@WeatherNit: uma Plataforma Orientada a Dados para Monitoramento de Chuvas e Ocorrências de Eventos Climáticos
Resumo
O número de eventos climáticos extremos têm aumentado em todo planeta, impactando fortemente grandes centros urbanos, em especial aqueles que cresceram de forma desordenada. Nessas regiões, enchentes e deslizamentos de terras são responsáveis por muitas mortes, todos os anos. Por isso, planejamentos que ajudem a se antecipar, reagir e evitar tais eventos são de fundamental importância. Neste artigo, apresentamos uma plataforma chamada @WeatherNit para o monitoramento de chuvas e eventos climáticos na cidade de Niterói. A plataforma permite a visualização interativa de dados históricos e de tempo real de volumes acumulados de chuvas e de ocorrências de enchentes e deslizamentos, integrados e armazenados usando um Data Lakehouse. A plataforma foi avaliada com um estudo de caso utilizando dados do CEMADEN e da Prefeitura de Niterói que demonstrou o potencial da abordagem no monitoramento de crises e no apoio ao desenvolvimento de políticas públicas.
Referências
De Frenne, P., Lenoir, J., Luoto, M., Scheffers, B., et al. (2021). Forest microclimates and climate change: Importance, drivers and future research agenda. Global Change Biology, 27(11):2279-2297.
de Souza, C. V. F., da Cunha Luz Barcellos, P., Crissaff, L., Cataldi, M., Miranda, F., and Lage, M. (2022). Visualizing simulation ensembles of extreme weather events. Computers & Graphics, 104:162-172.
Diehl, A., Pelorosso, L., Delrieux, C., Saulo, C., Ruiz, J., Gröller, M. E., and Bruckner, S. (2015). Visual analysis of spatio-temporal data: Applications in weather forecasting. In Computer Graphics Forum, number 3 in 34, pages 381-390.
Esplugues, F. B., Gramaje, M. d. C. P., and Garcia-Haro, F. J. (2013). Técnicas de mineria de datos para el analisis de periodos de sequia en Espana. Revista Tiempo y Clima, 5(30).
Kumar, P., Chandra, R., Bansal, C., Kalyanaraman, S., Ganu, T., and Grant, M. (2021). Micro-climate prediction multi-scale encoder-decoder based deep learning framework. KDD, page 3128-3138.
Lu, G. Y. and Wong, D. W. (2008). An adaptive inverse-distance weighting spatial interpolation technique. Computers & geosciences, 34(9):1044-1055.
Mizutori, M. and Guha-Sapir, D. (2020). Human cost of disasters 2000-2019. Technical report, United Nations Office for Disaster Risk Reduction.
Morais, L. d. and Ferreira, N. C. (2015). Banco de dados pluviométricos integrados por dados do sensor trmm e estações pluviométricas no estado de Goiás. Anais Eletr., 17.
Rolnick, D., Donti, P. L., Kaack, L. H., Kochanski, K., Lacoste, A., Sankaran, K., et al. (2022). Tackling climate change with machine learning. ACM Comput. Surv., 55(2).
Salas, D., Liang, X., Navarro, M., Liang, Y., and Luna, D. (2020). An open-data open-model framework for hydrological models' integration, evaluation and application. Environ. Model. Softw., 126:104622.
Thorndahl, S. and Willems, P. (2008). Probabilistic modelling of overflow, surcharge and flooding in urban drainage using the first-order reliability method and parameterization of local rain series. Water Research, 42(1):455-466.