<div dir="ltr"><br><br><div class="gmail_quote"><div dir="ltr"><div> </div><div> </div><div><div>CSEE Colloquium</div><div>Friday, April 19, 2013 at 1:00 pm</div><div>ITE 227, UMBC<br></div><div> </div><div>Human Sensor Networks: Information Retrieval of Sensor Data from Heterogeneous Social Media Sources</div>

<div><br></div><div>Oleg Aulov</div><div>Ph.D. student, UMBC</div><div><br></div><div><span style="white-space:pre-wrap">     </span>This talk will discuss the importance of different roles that social media can play in management, monitoring, modeling and mitigation of natural and human-caused disasters. A novel approach is presented that has high potential for computational science to drastically improve disaster management. In the proposed approach, social media sources are viewed as a Human Sensor Network, and Social Media users are viewed as "human sensors" that are "deployed" in the field, and their posts are considered to be "sensor observations". These data can serve as a low-cost augmentation to an observing system, which can be incorporated into geophysical models together with other scientific data, such as satellite observations and sensor measurements.</div>

<div><span style="white-space:pre-wrap">  </span>Several use case scenarios are presented. In the case of the Deepwater Horizon oil spill disaster that devastated the Gulf of Mexico, we gathered the social media data that mentioned sightings of oil from Flickr, geolocated them, and used them as boundary forcings in the General NOAA Oil Modeling Environment (GNOME) software for oil spill plume movement predictions. We showed how social media data can be incorporated into the GNOME model to obtain improved estimates of the model parameters such as rates of oil spill, couplings between surface winds and ocean currents, diffusion coefficient, and other model parameters.</div>

<div><span style="white-space:pre-wrap">  </span>In the case of the Tohoku Earthquake and Tsunami of 2011, the GNOME model is modified to be used for tracking debris in the ocean instead of oil. The social media data is to be assimilated into this model as initial conditions from which the model is forecasting/hind-casting the movement. Social media aspects of handheld devices such as Geiger counters that can potentially detect radioactive debris will be discussed as well.</div>

<div><span style="white-space:pre-wrap">  </span>In the case of Hurricane Sandy of 2012 that devastated the East Coast, we have collected 8 million tweets and 370,000 Instagram images that mention the hurricane. We will analyze and incorporate this data into the NOAA storm surge model called SLOSH.</div>

<div><span style="white-space:pre-wrap">  </span>Social media mining and citizen science projects performed by groups outside of UMBC on air quality, earthquakes and the Fukushima disaster will also be summarized as related work.</div>

<div><br>Oleg Aulov received a B.S. degree in mathematics from the University of Central Missouri, Warrensburg, MO, in 2004 and an M.S. degree in Computer Science with a concentration in Computer Security and Information Assurance from George Washington University, Washington, DC, in 2006. He is currently working toward a Ph.D. degree in the Department of Computer Science and Electrical Engineering at University of Maryland, Baltimore County, Baltimore, MD. His topics of interest include social media mining, citizen science, machine learning, trust establishment and management, information assurance, and social engineering.</div>

<div> </div><div> </div></div></div>
</div><br></div>