Análise e mensuração do risco de remoção via aprendizado de máquina multimodal

• Processo: 24/12863-8
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de dezembro de 2024
• Data de Término da vigência: 31 de agosto de 2029
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Fabio Kon
• Beneficiário: Pedro Henrique Rezende Mendonça
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 23/00811-0 - EcoSustain: ciência de dados e computação para o meio ambiente, AP.TEM
• Assunto(s): Ciência de dados Urbanismo
• Palavra(s)-Chave do Pesquisador: bases de dados espaciais | Ciência de dados | Políticas Públicas baseadas em Evidências | Remoções | Urbanismo | Ciência de Dados, Planejamento Urbano

Resumo

Processos de remoção são caracterizados pelo deslocamento forçado de pessoas para fora de seus locais de moradia. Obter informações sobre esses processos é um desafio de pesquisa, geralmente enfrentado de forma qualitativa. Identificá-los em uma escala mais abrangente e, assim, compreender seus efeitos em grandes centros urbanos, exige empregar outros métodos e tecnologias. A diversidade de fontes de dados sobre cidades oferece uma descrição heterogênea sobre dinâmicas urbanas, mas não específicas sobre remoções. Essa diversidade impõe desafios metodológicos para ampliação da abrangência e cobertura temporal do mapeamento e monitoramento do risco de remoção. Este projeto de Doutorado Direto tem como objetivo a aplicação de métodos de Ciência de Dados, como modelagem e aprendizado de máquina com dados espaciais e não espaciais, para viabilizar a identificação e monitoramento frequentes, quantitativos e abrangentes do risco de remoção. Um estudo de caso será conduzido no contexto da Região Metropolitana de São Paulo, tendo como ponto de partida o mapeamento realizado pelo Observatório de Remoções (OR) da Faculdade de Arquitetura e Urbanismo da Universidade de São Paulo. A modelagem do problema e implementação de uma solução computacional permitirão avaliar de forma comparada o desempenho de algoritmos de aprendizado unimodal e multimodal com bases de dados espaciais. Os resultados serão consolidados em software livre e disponibilizados com ferramentas de visualização de dados para acesso amplo voltado ao público técnico. Este é um projeto interdisciplinar que envolve as áreas de Ciência de Dados, Ciência da Computação e Planejamento Urbano.