Ver registro no DEDALUS
Exportar registro bibliográfico

Uma abordagem tolerante a falhas para a previsão de desastres naturais baseada em IoT e aprendizado de máquina (2017)

  • Authors:
  • USP affiliated authors: FURQUIM, GUSTAVO ANTONIO - ICMC
  • USP Schools: ICMC
  • Sigla do Departamento: SSC
  • Subjects: COMPUTAÇÃO MÓVEL; DESASTRES AMBIENTAIS; APRENDIZADO COMPUTACIONAL; FALHAS COMPUTACIONAIS; INTERNET DAS COISAS
  • Keywords: Fault-tolerance; Internet of Things; Machine Learning; Natural Disaster Forecast; Redes de Sensores sem Fio; Tolerância a Falhas; Wireless Sensor Network
  • Language: Português
  • Abstract: O aumento na quantidade e na intensidade de desastres naturais é um problema que está se agravando em todo o mundo. As consequências desses desastres são significantemente ampliadas quando ocorrem em regiões urbanas ou com atuação humana devido à perda de vidas e à quantidade de bens materiais afetados. O uso de redes de sensores sem fio para a coleta de dados e o uso de técnicas de aprendizado de máquina para a previsão de desastres naturais são opções viáveis, porém novas tendências tecnológicas têm se mostrado promissoras e podem agregar na tarefa de monitoramento de ambientes e na previsão de desastres naturais. Uma dessas tendências é adotar redes de sensores baseadas em IP e utilizar padrões emergentes para IoT. Nesse contexto, esta Tese propõe e analisa uma abordagem chamada SENDI (System for dEtecting and forecasting Natural Disasters based on IoT), um sistema tolerante a falhas baseado em IoT, WSN e AM para a detecção e a previsão de desastres naturais. O SENDI foi modelado empregando o ns-3 e validado utilizando dados coletados por uma WSN real instalada na cidade de São Carlos - Brasil, a qual realiza a coleta de dados de rios da região. Esse sistema também prevê a possibilidade de falhas na comunicação e a perda de nós durante a ocorrência de desastres, além de agregar inteligência aos nós para realizar a distribuição de dados e de previsões, mesmo nesses casos. Esta Tese também apresenta um estudo de caso sobre previsão de enchentes que utiliza a modelagem dosistema e os dados colhidos pela WSN. Os resultados dos experimentos mostram que o SENDI permite gerar alertas para a tomada de decisões em tempo hábil, realizando as previsões mesmo com falhas parciais no sistema, porém com acurácia variável dependendo do nível de degradação do mesmo.
  • Imprenta:
  • Data da defesa: 11.08.2017
  • Acesso online ao documento

    Online access or search this record in

    Exemplares físicos disponíveis nas Bibliotecas da USP
    BibliotecaCód. de barrasNúm. de chamada
    ICMC30300052037T F989at e.1
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      FURQUIM, Gustavo Antonio; UEYAMA, Jo. Uma abordagem tolerante a falhas para a previsão de desastres naturais baseada em IoT e aprendizado de máquina. 2017.Universidade de São Paulo, São Carlos, 2017. Disponível em: < http://www.teses.usp.br/teses/disponiveis/55/55134/tde-06122017-083224/ >.
    • APA

      Furquim, G. A., & Ueyama, J. (2017). Uma abordagem tolerante a falhas para a previsão de desastres naturais baseada em IoT e aprendizado de máquina. Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-06122017-083224/
    • NLM

      Furquim GA, Ueyama J. Uma abordagem tolerante a falhas para a previsão de desastres naturais baseada em IoT e aprendizado de máquina [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-06122017-083224/
    • Vancouver

      Furquim GA, Ueyama J. Uma abordagem tolerante a falhas para a previsão de desastres naturais baseada em IoT e aprendizado de máquina [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-06122017-083224/

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI: