A machine learning approach to environmental sustainability

Detalhes bibliográficos
Autor(a) principal: Silva, Carolina Oliveira da
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/71012
Resumo: Dissertação de mestrado em Systems Engineering
id RCAP_3dcbab781313bebb579543b6e1c46675
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/71012
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling A machine learning approach to environmental sustainabilityDeep learningEnvironmental sustainabilityMachine learningSupervised learningAprendizagem supervisionadaSustentabilidade ambientalEngenharia e Tecnologia::Outras Engenharias e TecnologiasDissertação de mestrado em Systems EngineeringEnvironmental sustainability is one of the biggest concerns nowadays. With environmental increasingly latent negative impacts, it is substantiated that future generations may be compromised. Thus, this research addresses this topic, in particular, the air quality and atmospheric pollution, as well as water issues regarding a wastewater treatment plant. This study comes from a combination of Machine Learning supervised models to predict multiple parameters regarding environmental sustainability. Through the application of regression and classification models, the study target involves the air and the water quality in Guimarães city. Therefore, the key research goals are to predict attributes such as the Ultraviolet index, Carbon Monoxide air concentration, and water pH. Using Decision Trees, Random forest, Multilayer Perceptron, and Long Short-Term Memory, these parameters were forecasted. In this way, this study describes these models’ implementation and optimization processes, as well as the results generated. Predicting parameters of this nature will allow the anticipation of problematic situations, enabling preventive actions. Further, it grants the optimization and reallocation of resources, promoting the best for the population and the common good. After the entire implementation process, several conclusions arose from this research. First, from the Ultraviolet index levels (defined by the World Health Organization) prediction, was achieved a maximum accuracy of approximately 93%. Moreover, regarding this parameter prediction using regression models, the best result showed a Mean Absolute Error of 0.36. Besides, this index was further predicted based on a time series, resulting in a Mean Absolute Error of about 0.15. Additionally, also using a time series approach, the Carbon Monoxide air concentration was forecasted, achieving a Mean Absolute Error of 1.345 × 10−7. Finally, considering the water pH problem was reached, as the lowest Mean Absolute Error, a value equal to 0.11.A sustentabilidade ambiental é uma das maiores preocupações da atualidade. Com impactos negativos ambientais cada vez mais latentes, está provado que as gerações futuras podem estar comprometidas. Assim, esta pesquisa vem abordar este tópico, em particular, a qualidade do ar e a poluição atmosférica, bem como as questões hídricas no contexto de uma estação de tratamento de águas residuais. Este estudo advém de uma combinação de modelos de aprendizagem supervisionada com o objetivo de prever vários parâmetros referentes à sustentabilidade ambiental. Através da aplicação de modelos de regressão e classificação, o alvo da investigação envolve a qualidade do ar e da água na cidade de Guimarães. Por conseguinte, os principais objetivos da pesquisa passam por prever atributos como o índice de radiação ultravioleta, a concentração de monóxido de carbono no ar e o pH da água. Usando Árvores de Decisão, Random Forest, Perceptron Multicamadas e Long Short-Term Memory, esses parâmetros foram alvo de previsão. Deste modo, este estudo descreve os processos de implementação e otimização desses modelos, bem como os resultados gerados. A previsão de parâmetros desta natureza permitirá a antecipação de situações problemáticas, possibilitando ações preventivas. Ademais, permite a otimização e realocação de recursos, promovendo o melhor para a população e o bem comum. Após todo o processo de implementação, várias conclusões surgiram desta pesquisa. Em primeiro lugar, da previsão dos níveis do índice ultravioleta (definidos pela Organização Mundial da Saúde), foi alcançada uma precisão máxima de, aproximadamente, 93 %. Além disso, em relação à previsão deste parâmetro por meio de modelos de regressão, o melhor resultado apresentou um Erro Médio Absoluto de 0,36. Além do mais, esse índice foi alvo de previsão com base em uma série temporal, resultando em um Erro Médio Absoluto de cerca de 0,15. Ainda, também utilizando uma abordagem de série temporal, a concentração de monóxido de carbono no ar foi prevista, atingindo um Erro Médio Absoluto de 1,345 ×10−7. Por fim, considerando o problema do pH da água foi atingido, como o menor Erro Médio Absoluto, um valor igual a 0,11.This work was partially supported by National Funds through the Portuguese funding agency, FCT - Foundation for Science and Technology, within the project DSAIPA/AI/0099/2019Novais, PauloDias, BrunoUniversidade do MinhoSilva, Carolina Oliveira da20202020-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/71012eng202635392info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:46:21Zoai:repositorium.sdum.uminho.pt:1822/71012Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:44:20.630982Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv A machine learning approach to environmental sustainability
title A machine learning approach to environmental sustainability
spellingShingle A machine learning approach to environmental sustainability
Silva, Carolina Oliveira da
Deep learning
Environmental sustainability
Machine learning
Supervised learning
Aprendizagem supervisionada
Sustentabilidade ambiental
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
title_short A machine learning approach to environmental sustainability
title_full A machine learning approach to environmental sustainability
title_fullStr A machine learning approach to environmental sustainability
title_full_unstemmed A machine learning approach to environmental sustainability
title_sort A machine learning approach to environmental sustainability
author Silva, Carolina Oliveira da
author_facet Silva, Carolina Oliveira da
author_role author
dc.contributor.none.fl_str_mv Novais, Paulo
Dias, Bruno
Universidade do Minho
dc.contributor.author.fl_str_mv Silva, Carolina Oliveira da
dc.subject.por.fl_str_mv Deep learning
Environmental sustainability
Machine learning
Supervised learning
Aprendizagem supervisionada
Sustentabilidade ambiental
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
topic Deep learning
Environmental sustainability
Machine learning
Supervised learning
Aprendizagem supervisionada
Sustentabilidade ambiental
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
description Dissertação de mestrado em Systems Engineering
publishDate 2020
dc.date.none.fl_str_mv 2020
2020-01-01T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1822/71012
url http://hdl.handle.net/1822/71012
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 202635392
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133003767611392

Registros relacionados