Utilize este identificador para referenciar este registo:
http://hdl.handle.net/10071/23563
Autoria: | Gonçalves, Sandra de Jesus Pereira |
Orientação: | Ferreira, João Carlos Amaro Pereira, Ana Maria Dias Madureira |
Data: | 11-Nov-2021 |
Título próprio: | Data-driven disaster management in a smart city |
Referência bibliográfica: | Gonçalves, S. de J. P. (2021). Data-driven disaster management in a smart city [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório do Iscte. http://hdl.handle.net/10071/23563 |
Palavras-chave: | Disaster management Data mining -- Machine learning Smart Cities Gestão de desastres |
Resumo: | Disasters, both natural and man-made, are complex events that result in the loss of human life and/or the destruction of properties. The advances in Information Technology (IT) and Big Data Analysis represent an opportunity for the development of resilient environments, since from the application of Big Data (BD) technologies it is possible not only to extract patterns of occurrences of events, but also to predict them.
The work carried out in this dissertation aims to apply the CRISP-DM methodology to conduct a descriptive and predictive analysis of the events that occurred in the city of Lisbon, with emphasis on the events that affected buildings.
Through this research it was verified the existence of temporal and spatial patterns of occurrences with some events occurring in certain periods of the year, such as floods and collapses that are recorded more frequently in periods of high precipitation. The spatial analysis showed that the city center is the area most affected by the occurrences, and it is in these areas where the largest proportion of buildings with major repair needs are concentrated.
Finally, machine learning models were applied to the data, and the Random Forest model obtained the best result with an accuracy of 58%.
This research contributes to improve the resilience of the city since the analysis developed allowed to extract insights regarding the events and their occurrence patterns that will help the decision-making process. Os desastres, tanto naturais quanto as provocadas pelo homem, são eventos complexos que se traduzem em perdas de vidas e/ou destruição de propriedades. Os avanços na área de Tecnologias de Informação e Big Data Analysis representam uma oportunidade para o desenvolvimento de ambientes resilientes dado que, a partir da aplicação das tecnologias de Big Data (BD), é possível não só extrair padrões de ocorrências dos eventos, mas também fazer a previsão dos mesmos. O trabalho realizado nesta dissertação visa aplicar a metodologia CRISP-DM de forma a conduzir análises descritivas e preditivas sobre os eventos que ocorreram na cidade de Lisboa, com ênfase nos eventos que afetaram os edifícios. A investigação permitiu verificar a existência de padrões temporais e espaciais eventos a ocorrer em certos períodos do ano, como é o caso das cheias e inundações que são registados com maior frequência nos períodos de alta precipitação. A análise espacial permitiu verificar que a área do centro da cidade é a área mais afetada pelas ocorrências sendo nestas áreas onde se concentram a maior proporção de edifícios com grandes necessidades de reparação. Por fim, modelos de aprendizagem automática foram aplicados aos dados tendo o modelo Random Forest obtido o melhor resultado com accuracy de 58%. Esta pesquisa contribui para melhorar o aumento da resiliência da cidade pois, a análise desenvolvida permitiu extrair insights sobre os eventos e os seus padrões de ocorrência que irá ajudar os processos de tomada de decisão. |
Designação do grau: | Mestrado em Sistemas Integrados de Apoio à Decisão |
Arbitragem científica: | yes |
Acesso: | Acesso Aberto |
Aparece nas coleções: | T&D-DM - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
master_sandra_pereira_goncalves.pdf | 1,92 MB | Adobe PDF | Ver/Abrir |
Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.