IQArMobi: Classificação Inteligente da Qualidade do Ar e Ciente de Localização em Ambientes Externos e Internos

• Eusébio Thaylor Unifesspa
• Nandson Cunha Unifesspa
• Alife Moraes Unifesspa
• Warley Junior Unifesspa
• Elton Alves Unifesspa

DOI: https://doi.org/10.5753/wcama.2025.9015

Resumo

A poluição atmosférica, impulsionada pelo crescimento urbano, industrial e agrícola, tem impactado negativamente a saúde humana, a biodiversidade e o meio ambiente, exigindo soluções eficazes de monitoramento. Diante desse desafio, este trabalho propõe uma solução inteligente, denominada IQArMobi, que combina algoritmos de aprendizado de máquina e cálculo de distância para classificar o Índice de Qualidade do Ar (IQAr) com base em dados de sensores IoT, fornecendo informações precisas e personalizadas aos usuários. Como principal resultado, o algoritmo Logistic Regression destacou-se como o melhor classificador, com 99% de acurácia, seguido pelo Random Forest (96%), validando a eficácia desta solução na tomada de decisões em tempo real.

Referências

CONAMA (2024). Resolução nž 491/2018. Padrões da qualidade do ar.

Cunha, N., Moraes, A., Silva, N., Malon, M., Junior, W., Alves, E., Eras, L., Victor, J., and Oliveira, A. (2024). Arquitetura de monitoramento de qualidade de ar baseada no lorawan e fiware em um campus universitário. In Anais do XV Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais, pages 169–178, Porto Alegre, RS, Brasil. SBC.

Imam, M., Adam, S., Dev, S., and Nesa, N. (2024). Air quality monitoring using statistical learning models for sustainable environment. Intelligent Systems with Applications, page 200333.

Kumar, K. and Pande, B. P. (2023). Air pollution prediction with machine learning: a case study of Indian cities. International Journal of Environmental Science and Technology, 20(5):5333–5348.

Kumar, T. and Doss, A. (2023). Airo: Development of an intelligent iot-based air quality monitoring solution for urban areas. Procedia Computer Science, 218:262–273.

Mottahedin, P., Chahkandi, B., Moezzi, R., Fathollahi-Fard, A. M., Ghandali, M., and Gheibi, M. (2024). Air quality prediction and control systems using machine learning and adaptive neuro-fuzzy inference system. Heliyon, 10(21).

Rastogi, K. and Lohani, D. (2022). Context-aware iot-enabled framework to analyse and predict indoor air quality. Intelligent Systems with Applications, 16:200132.

Schürholz, D., Kubler, S., and Zaslavsky, A. (2020). Artificial intelligence-enabled context-aware air quality prediction for smart cities. Journal of Cleaner Production, 271.

Serdaroglu, K. C., Baydere, S., Saovapakhiran, B., and Charnsripinyo, C. (2023). Location Aware Fog Computing Based Air Quality Monitoring System. In 2023 International Conference on Smart Applications, Communications and Networking, SmartNets 2023. Institute of Electrical and Electronics Engineers Inc.

Wallbanks, S., Griffiths, B., Thomas, M., Price, O. J., and Sylvester, K. P. (2024). Impact of environmental air pollution on respiratory health and function. Physiological Reports, 12(16):e70006.