Uso de aprendizado de máquina para prever condições de vulnerabilidade social em Uganda

• Ano de defesa: 2024
• Autor(a) principal: Torres, Gustavo Contini
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Dados geoespaciais; Desastres naturais; Geospatial data; Índice de vulnerabilidade social (SoVI); Machine learning; Natural disasters; Social vulnerability; Social vulnerability index (SoVI); Vulnerabilidade social
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55137/tde-18122024-101832/

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 de generalização 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.