Avaliação estatística de dados de rede social e sensores metereológicos para detecção de alagamentos urbanos

Abstract

Alagamentos urbanos estão entre os desastres naturais mais caros e frequentes associados à precipitação em áreas urbanas. Aproveitar dados geoespaciais provenientes de mídias sociais e sensores físicos oferece uma oportunidade valiosa para a detecção eficaz de alagamentos. Esta pesquisa realiza uma análise estatística dos dados da rede social Twitter, pluviômetros, dados de radar e nível do rio para a detecção de alagamentos. O estudo destaca a eficácia da combinação de várias fontes de dados para a detecção de alagamentos na Bacia do Tamanduateí, em São Paulo. Variáveis meteorológicas, como as medições de precipitação de pluviômetros e radar, foram essenciais para relacionar os níveis de precipitação com eventos de alagamentos. Dados de nível do rio do Sistema de Alerta de Inundações de São Paulo, revelaram uma forte correlação entre o nível do rio e as condições de alagamento, especialmente durante em situações de "Alerta" e "Emergência". Além disso, dados da mídia social demonstraram que a frequência de palavras-chave relacionadas a alagamentos em tweets correlacionava-se significativamente com os eventos hidrológicos, indicando que este tipo de fonte pode ser valiosa para a detecção de alagamentos urbanas.

Floods are among the most expensive and frequent natural disasters linked to precipitation in urban areas. Leveraging geospatial data from social media and physical sensors offers a valuable opportunity for effective flood detection. This research performs statistical analysis of data from the social media Twitter, rain gauges, radar data, and river levels for flood detection. The study highlights the effectiveness of combining various data sources for flood detection in Tamanduatei Basin in São Paulo. Meteorological variables, such as rainfall measurements from rain gauges and radar, were essential in linking precipitation levels to flooding events. River level data from the São Paulo Flood Alert System revealed a strong correlation between river levels and flood conditions, especially during "Warning"and "Emergency"situations. Additionally, social media data showed a significant correlation between the frequency of flood-related keywords in tweets and actual flood events, suggesting that this type of data can be a valuable source for detecting urban flood detection