Predição temporal e espaço-temporal dos parâmetros da qualidade da água

• Anderson Almeida UFPA
• Marcos Amaris UFPA
• Bruno Merlin UFPA

DOI: https://doi.org/10.5753/erad-no2.2021.18676

Resumo

A qualidade da água está diretamente relacionada com o seu nível de poluição causada pelas ações antrópicas e industriais. Por isso, são realizados os monitoramentos limnológicos dos parâmetros básicos da qualidade da água, como forma de obtenção de dados que norteiam as tomadas de decisão dos órgãos gestores de recursos hídricos. Neste contexto, o presente estudo tem o objetivo de analisar o conjunto de dados e o desempenho dos algoritmos regressão linear, random forest, redes neurais MLP e LSTM na predição temporal e espaço-temporal. Os modelos são avaliados através das métricas MAPE e RMSE. Portanto, na predição temporal a técnica LSTM apresenta o menor MAPE médio, 4.66% e o MLP o menor RMSE médio, 2.47. Porém, na predição espaço-temporal, o MLP tem o menor resultado médio de MAPE e RMSE, respectivamente, 5.94% e 1.34.

Referências

Almeida, A., Amaris, M., Merlin, B., and Veras, A. (2020). Modelagem e predição temporal de parâmetros de qualidade de água usando redes neurais profundas. In Anais do XI Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais, pages 121–130. SBC.

Bandara, K., Bergmeir, C., and Smyl, S. (2020). Forecasting across time series databases using recurrent neural networks on groups of similar series: A clustering approach. Expert Systems with Applications, 140:112896.

Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.

Da Silva, I. N., Spatti, D. H., and Flauzino, R. A. (2010). Redes NEurais Artificiais para Engenharia e Ciências Aplicadas: Curso Prático. Artliber.

Derisio, J. C. (2016). Introdução ao controle de poluição ambiental. Oficina de Textos.

Fu, B., Merritt, W. S., Croke, B. F., Weber, T. R., and Jakeman, A. J. (2019). A review of catchment-scale water quality and erosion models and a synthesis of future prospects. Environmental modelling & software, 114:75–97.

Marotta, H., Santos, R. O. d., and Enrich-Prast, A. (2008). Monitoramento limnológico: um instrumento para a conservação dos recursos hídricos no planejamento e na gestão urbano-ambientais. Ambiente & sociedade, 11(1):67–79.

Monard, M. C. and Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, 1(1):1.

Solanki, A., Agrawal, H., and Khare, K. (2015). Predictive analysis of water quality International Journal of Computer Applications, parameters using deep learning. 125(9):0975–8887.