Pluv-Web: um Gateway Científico Orientado a Dados para Análise e Monitoramento de Chuvas na Cidade de Niterói

• Fabio Victorino Universidade Federal Fluminense
• Annie Amorim Universidade Federal Fluminense
• Kaio Pereira Universidade Federal Fluminense
• Gabriel Assis Universidade Federal Fluminense
• Arthur Poustka Universidade Federal Fluminense
• Felipe Oliveira Universidade Federal Fluminense
• Yuri Frota Universidade Federal Fluminense
• Andressa Nemirovsky Secretaria Municipal de Defesa Civil e Geotecnia de Niterói
• Nathalia Moura Secretaria Municipal de Defesa Civil e Geotecnia de Niterói
• Aline Paes Universidade Federal Fluminense
• Marcos Lage Universidade Federal Fluminense
• Daniel de Oliveira Universidade Federal Fluminense

DOI: https://doi.org/10.5753/sbbd_estendido.2023.233224

Resumo

Uma tarefa fundamental a ser realizada pelos governos é planejar-se para evitar problemas causados por eventos climáticos extremos (e.g., deslizamentos, cheias, etc). Esse planejamento pode ser apoiado por soluções que envolvem áreas da Computação como Gerência de Dados, Visualização e Aprendizado de Máquina. Neste artigo de demonstração, apresentamos o gateway científico Pluv-Web para apoiar a análise e o monitoramento de chuvas e eventos climáticos na cidade de Niterói. O Pluv-Web permite a visualização interativa de dados históricos e de tempo real de chuvas e de ocorrências de enchentes e deslizamentos, além de identificar inundações por meio de imagens de câmeras e gerar rotas otimizadas para atendimento a ocorrências geradas por eventos climáticos.

Palavras-chave: Visualização de dados, Monitoramento de chuvas

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.

Harby, A. A. and Zulkernine, F. H. (2022). From data warehouse to lakehouse: A comparative review. In Tsumoto, S., Ohsawa, Y., Chen, L., den Poel, D. V., Hu, X., Motomura, Y., Takagi, T., Wu, L., Xie, Y., Abe, A., and Raghavan, V., editors, IEEE International Conference on Big Data, Big Data 2022, Osaka, Japan, December 17-20, 2022, pages 389–395. IEEE.

Lage, M., Victorino, F., Moreira, G., Sá, B., Paes, A., Amorim, A., Cholodoysky, D., Pereira, K., Assis, G., Poustka, A., Alves, P., Nemirovsky, A., Moura, N., and de Oliveira, D. (2022). @weathernit: uma plataforma orientada a dados para monitoramento de chuvas e ocorrências de eventos climáticos. In Anais Estendidos do XXXVII Simpósio Brasileiro de Bancos de Dados, pages 209–214, Búzios, RJ. SBC.

Lu, G. Y. and Wong, D. W. (2008). An adaptive inverse-distance weighting spatial interpolation technique. Computers & geosciences, 34(9):1044–1055.

Pierce, M. E., Miller, M. A., Brookes, E. H., Wong, M., Liu, Y., Afgan, E., Gesing, S., Dahan, M., Marru, S., and Walker, T. (2018). Towards a science gateway reference architecture. In Atkinson, M. P. and Gesing, S., editors, Proceedings of the 10th International Workshop on Science Gateways, Edinburgh, Scotland, UK, 13-15 June, 2018, volume 2357 of CEUR Workshop Proceedings. CEUR-WS.org.

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).

Thorndahl, S. and Willems, P. (2008). Probabilistic modeling 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.