Uso de aprendizado de máquina para prever condições de vulnerabilidade social em Uganda (2024)
- Authors:
- Autor USP: TORRES, GUSTAVO CONTINI - ICMC
- Unidade: ICMC
- Sigla do Departamento: SME
- DOI: 10.11606/D.55.2024.tde-18122024-101832
- Subjects: APRENDIZADO COMPUTACIONAL; DESASTRES NATURAIS; VULNERABILIDADE
- Keywords: Dados geoespaciais; Geospatial data; Índice de vulnerabilidade social (SoVI); Machine learning; Natural disasters; Social vulnerability; Social vulnerability index (SoVI); Vulnerabilidade social
- Language: Português
- Abstract: Neste estudo, visamos dois objetivos fundamentais: validar o Índice de Vulnerabilidade Social (SoVI) como uma medida eficiente da vulnerabilidade social em Uganda; e desenvolver modelos de aprendizado de máquina capazes de prever a vulnerabilidade social com base em dados geoespaciais. A vulnerabilidade social, compreendida como a suscetibilidade de populações a adversidades decorrentes de desastres naturais, foi obtida por meio do cálculo do Índice de Vulnerabilidade Social (SoVI) utilizando dados demográficos do programa Demographic and Health Surveys (DHS) de 2006 a 2019. O teste de correlação revelou uma associação significativa (r = 0,74, p < 0,06) entre o SoVI e o número de vítimas fatais de desastres naturais, evidenciando sua validade como medida de vulnerabilidade social. Reconhecendo as limitações temporais e geográficas do SoVI, propusemos uma abordagem inovadora e desenvolvemos modelos de aprendizado de máquina a partir de dados geoespaciais, alcançando um desempenho notável com uma acurácia média de 76.5% na previsão da vulnerabilidade social. Esta abordagem supera desafios relacionados à obsolescência, escassez e disponibilidade limitada de dados de pesquisa tradicionalmente utilizados, proporcionando previsões mais frequentes e abrangentes para o caso de Uganda. No entanto, enfrentamos desafios devido à disponibilidade limitada de dados de desastres naturais na granularidade necessária, resultando em amostras reduzidas que podem refletir na capacidade degeneralização dos resultados. Recomendamos para pesquisas futuras a exploração de fontes alternativas de dados e uma análise mais aprofundada das dimensões da vulnerabilidade social. Este estudo destaca que a validação do SoVI é um processo contínuo e enxerga como promissora a transição dos modelos aqui desenvolvidos para ambientes operacionais de aplicação prática.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 23.08.2024
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
TORRES, Gustavo Contini. Uso de aprendizado de máquina para prever condições de vulnerabilidade social em Uganda. 2024. Mestrado Profissionalizante – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://teses.usp.br/teses/disponiveis/55/55137/tde-18122024-101832/. Acesso em: 16 abr. 2026. -
APA
Torres, G. C. (2024). Uso de aprendizado de máquina para prever condições de vulnerabilidade social em Uganda (Mestrado Profissionalizante). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55137/tde-18122024-101832/ -
NLM
Torres GC. Uso de aprendizado de máquina para prever condições de vulnerabilidade social em Uganda [Internet]. 2024 ;[citado 2026 abr. 16 ] Available from: https://teses.usp.br/teses/disponiveis/55/55137/tde-18122024-101832/ -
Vancouver
Torres GC. Uso de aprendizado de máquina para prever condições de vulnerabilidade social em Uganda [Internet]. 2024 ;[citado 2026 abr. 16 ] Available from: https://teses.usp.br/teses/disponiveis/55/55137/tde-18122024-101832/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
