Metodologia para Integração de Dados Heterogêneos via IoT e Bases Públicas para o Monitoramento Preditivo de Cianobactérias em Mananciais

• Fabiano N. Mendes FURG
• Karen P. Mendes IFSul
• Diana F. Adamatti FURG

DOI: https://doi.org/10.5753/erbd.2026.20309

Resumo

Este artigo apresenta uma metodologia de integração de dados heterogêneos para o monitoramento preditivo de cianobactérias em mananciais. A arquitetura híbrida combina dados primários de temperatura e luminosidade, coletados via sensores IoT de baixo custo (ESP32), a dados históricos de nitrogênio e fósforo de bases públicas. O fluxo de dados abrange a aquisição, harmonização e o processamento por inteligência artificial. Serão exploradas as arquiteturas ConvLSTM, para dinâmicas espaço-temporais, e XGBoost, para análise de variáveis ambientais. O trabalho resultará em uma ferramenta acessível para a gestão preventiva de recursos hídricos e mitigação de riscos à saúde pública.

Palavras-chave: Dados Heterogêneos, Cianobactérias, Aprendizado de Máquina, IoT, Mananciais

Referências

Al-Khafaji, M. S. et al. (2025) “Revolutionizing Water Quality Monitoring with Artificial Intelligence: A Systematic Review”, Journal of Studies in Science and Engineering, v. 5, n. 1, p. 1-20.

Brenckman, C. M. et al. (2025) “A Review of Harmful Algal Blooms: Causes, Effects, Monitoring, and Prevention Methods”, Water, v. 17, n. 13, art. 1980, DOI: 10.3390/w17131980.

Caballero, C. B. et al. (2025) “The need for advancing algal bloom forecasting using remote sensing and modeling: Progress and future directions”, Ecological Indicators, v. 172, art. 113244.

Camps-Valls, G. et al. (2025) “Artificial intelligence for modeling and understanding extreme weather and climate events”, Nature Communications Publishing, Cham, DOI: 10.1038/s41467-025-56573-8.

Coffer, M. et al. (2021) “Assessing cyanobacterial frequency and abundance at surface waters near drinking water intakes across the United States”, Water Research (ScienceDirect), DOI: 10.1016/j.watres.2021.117377.

Espressif Systems (2023) “ESP32 series datasheet (versão 3.5)”, Shanghai, [link].

Glibert, P. M. et al. (eds.) (2018) Global Ecology and Oceanography of Harmful Algal Blooms, Springer International Publishing, Cham, DOI: 10.1007/978-3-319-70069-4.

He, S. et al. (2024) “Summer heatwaves promote harmful algal blooms in the Chunjiang Reservoir, an important drinking water source”, Journal of Environmental Management, v. 359, p. 1–16, DOI: 10.1016/j.jenvman.2024.121056.

Mendes, F. N. et al. (2024) “Application of Time Series in the Analysis of Physical-Chemical Data to support the Management of Water Clarification Efficiency in a WaterTreatment Plant”, Transfer Phenomena in Fluid and Heat Flows XV – Scientific.net.

Mendes, F. N. et al. (2026) “Inteligência Artificial e IoT para Monitoramento inteligente de cianobactérias em mananciais de abastecimento público: Uma revisão sistemática de literatura”, Revista Políticas Públicas & Cidades, v. 15, n. 2, p. e3157.

Paepae, T., Bokoro, P. N. and Kyamakya, K. (2022) “A Virtual Sensing Concept for Nitrogen and Phosphorus Monitoring Using Machine Learning Techniques”, Sensors (ou periódico correspondente), v. 22, n. 19, art. 7338.

Page, M. J. et al. (2021) “The PRISMA 2020 statement: an updated guideline for reporting systematic reviews”, BMJ, v. 372, n. 71, DOI: 10.1136/bmj.n71.

Spaulding, S. A. et al. (2024) “Chlorophyll a in lakes and streams of the United States (2005–2022)”, Scientific Data, v. 11, art. 611.

Wu, J. et al. (2021) “Acute health effects associated with satellite-determined cyanobacterial blooms in a drinking water source in Massachusetts”, Environmental Health, v. 20, p. 1–12, DOI: 10.1186/s12940-021-00754-5.

Xue, Z. et al. (2022) “Influence of wind and light on the floating and sinking process of Microcystis”, Scientific Reports, DOI: 10.1038/s41598-022-08977-5.