Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Outros Autores: | |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Engenharia Sanitaria e Ambiental |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1413-41522022000601155 |
Resumo: | RESUMO Um problema emergente para a segurança hídrica consiste nas consequências da eutrofização sobre a qualidade das águas. Metodologias de regressão convencionais não têm sido suficientes para explicar satisfatoriamente a complexidade da relação entre as variáveis hidrológicas e limnológicas desse processo. Nessa perspectiva, esta pesquisa buscou identificar preditores para variáveis indicadoras de eutrofização (cianobactérias, clorofila a, nitrogênio, fósforo e medição em disco de Secchi), por meio das relações destas entre si e entre 17 variáveis fisiográficas e climáticas das bacias hidrográficas de 155 reservatórios do semiárido brasileiro. Aplicou-se um método de aprendizado de máquina com o algoritmo classification and regression trees para árvores de decisão. Os resultados revelaram que os indicadores de eutrofização estão intrinsecamente relacionados entre si, de maneira especial as concentrações de clorofila a com os demais. A variabilidade da vazão afluente repercutiu no aumento da concentração de cianobactérias; a redução do volume de água armazenado gerou aumento da concentração de nitrogênio e fósforo; e a densidade de drenagem gerou aumento da concentração de nitrogênio. As concentrações de nitrogênio superiores a 5 mg.L−1 apresentaram consequências representativas sobre a clorofila a, a qual esteve fortemente associada às cianobactérias. O volume de água armazenado, a precipitação e a vazão afluente aos reservatórios também foram preditores da transparência das águas. Apesar de os índices de performance do modelo apontarem para margens de erro amplas para os conjuntos de dados com elevados coeficientes de variação, a aplicação de árvores de decisão pode auxiliar no entendimento de processos ocorridos e no planejamento de ações estratégicas para a governança hídrica. |
id |
ABES-1_e5c7f12bcca5a753b1e577cdf90a4aba |
---|---|
oai_identifier_str |
oai:scielo:S1413-41522022000601155 |
network_acronym_str |
ABES-1 |
network_name_str |
Engenharia Sanitaria e Ambiental |
repository_id_str |
|
spelling |
Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisãonitrogêniofósforocianobactériasclorofila aalgoritmo classification and regression treesRESUMO Um problema emergente para a segurança hídrica consiste nas consequências da eutrofização sobre a qualidade das águas. Metodologias de regressão convencionais não têm sido suficientes para explicar satisfatoriamente a complexidade da relação entre as variáveis hidrológicas e limnológicas desse processo. Nessa perspectiva, esta pesquisa buscou identificar preditores para variáveis indicadoras de eutrofização (cianobactérias, clorofila a, nitrogênio, fósforo e medição em disco de Secchi), por meio das relações destas entre si e entre 17 variáveis fisiográficas e climáticas das bacias hidrográficas de 155 reservatórios do semiárido brasileiro. Aplicou-se um método de aprendizado de máquina com o algoritmo classification and regression trees para árvores de decisão. Os resultados revelaram que os indicadores de eutrofização estão intrinsecamente relacionados entre si, de maneira especial as concentrações de clorofila a com os demais. A variabilidade da vazão afluente repercutiu no aumento da concentração de cianobactérias; a redução do volume de água armazenado gerou aumento da concentração de nitrogênio e fósforo; e a densidade de drenagem gerou aumento da concentração de nitrogênio. As concentrações de nitrogênio superiores a 5 mg.L−1 apresentaram consequências representativas sobre a clorofila a, a qual esteve fortemente associada às cianobactérias. O volume de água armazenado, a precipitação e a vazão afluente aos reservatórios também foram preditores da transparência das águas. Apesar de os índices de performance do modelo apontarem para margens de erro amplas para os conjuntos de dados com elevados coeficientes de variação, a aplicação de árvores de decisão pode auxiliar no entendimento de processos ocorridos e no planejamento de ações estratégicas para a governança hídrica.Associação Brasileira de Engenharia Sanitária e Ambiental - ABES2022-11-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S1413-41522022000601155Engenharia Sanitaria e Ambiental v.27 n.6 2022reponame:Engenharia Sanitaria e Ambientalinstname:Associação Brasileira de Engenharia Sanitária e Ambiental (ABES)instacron:ABES10.1590/s1413-415220220099info:eu-repo/semantics/openAccessFreire,Letícia LacerdaSouza Filho,Francisco de Assispor2022-12-02T00:00:00Zoai:scielo:S1413-41522022000601155Revistahttp://www.scielo.br/esaONGhttps://old.scielo.br/oai/scielo-oai.php||esa@abes-dn.org.br1809-44571413-4152opendoar:2022-12-02T00:00Engenharia Sanitaria e Ambiental - Associação Brasileira de Engenharia Sanitária e Ambiental (ABES)false |
