slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Programa de Pós-Graduação em Gestão Urbana (PUC-PR) PowerPoint Presentation
Download Presentation
Programa de Pós-Graduação em Gestão Urbana (PUC-PR)

Loading in 2 Seconds...

play fullscreen
1 / 27

Programa de Pós-Graduação em Gestão Urbana (PUC-PR) - PowerPoint PPT Presentation


  • 89 Views
  • Uploaded on

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.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Programa de Pós-Graduação em Gestão Urbana (PUC-PR)' - tilly


Download Now An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

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

slide2

Extração de Conhecimento

Banco de Dados

Especialista

slide3

Aprendizado do Cérebro Humano

visão

som

olfato

Pipoca

tato

paladar

slide4

Redes Neurais Artificiais

Chuva Acumulada

Dados de

Escorregamentos

Dados de Solo

Topografia

slide5

Etapas de um projeto deMineração de Dados

1. Obtenção dos Dados;2. Preparação dos dados;3. Modelagem

slide7

Parâmetros do Solo - Áreas por Bairros (ha / bairro)

Pedologia

Aptidão

Vulnerabilidade

Uso

Qualidade

Floresta

Latossolo

Boa

Alta

Alerta

Urbana

Aluviais

Regular

Baixa

Conservada

:

:

:

:

:

slide9

Preparação dos Dados

Solos

Pluviometria

Escorregamentos

Regionalização

Data / Hora / Local

Predição da Falha

(RNA)

HAIKIN (2001)

Cálculo

das Taxas

por Bairros

Índices de Chuva

Acumulada (ICA)

Predição do Volume

(KNN)

MITCHELL (1997)

slide10

Modelagem

Montagem de uma matriz

Chuva Acumulada

Dados de Solo

Dados de Escorregamentos

slide11

Modelagem – Classificação (RNA)

HAIKIN (2001)

1ª Classificação

Treinamento com todos os registros

Pânico ou Acidente

Nada

2ª Classificação

Treinamento sem a classe Nada

Fim

Tipologia

Volume (EUC / MAN)

Danos

Pânico

Acidente

Sem

Com

V>0m3

V=0m3

slide12

Regras de Associação

Suporte = 8%

Confiança = 90%

Todas Variáveis

Tipologia

Volume (EUC / MAN)

Danos

Regras Geradas

LIU et al. (1998)

Análise da Interessabilidade

LIU et al. (2000)

Regras Inesperadas e Acionáveis

slide13

Predição de Chuva com Redes Neurais

HAIKIN (2001)

Índices Acumulados de Chuvas Passadas

(Camada de Entrada)

Chuva dos Próximos Períodos – Minutos, Horas, Dias

(Camada de Saída)

slide14

Regionalização dos Dados de Chuva

ACP

Correlação

Árvore

K - Means

slide16

Modelo com 2 camadas (RNA)

1ª Classificação

* Resultados considerando a probabilidade condicional na 2ª camada

Nada

94.1%

Pânico ou Acidente

93.6 %

2ª Classificação

Tipologia

Volume (EUC)

Volume (MAN)

Danos

V=0m3

90.4%

Pânico

93.6%

Acidente

72.4%

V>0m3

74.6%

Sem

80.2%

Com

70.8%

V=0m3

87.1%

V>0m3

75.9%

slide17

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

slide18

Modelo de Predição de Chuvas Intensas (RNA´s)

Treinamento (80 a 90%), Teste (5 a 10%), Validação (5 a10%)

Chuva da Próxima Hora

Chuva do Próximo Dia

r2 = 0.96

r2 = 0.96

slide19

Bagging

HAN (2001);

Ponderação

DUDA (2001);

Boosting

TING & ZHENG (1998)

Dados

candidate f bio teodoro de souza phd tsinghua university

Science and Technology FellowshipProgramme in China (STF2 China)

A Data Mining approach for Earthquake Prediction in China

Candidate: FábioTeodoro de Souza, PhD

(Tsinghua University)

Brussels, February 11th 2010

slide24

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

slide25

A Data Mining approach to predict mass movements induced by seismic events in Sichuan, China

Fabio Teodoro de Souza

Yantai, August 11th 2010

slide26

A Data Mining approach for

tree-ring growth prediction

Fabio Teodoro de Souza

slide27

Obrigado

Fabio Teodoro de Souza

fabio.teodoro@pucpr.br

PPGTU / PUC-PR

RevistaBrasileira de Gestão Urbana (URBE)