Modelagem e Predição temporal de Parâmetros de Qualidade de Água usando Redes Neurais Profundas
Resumo
A qualidade da água está diretamente relacionada com o seu nível de poluição, e para isso, é necessário o monitoramento para identificar as características físicas, químicas e biológicas, considerando a legislação vigente. Este artigo apresenta a comparação dos modelos de rede neural Long-Short Term Memory (LSTM) e Perceptron Multilayer (MLP) para predizer os parâmetros pH, OD, DBO, Fósforo e Turbidez da qualidade da água. Foram usadas as métricas de erro RMSE e MSE, quando as redes neurais são configuradas com 10, 25 e 50 neurônios. A rede LSTM apresentou um RMSE médio de 0,134, MSE médio de 0,035 e MAPE médio de 13,49. A rede MLP apresentou RMSE médio de 0,085, MSE médio de 0,01 e MAPE médio de 13,03. Os resultados do experimentos visam contribuir com o processo de monitoramento da qualidade da água e auxiliar o planejamento da gestão hídrica através do modelo de aprendizado de máquina adequado para predição dos parâmetros.
Palavras-chave:
Monitoramento de qualidade da água, LTSM, MLP
Referências
ANA (2018). Conjuntura dos recursos hídricos no brasil 2018: relatório pleno. Technical report, Agência Nacional de Águas.
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.
Da Silva, I. N., Spatti, D. H., and Flauzino, R. A. (2010). Redes NEurais Artificiais para Engenharia e Ciências Aplicadas: Curso Prático. Artliber.
de Fravet, A. M. M. F. and Cruz, R. L. (2007). Qualidade da água utilizada para irrigação de hortaliças na região de botucatu-sp. Irriga, pages 144–155.
Derisio, J. C. (2016). Introdução ao controle de poluição ambiental. Oficina de Textos.
Dragoi, E., Kovács, Z., Juzsakova, T., Curteanu, S., and Cretescu, I. (2018). Environmental assesment of surface waters based on monitoring data and neuro-evolutive modelling. Process Safety and Environmental Protection, 120:136–145.
Gastaldini, M., Mendonça, A., Paiva, J., and Paiva, E. (2001). Conceitos para a avaliação da qualidade da água. PAIVA, JBD; PAIVA, EMCD Hidrologia aplicada à gestão de pequenas bacias hidrográficas. Porto Alegre: ABRH, pages 428–51.
Gastaldini, M. and Teixeira, E. (2001). Avaliação da qualidade da água. PAIVA, JBD; PAIVA, EMCD Hidrologia aplicada à gestão de pequenas bacias hidrográficas. Porto Alegre: ABRH, pages 453–90.
Goldschmidt, R. and Passos, E. (2005). Data mining: um guia Prático. Elsevier.
Haykin, S. (2007). Redes neurais: princípios e prática. Bookman Editora.
Heddam, S. (2016). Simultaneous modelling and forecasting of hourly dissolved oxygen concentration (do) using radial basis function neural network (rbfnn) based approach: a case study from the klamath river, oregon, usa. Modeling Earth Systems and Environment, 2(3):135.
khandelwal, R. (2019). Overview of different optimizers for neural networks.
Monard, M. C. and Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, 1(1):1.
Olah, C. (2015). Understanding lstm networks, 2015. URL http://colah. github. io/posts/2015-08- Understanding-LSTMs.
Sahoo, M. M., Patra, K., and Khatua, K. (2015). Inference of water quality index using anfia and pca. Aquatic Procedia, 4:1099–1106.
Santos, A. M. d., Seixas, J. M. d., Pereira, B. d. B., and Medronho, R. d. A. (2005). Usando redes neurais artificiais e regressão logística na predição da hepatite a. Revista Brasileira de Epidemiologia, 8(2):117– 126.
Sarkar, A. and Pandey, P. (2015). River water quality modelling using artificial neural network technique. Aquatic Procedia, 4:1070–1077.