dc.title.none.fl_str_mv |
Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão |
title |
Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão |
spellingShingle |
Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão Freire,Letícia Lacerda nitrogênio fósforo cianobactérias clorofila a algoritmo classification and regression trees |
title_short |
Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão |
title_full |
Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão |
title_fullStr |
Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão |
title_full_unstemmed |
Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão |
title_sort |
Inter-relações entre preditores de eutrofização em reservatórios do semiárido brasileiro: como mensurar? Uma aplicação de aprendizado de máquina por árvores de decisão |
author |
Freire,Letícia Lacerda |
author_facet |
Freire,Letícia Lacerda Souza Filho,Francisco de Assis |
author_role |
author |
author2 |
Souza Filho,Francisco de Assis |
author2_role |
author |
dc.contributor.author.fl_str_mv |
Freire,Letícia Lacerda Souza Filho,Francisco de Assis |
dc.subject.por.fl_str_mv |
nitrogênio fósforo cianobactérias clorofila a algoritmo classification and regression trees |
topic |
nitrogênio fósforo cianobactérias clorofila a algoritmo classification and regression trees |
description |
RESUMO Um problema emergente para a segurança hídrica consiste nas consequências da eutrofização sobre a qualidade das águas. Metodologias de regressão convencionais não têm sido suficientes para explicar satisfatoriamente a complexidade da relação entre as variáveis hidrológicas e limnológicas desse processo. Nessa perspectiva, esta pesquisa buscou identificar preditores para variáveis indicadoras de eutrofização (cianobactérias, clorofila a, nitrogênio, fósforo e medição em disco de Secchi), por meio das relações destas entre si e entre 17 variáveis fisiográficas e climáticas das bacias hidrográficas de 155 reservatórios do semiárido brasileiro. Aplicou-se um método de aprendizado de máquina com o algoritmo classification and regression trees para árvores de decisão. Os resultados revelaram que os indicadores de eutrofização estão intrinsecamente relacionados entre si, de maneira especial as concentrações de clorofila a com os demais. A variabilidade da vazão afluente repercutiu no aumento da concentração de cianobactérias; a redução do volume de água armazenado gerou aumento da concentração de nitrogênio e fósforo; e a densidade de drenagem gerou aumento da concentração de nitrogênio. As concentrações de nitrogênio superiores a 5 mg.L−1 apresentaram consequências representativas sobre a clorofila a, a qual esteve fortemente associada às cianobactérias. O volume de água armazenado, a precipitação e a vazão afluente aos reservatórios também foram preditores da transparência das águas. Apesar de os índices de performance do modelo apontarem para margens de erro amplas para os conjuntos de dados com elevados coeficientes de variação, a aplicação de árvores de decisão pode auxiliar no entendimento de processos ocorridos e no planejamento de ações estratégicas para a governança hídrica. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-11-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1413-41522022000601155 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1413-41522022000601155 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/s1413-415220220099 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Associação Brasileira de Engenharia Sanitária e Ambiental - ABES |
publisher.none.fl_str_mv |
Associação Brasileira de Engenharia Sanitária e Ambiental - ABES |
dc.source.none.fl_str_mv |
Engenharia Sanitaria e Ambiental v.27 n.6 2022 reponame:Engenharia Sanitaria e Ambiental instname:Associação Brasileira de Engenharia Sanitária e Ambiental (ABES) instacron:ABES |
instname_str |
Associação Brasileira de Engenharia Sanitária e Ambiental (ABES) |
instacron_str |
ABES |
institution |
ABES |
reponame_str |
Engenharia Sanitaria e Ambiental |
collection |
Engenharia Sanitaria e Ambiental |
repository.name.fl_str_mv |
Engenharia Sanitaria e Ambiental - Associação Brasileira de Engenharia Sanitária e Ambiental (ABES) |
repository.mail.fl_str_mv |
||esa@abes-dn.org.br |
_version_ |
1754213197818101760 |