Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/49709 |
Resumo: | A poluição atmosférica é um problema que está cada vez mais presente em nossa sociedade devido ao crescente desenvolvimento dos países. No estudo de poluentes atmosféricos, métodos de estatística multivariada são comumente utilizados, porém a aprendizagem de máquina tem se mostrado uma ótima alternativa, dispondo de técnicas capazes de lidar com problemas de grande complexidade, como é o caso da poluição do ar. Neste trabalho, a técnica de aprendizagem de máquina, Mapas Auto-Organizáveis (SOM), foi utilizada para exploração e análise de dados de poluentes atmosféricos e parâmetros metereológicos de uma rede de monitoramento da qualidade do ar, com estações localizadas na cidade de Salvador - Bahia. O SOM oferece diversos recursos capazes de tornar o estudo de dados mais abragente, os quais foram utilizados tanto para o desenvolvimento de uma análise individual quanto conjunta sobre as estações, que poderam também ser comparados com uma análise de componentes principais. A partir da aplicação do SOM foi possível identificar correlações presentes entre os poluentes das estações estudadas, destacando principalmente a similaridade entre os poluentes NO, NO2 e CO, assim como a similaridade do MP10, SO2 e O3 com os parâmetros meteorológicos presentes em cada estação. Com base na disposição dos neurônios e na formação dos agrupamentos realizados, o SOM permitiu com que características relacionadas ao conjunto de amostras fossem identificadas, possibilitando um estudo sobre a formação de clusters, distribuições, concentrações de poluentes atmosféricos e parâmetros meteorológicos e como cada estação de monitoramento pode está relacionada a sua formação/contribuição, possibilitando uma análise mais abrangente do que a oferecida em métodos tradicionais. Os resultados obtidos mostraram o quão útil e efetivo pode ser o SOM em problemas de poluição do ar, evidenciando diferentes possibilidades na forma de análise de dados que podem ser exploradas para o desenvolvimento de novas pesquisas. |
id |
UFRN_e0bdbe105a227415d9f347299fbc5e4d |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/49709 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Costa, Emanoel Lucas Rodrigueshttp://lattes.cnpq.br/9512606353480761https://orcid.org/0000-0001-7536-2506http://lattes.cnpq.br/3475337353676349Albuquerque, Édler Lins deDoria Neto, Adrião Duartehttps://orcid.org/0000-0002-5445-7327http://lattes.cnpq.br/1987295209521433Fontes, Cristiano Hora de OliveiraFernandes, Marcelo Augusto Costa2022-11-09T21:03:05Z2022-11-09T21:03:05Z2022-07-27COSTA, Emanoel Lucas Rodrigues. Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos. Orientador: Marcelo Augusto Costa Fernandes. 2022. 78f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/49709A poluição atmosférica é um problema que está cada vez mais presente em nossa sociedade devido ao crescente desenvolvimento dos países. No estudo de poluentes atmosféricos, métodos de estatística multivariada são comumente utilizados, porém a aprendizagem de máquina tem se mostrado uma ótima alternativa, dispondo de técnicas capazes de lidar com problemas de grande complexidade, como é o caso da poluição do ar. Neste trabalho, a técnica de aprendizagem de máquina, Mapas Auto-Organizáveis (SOM), foi utilizada para exploração e análise de dados de poluentes atmosféricos e parâmetros metereológicos de uma rede de monitoramento da qualidade do ar, com estações localizadas na cidade de Salvador - Bahia. O SOM oferece diversos recursos capazes de tornar o estudo de dados mais abragente, os quais foram utilizados tanto para o desenvolvimento de uma análise individual quanto conjunta sobre as estações, que poderam também ser comparados com uma análise de componentes principais. A partir da aplicação do SOM foi possível identificar correlações presentes entre os poluentes das estações estudadas, destacando principalmente a similaridade entre os poluentes NO, NO2 e CO, assim como a similaridade do MP10, SO2 e O3 com os parâmetros meteorológicos presentes em cada estação. Com base na disposição dos neurônios e na formação dos agrupamentos realizados, o SOM permitiu com que características relacionadas ao conjunto de amostras fossem identificadas, possibilitando um estudo sobre a formação de clusters, distribuições, concentrações de poluentes atmosféricos e parâmetros meteorológicos e como cada estação de monitoramento pode está relacionada a sua formação/contribuição, possibilitando uma análise mais abrangente do que a oferecida em métodos tradicionais. Os resultados obtidos mostraram o quão útil e efetivo pode ser o SOM em problemas de poluição do ar, evidenciando diferentes possibilidades na forma de análise de dados que podem ser exploradas para o desenvolvimento de novas pesquisas.Air pollution is a problem that is increasingly present in our society due to the growing development of countries. In the study of air pollutants, multivariate statistical methods are commonly used, however machine learning has proved to be a great alternative, presenting techniques capable of dealing with highly complex problems, such as air pollution. In this work, the machine learning technique, Self-Organizing Maps (SOM), was used to explore and analyze data on atmospheric pollutants and meteorological parameters from an air quality monitoring network, with stations located in the city of Salvador - Bahia. SOM offers several resources capable of making the study of data more comprehensive, which were used for the development of an individual and mutual analysis on the stations, being also compared with a principal component analysis. From the application of the SOM, it was possible to identify correlations between the pollutants of the studied stations, highlighting mainly the similarity between the pollutants NO, NO2 and CO, as well as the similarity of the MP10, SO2 and O3 with the meteorological parameters in each station. Based on the arrangement of neurons and the formation of the clusters performed, the SOM allowed the identification of characteristics related to the set of samples, enabling a study on the