Intelligent Data Consolidation Methods for Crowd-Sourced Contributions - A contribution to FireLoc

Abstract

Lidar com um Desastre Natural o mais cedo possível é da maior importância, de forma a mitigar ao máximo os seus efeitos. Embora a preparação e a prevenção sejam etapas importantes para lidar com Desastres Naturais, a velocidade com que uma organização pode responder a eventos dinâmicos também influencia bastante o resultado destes desastres.Graças aos recentes desenvolvimentos ligados à automação, Inteligência Artificial (IA), e ao acesso generalizado a tecnologias móveis, acreditamos que é possível aproveitar esta nova realidade tecnológica para contribuir para a luta contra esses Desastres Naturais.O presente trabalho pretende desenvolver um sistema inteligente capaz de refinar submissões individuais de ocorrências em tempo real, aglomerando-as e posteriormente utilizando-as para sintetizar eventos mais complexos. Isto possibilitará a geo-localização, avaliação de perigo, e monitorização destes eventos.Para conseguir isto, várias técnicas relacionadas com agregação, aglomeração e fusão de dados foram investigadas.Subsequentemente, um número de técnicas foram selecionadas consoante o seu desempenho no contexto dos dados utilizados neste projeto.Este trabalho é uma contribuição modular para o projeto FireLoc, que é um sistema desenhado para identificar, posicionar, e monitorizar fogos florestais com a ajuda de submissões realizadas por voluntários. Este trabalho pretende também criar uma abordagem generalizada para lidar com Desastres Naturais ao proporcionar um sistema inteligente capaz de processar influxos de eventos geo-localizados, dinâmicos, e ricos em dados heterogéneos.O módulo foi avaliado através de vários testes durante a fase de prototipagem, cujos resultados foram posteriormente analisados.Foram utilizados dados sintéticos e dados reais na realização destes testes, sendo que os dados reais foram centrados nos incêndios florestais de outubro de 2017 que ocorreram em Portugal, e os dados sintéticos gerados de forma pseudo-aleatória.Verificou-se que, embora várias configurações e variáveis dos algoritmos usados pelo módulo ainda possam ser ajustadas de forma a produzir melhores resultados, o módulo comportou-se conforme o esperado e produziu resultados precisos e de qualidade, dentro de tempos de execução apropriados.

It is of the most importance to tackle Natural Disasters as early as possible, soas to mitigate their effects to the fullest. While preparation and prevention areimportant steps in dealing with Natural Disasters, the speed at which an organisation can respond to dynamic events can also greatly influence the outcome ofsuch disasters. Thanks to recent developments in automation, Artificial Intelligence (AI), and the widespread access to mobile technology, it is our belief thatit is possible to leverage this new technological reality to contribute to the fightagainst Natural Disasters.The present work aims to develop a smart system capable of refining individual submissions of occurrences made my citizens into clusters made up of morecomplex members, allowing for features such as their geo-location, evaluation oftheir hazardousness, or the tracking of their evolution over time. To reach thisgoal, different techniques related to Clustering and Data Fusion were researched.Subsequently, some were chosen by taking into account their performance andspecifications in regards to the data that is expected in the context of this project.This project is a modular contribution to the FireLoc project, a system designedfor the identification, positioning and monitoring of forest fires with the aid ofcrowd-sourced data. This project also attempts to provide a new general approach to dealing with Natural Disasters, by providing a smart system that manages inflows of information-rich, geo-located events.Our module undertook several tests during our prototyping efforts, whose results were then analysed. These tests included synthetic and real-world data,with the latter being centered around the 2017 October wildfires which took placein Portugal, and the former being pseudo-randomly generated. It was foundthat, while the various settings and variables of the algorithms used by the module could be further adjusted to yield better results, the module still behaved as expected and produced high-quality, accurate outputs, within appropriate computational run-times.