMA, JO. FLORAS: urban flash-flood prediction using a multivariate model. APPLIED INTELLIGENCE, v. N/A, p. 19-pg., 2022-12-02. (20/07162-0, 21/10921-2)

CARDOSO E SILVA, ALEF VINICIUS; GIUNTINI, FELIPE TALIAR; RANIERI, CAETANO MAZZONI; MENEGUETTE, RODOLFO IPOLITO; GARCIA, RODRIGO DUTRA; RAMACHANDRAN, GOWRI SANKAR; KRISHNAMACHARI, BHASKAR; UEYAMA, JO. MADCS: A Middleware for Anomaly Detection and Content Sharing for Blockchain-Based Systems. Journal of Network and Systems Management, v. 31, n. 3, p. 29-pg., 2023-07-01. (21/10921-2, 13/07375-0, 18/17335-9)

RANIERI, CAETANO M.; MOIOLI, RENAN C.; VARGAS, PATRICIA A.; ROMERO, ROSELI A. F.. A neurorobotics approach to behaviour selection based on human activity recognition. OGNITIVE NEURODYNAMIC, v. N/A, p. 20-pg., 2022-09-27. (18/25902-0, 21/10921-2, 13/07375-0, 17/02377-5, 17/01687-0)

MOSAIYEBZADEH, FATEMEH; POURIYEH, SEYEDAMIN; PARIZI, REZA M.; SHENG, QUAN Z.; HAN, MENG; ZHAO, LIANG; SANNINO, GIOVANNA; RANIERI, CAETANO MAZZONI; UEYAMA, JO; BATISTA, DANIEL MACEDO. Privacy-Enhancing Technologies in Federated Learning for the Internet of Healthcare Things: A Survey. ELECTRONICS, v. 12, n. 12, p. 28-pg., 2023-06-01. (21/10921-2, 14/50937-1, 15/24485-9, 13/07375-0)

VALENTINI, EDIVALDO PASTORI; ROCHA FILHO, GERALDO PEREIRA; DE GRANDE, ROBSON EDUARDO; RANIERI, CAETANO MAZZONI; PEREIRA JUNIOR, LOURENCO ALVES; MENEGUETTE, RODOLFO IPOLITO. A Novel Mechanism for Misbehavior Detection in Vehicular Networks. IEEE ACCESS, v. 11, p. 14-pg., 2023-01-01. (23/08420-0, 21/06210-3, 13/07375-0, 20/07162-0, 21/10921-2)