formation of clusters, distributions, concentrations of atmospheric pollutants and meteorological and how each monitoring station is related to its formation/contribution, enabling a more comprehensive analysis than that offered in traditional methods. The results obtained showed how useful and effective SOM can be in air pollution problems, highlighting different possibilities in the form of data analysis that can be explored for the development of new researches.Universidade Federal do Rio Grande do NortePROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃOUFRNBrasilCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAAprendizagem de máquinaPoluentes atmosféricosMapas auto-organizáveisAnálise de dadosAgrupamentosMapas auto-organizáveis aplicados à análise de poluentes atmosféricosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALMapasautoorganizaveis_Costa_2022.pdfapplication/pdf12977980https://repositorio.ufrn.br/bitstream/123456789/49709/1/Mapasautoorganizaveis_Costa_2022.pdfefef288e4948c38a7d78ca532e6468dcMD51123456789/497092022-11-09 18:03:39.007oai:https://repositorio.ufrn.br:123456789/49709Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-11-09T21:03:39Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos |
title |
Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos |
spellingShingle |
Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos Costa, Emanoel Lucas Rodrigues CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Aprendizagem de máquina Poluentes atmosféricos Mapas auto-organizáveis Análise de dados Agrupamentos |
title_short |
Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos |
title_full |
Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos |
title_fullStr |
Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos |
title_full_unstemmed |
Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos |
title_sort |
Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos |
author |
Costa, Emanoel Lucas Rodrigues |
author_facet |
Costa, Emanoel Lucas Rodrigues |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9512606353480761 |
dc.contributor.advisorID.pt_BR.fl_str_mv |
https://orcid.org/0000-0001-7536-2506 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3475337353676349 |
dc.contributor.referees1.none.fl_str_mv |
Doria Neto, Adrião Duarte |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
https://orcid.org/0000-0002-5445-7327 |
dc.contributor.referees1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1987295209521433 |
dc.contributor.referees2.none.fl_str_mv |
Fontes, Cristiano Hora de Oliveira |
dc.contributor.author.fl_str_mv |
Costa, Emanoel Lucas Rodrigues |
dc.contributor.advisor-co1.fl_str_mv |
Albuquerque, Édler Lins de |
dc.contributor.advisor1.fl_str_mv |
Fernandes, Marcelo Augusto Costa |
contributor_str_mv |
Albuquerque, Édler Lins de Fernandes, Marcelo Augusto Costa |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Aprendizagem de máquina Poluentes atmosféricos Mapas auto-organizáveis Análise de dados Agrupamentos |
dc.subject.por.fl_str_mv |
Aprendizagem de máquina Poluentes atmosféricos Mapas auto-organizáveis Análise de dados Agrupamentos |
description |
A poluição atmosférica é um problema que está cada vez mais presente em nossa sociedade devido ao crescente desenvolvimento dos países. No estudo de poluentes atmosféricos, métodos de estatística multivariada são comumente utilizados, porém a aprendizagem de máquina tem se mostrado uma ótima alternativa, dispondo de técnicas capazes de lidar com problemas de grande complexidade, como é o caso da poluição do ar. Neste trabalho, a técnica de aprendizagem de máquina, Mapas Auto-Organizáveis (SOM), foi utilizada para exploração e análise de dados de poluentes atmosféricos e parâmetros metereológicos de uma rede de monitoramento da qualidade do ar, com estações localizadas na cidade de Salvador - Bahia. O SOM oferece diversos recursos capazes de tornar o estudo de dados mais abragente, os quais foram utilizados tanto para o desenvolvimento de uma análise individual quanto conjunta sobre as estações, que poderam também ser comparados com uma análise de componentes principais. A partir da aplicação do SOM foi possível identificar correlações presentes entre os poluentes das estações estudadas, destacando principalmente a similaridade entre os poluentes NO, NO2 e CO, assim como a similaridade do MP10, SO2 e O3 com os parâmetros meteorológicos presentes em cada estação. Com base na disposição dos neurônios e na formação dos agrupamentos realizados, o SOM permitiu com que características relacionadas ao conjunto de amostras fossem identificadas, possibilitando um estudo sobre a formação de clusters, distribuições, concentrações de poluentes atmosféricos e parâmetros meteorológicos e como cada estação de monitoramento pode está relacionada a sua formação/contribuição, possibilitando uma análise mais abrangente do que a oferecida em métodos tradicionais. Os resultados obtidos mostraram o quão útil e efetivo pode ser o SOM em problemas de poluição do ar, evidenciando diferentes possibilidades na forma de análise de dados que podem ser exploradas para o desenvolvimento de novas pesquisas. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-11-09T21:03:05Z |
dc.date.available.fl_str_mv |
2022-11-09T21:03:05Z |
dc.date.issued.fl_str_mv |
2022-07-27 |
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.citation.fl_str_mv |
COSTA, Emanoel Lucas Rodrigues. Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos. Orientador: Marcelo Augusto Costa Fernandes. 2022. 78f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/49709 |
identifier_str_mv |
COSTA, Emanoel Lucas Rodrigues. Mapas auto-organizáveis aplicados à análise de poluentes atmosféricos. Orientador: Marcelo Augusto Costa Fernandes. 2022. 78f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2022. |
url |
https://repositorio.ufrn.br/handle/123456789/49709 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/49709/1/Mapasautoorganizaveis_Costa_2022.pdf |
bitstream.checksum.fl_str_mv |
efef288e4948c38a7d78ca532e6468dc |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117838426603520 |