Solanki, A., Agrawal, H., and Khare, K. (2015). Predictive analysis of water quality parameters using deep learning. International Journal of Computer Applications, 125(9):0975–8887.
Yamak, P. T., Yujian, L., and Gadosey, P. K. (2019). A comparison between arima, lstm, and gru for time series forecasting. In Proceedings of the 2019 2nd International Conference on Algorithms, Computing and Artificial Intelligence, ACAI 2019, page 49–55, New York, NY, USA. Association for Computing Machinery.
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.
Da Silva, I. N., Spatti, D. H., and Flauzino, R. A. (2010). Redes NEurais Artificiais para Engenharia e Ciências Aplicadas: Curso Prático. Artliber.
de Fravet, A. M. M. F. and Cruz, R. L. (2007). Qualidade da água utilizada para irrigação de hortaliças na região de botucatu-sp. Irriga, pages 144–155.
Derisio, J. C. (2016). Introdução ao controle de poluição ambiental. Oficina de Textos.
Dragoi, E., Kovács, Z., Juzsakova, T., Curteanu, S., and Cretescu, I. (2018). Environmental assesment of surface waters based on monitoring data and neuro-evolutive modelling. Process Safety and Environmental Protection, 120:136–145.
Gastaldini, M., Mendonça, A., Paiva, J., and Paiva, E. (2001). Conceitos para a avaliação da qualidade da água. PAIVA, JBD; PAIVA, EMCD Hidrologia aplicada à gestão de pequenas bacias hidrográficas. Porto Alegre: ABRH, pages 428–51.
Gastaldini, M. and Teixeira, E. (2001). Avaliação da qualidade da água. PAIVA, JBD; PAIVA, EMCD Hidrologia aplicada à gestão de pequenas bacias hidrográficas. Porto Alegre: ABRH, pages 453–90.
Goldschmidt, R. and Passos, E. (2005). Data mining: um guia Prático. Elsevier.
Haykin, S. (2007). Redes neurais: princípios e prática. Bookman Editora.
Heddam, S. (2016). Simultaneous modelling and forecasting of hourly dissolved oxygen concentration (do) using radial basis function neural network (rbfnn) based approach: a case study from the klamath river, oregon, usa. Modeling Earth Systems and Environment, 2(3):135.
khandelwal, R. (2019). Overview of different optimizers for neural networks.
Monard, M. C. and Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, 1(1):1.
Olah, C. (2015). Understanding lstm networks, 2015. URL http://colah. github. io/posts/2015-08- Understanding-LSTMs.
Sahoo, M. M., Patra, K., and Khatua, K. (2015). Inference of water quality index using anfia and pca. Aquatic Procedia, 4:1099–1106.
Santos, A. M. d., Seixas, J. M. d., Pereira, B. d. B., and Medronho, R. d. A. (2005). Usando redes neurais artificiais e regressão logística na predição da hepatite a. Revista Brasileira de Epidemiologia, 8(2):117– 126.
Sarkar, A. and Pandey, P. (2015). River water quality modelling using artificial neural network technique. Aquatic Procedia, 4:1070–1077.
Solanki, A., Agrawal, H., and Khare, K. (2015). Predictive analysis of water quality parameters using deep learning. International Journal of Computer Applications, 125(9):0975–8887.
Yamak, P. T., Yujian, L., and Gadosey, P. K. (2019). A comparison between arima, lstm, and gru for time series forecasting. In Proceedings of the 2019 2nd International Conference on Algorithms, Computing and Artificial Intelligence, ACAI 2019, page 49–55, New York, NY, USA. Association for Computing Machinery.
Publicado
30/06/2020
Como Citar
ALMEIDA, Anderson; AMARIS, Marcos; MERLIN, Bruno; VERAS, Allan .
Modelagem e Predição temporal de Parâmetros de Qualidade de Água usando Redes Neurais Profundas. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 11. , 2020, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 121-130.
ISSN 2595-6124.
DOI: https://doi.org/10.5753/wcama.2020.11026.
