Análise de Poluição Atmosférica Utilizando Modelos de Sensoriamento Virtual
Resumo
Modelos de sensoriamento virtuais têm sido utilizados para gerar dados sintéticos e fornecer informações complementares. Essa abordagem é importante para analisar aspectos para os quais não existem sensores físicos. Alguns dos problemas na literatura em análise de poluição atmosférica estão ligados à dificuldade financeira para a compra de sensores, à perda de informação e ao armazenamento de dados inválidos. Portanto, esse artigo analisa diversos fatores que contribuem para a poluição atmosférica e apresenta a comparação de diferentes modelos para criação de um sensor virtual para o monóxido de carbono. Por fim, o modelo de Boosted Trees produziu os melhores resultados, com média de 5.078 de RMSE, na geração dos dados sintéticos de cada cidade analisada.
Referências
Amâncio, C. T. and Nascimento, L. F. C. (2012). Asma e poluentes ambientais: um estudo de séries temporais. Revista da Associação Médica Brasileira, 58(3):302–307.
Benesty, J., Chen, J., Huang, Y., and Cohen, I. (2009). Pearson correlation coefficient. In Noise reduction in speech processing, pages 1–4. Springer.
Bonaccorso, G. (2017). Machine learning algorithms. Packt Publishing Ltd.
Bucco, M. V. S. (2010). Construção e testes de validação de amostradores passivos para dióxido de nitrogênio e ozônio.
Campolina, A. B., Rettore, P. H. L., Machado, M. D. V., and Loureiro, A. A. (2017). On the design of vehicular virtual sensors. In 2017 13th International Conference on Distributed Computing in Sensor Systems (DCOSS), pages 134–141. IEEE.
de Jaraguá, H. E. (2019). 6,4 milhões de brasileiros acima de 18 anos sofrem com asma. [Online; accessed 16-february-2021].
Guarieiro, L. L., Vasconcellos, P. C., and Solci, M. C. (2011). Poluentes atmosféricos provenientes da queima de combustíveis fósseis e biocombustíveis: uma breve revisão. Revista Virtual de Química, 3(5):434–445.
Hua, Y., Guo, J., and Zhao, H. (2015). Deep belief networks and deep learning. In Proceedings of 2015 International Conference on Intelligent Computing and Internet of Things, pages 1–4.
Kalai, E. and Samet, D. (1987). On weighted shapley values. International journal of game theory, 16(3):205–222.
Kausar, M. A., Dhaka, V., and Singh, S. K. (2013). Web crawler: a review. International Journal of Computer Applications, 63(2).
Kumar, M. (2015). Real time air pollution map of the world: The world air quality index project.
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. nature, 521(7553):436– 444.
Liu, L., Kuo, S. M., and Zhou, M. (2009). Virtual sensing techniques and their applications. In 2009 International Conference on Networking, Sensing and Control, pages 31–36. IEEE.
Mendes, A. (2019). Mortes devido a poluição. [Online; accessed 13-July-2020].
Moran, T. (2020). Poluição por incêndios orestais no brasil agrava qualidade do ar em cidades distantes. [Online; accessed 17-December-2020].
Nguyen, C. and Hoang, D. (2020). Software-defined virtual sensors for provisioning iot services on demand. In 2020 5th International Conference on Computer and Communication Systems (ICCCS), pages 796–802. IEEE.
Oehmcke, S., Zielinski, O., and Kramer, O. (2018). Input quality aware convolutional lstm networks for virtual marine sensors. Neurocomputing, 275:2603–2615.
Peres, F. d. F. (2005). Meio ambiente e saúde: os efeitos fisiológicos da poluição do ar no desempenho físico-o caso do monóxido de carbono (co). Arquivos em movimento, 1(1):55–63.
Samal, K. K. R., Babu, K. S., Das, S. K., and Acharaya, A. (2019). Time series based air pollution forecasting using sarima and prophet model. In Proceedings of the 2019 International Conference on Information Technology and Computer Communications, pages 80–85.
Twomey, S. (1977). The Inuence of Pollution on the Shortwave Albedo of Clouds. Journal of the Atmospheric Sciences, 34(7):1149–1152.
Zaidan, M. A., Motlagh, N. H., Fung, P. L., Lu, D., Timonen, H., Kuula, J., Niemi, J. V., Tarkoma, S., Petäjä, T., Kulmala, M., et al. (2020). Intelligent calibration and IEEE Sensors Journal, virtual sensing for integrated low-cost air quality sensors. 20(22):13638–13652.
Benesty, J., Chen, J., Huang, Y., and Cohen, I. (2009). Pearson correlation coefficient. In Noise reduction in speech processing, pages 1–4. Springer.
Bonaccorso, G. (2017). Machine learning algorithms. Packt Publishing Ltd.
Bucco, M. V. S. (2010). Construção e testes de validação de amostradores passivos para dióxido de nitrogênio e ozônio.
Campolina, A. B., Rettore, P. H. L., Machado, M. D. V., and Loureiro, A. A. (2017). On the design of vehicular virtual sensors. In 2017 13th International Conference on Distributed Computing in Sensor Systems (DCOSS), pages 134–141. IEEE.
de Jaraguá, H. E. (2019). 6,4 milhões de brasileiros acima de 18 anos sofrem com asma. [Online; accessed 16-february-2021].
Guarieiro, L. L., Vasconcellos, P. C., and Solci, M. C. (2011). Poluentes atmosféricos provenientes da queima de combustíveis fósseis e biocombustíveis: uma breve revisão. Revista Virtual de Química, 3(5):434–445.
Hua, Y., Guo, J., and Zhao, H. (2015). Deep belief networks and deep learning. In Proceedings of 2015 International Conference on Intelligent Computing and Internet of Things, pages 1–4.
Kalai, E. and Samet, D. (1987). On weighted shapley values. International journal of game theory, 16(3):205–222.
Kausar, M. A., Dhaka, V., and Singh, S. K. (2013). Web crawler: a review. International Journal of Computer Applications, 63(2).
Kumar, M. (2015). Real time air pollution map of the world: The world air quality index project.
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. nature, 521(7553):436– 444.
Liu, L., Kuo, S. M., and Zhou, M. (2009). Virtual sensing techniques and their applications. In 2009 International Conference on Networking, Sensing and Control, pages 31–36. IEEE.
Mendes, A. (2019). Mortes devido a poluição. [Online; accessed 13-July-2020].
Moran, T. (2020). Poluição por incêndios orestais no brasil agrava qualidade do ar em cidades distantes. [Online; accessed 17-December-2020].
Nguyen, C. and Hoang, D. (2020). Software-defined virtual sensors for provisioning iot services on demand. In 2020 5th International Conference on Computer and Communication Systems (ICCCS), pages 796–802. IEEE.
Oehmcke, S., Zielinski, O., and Kramer, O. (2018). Input quality aware convolutional lstm networks for virtual marine sensors. Neurocomputing, 275:2603–2615.
Peres, F. d. F. (2005). Meio ambiente e saúde: os efeitos fisiológicos da poluição do ar no desempenho físico-o caso do monóxido de carbono (co). Arquivos em movimento, 1(1):55–63.
Samal, K. K. R., Babu, K. S., Das, S. K., and Acharaya, A. (2019). Time series based air pollution forecasting using sarima and prophet model. In Proceedings of the 2019 International Conference on Information Technology and Computer Communications, pages 80–85.
Twomey, S. (1977). The Inuence of Pollution on the Shortwave Albedo of Clouds. Journal of the Atmospheric Sciences, 34(7):1149–1152.
Zaidan, M. A., Motlagh, N. H., Fung, P. L., Lu, D., Timonen, H., Kuula, J., Niemi, J. V., Tarkoma, S., Petäjä, T., Kulmala, M., et al. (2020). Intelligent calibration and IEEE Sensors Journal, virtual sensing for integrated low-cost air quality sensors. 20(22):13638–13652.
Publicado
16/08/2021
Como Citar
CAMPOS, Gabriel Oliveira; CUNHA, Felipe Domingos da; VILLAS, Leandro Aparecido.
Análise de Poluição Atmosférica Utilizando Modelos de Sensoriamento Virtual. In: WORKSHOP DE COMPUTAÇÃO URBANA (COURB), 5. , 2021, Uberlândia.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 29-42.
ISSN 2595-2706.
DOI: https://doi.org/10.5753/courb.2021.17102.
