Previsão de material particulado a curto e médio prazos com o uso de redes neurais artificiais

• Autor(a) principal: Lui, Elaine Schornobay
• Data de Publicação: 2016
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: http://www.teses.usp.br/teses/disponiveis/18/18138/tde-30032017-163007/
• topic: Climatic variables; Material particulado; Neural network; Particulate matter; Redes neurais; Variáveis climáticas

A preocupação com a qualidade do ar é crescente. Nos últimos anos, as emissões industriais e veiculares acarretam em muitos casos, especialmente em áreas urbanas, condições inadequadas para a saúde da população. Diversos estudos relacionam aumento em internações hospitalares, especialmente por problemas respiratórios, durante episódios de altas concentrações de material particulado. O objetivo deste estudo foi coletar dados diários de concentração de MP10 e compará-los com uma série de dados de quase 10 anos de coleta disponíveis para a cidade de São Carlos-SP. Além disso, ambas as séries de dados foram utilizadas para criar modelos de previsão da concentração de material particulado utilizando como ferramenta as redes neurais artificiais. O local escolhido para aquisição dos dados foi a Praça Voluntários da Pátria, no centro de São Carlos, em função da grande circulação de pessoas e veículos. As duas séries de dados foram coletadas com um equipamento amostrador de grande volume (AGV-MP10). A série 1 (1997-2006) foi obtida para caracterizar o MP de São Carlos. As coletas eram realizadas alternando-se os dias na semana. Para a série 2 (2014-2015) foram realizadas coletas diárias, com o mesmo equipamento e no mesmo local de amostragem da série 1. Para a criação dos modelos de previsão foram utilizados dados do Banco de Dados Meteorológicos para Ensino e Pesquisa (BDMEP) do Instituto Nacional de Meteorologia (INMET), de temperatura (°C), umidade relativa (%), velocidade do vento (m/s) e o acumulado de precipitação (mm). Os modelos foram desenvolvidos no softwareMatLab, utilizando duas arquiteturas de redes neurais, uma do tipo MLP (Multilayer Percetron) e outra do tipo NARX (nonlinear autoregressive network with exogenous inputs). Comparando os dados de MP10 da série 1 e da série 2, foi observado que houve uma redução nos índices de concentração de MP10 ao longo do tempo. Isto se deve à implantação de leis mais rigorosas e o desenvolvimento de tecnologias menos poluentes. Em relação aos modelos de previsão, para os dados da série 1, a utilização do modelo para previsão de médias mensais de concentração de MP10 foi mais eficiente do que o modelo para previsão de médias diárias, ambos tiveram como neurônios de entrada apenas variáveis climáticas, compostas de médias diárias e médias mensais, respectivamente. Para a previsão da série 2, o modelo utilizando a rede neural NARX, que utilizou como neurônios de entrada as variáveis climáticas e o MP10 do dia anterior, apresentou o maior erro absoluto médio (7,13), no entanto, o modelo NARX apresentou a convergência mais rápida. O menor erro absoluto (6,00) foi obtido pelo modelo em que foi utilizada a rede do tipo MLP, que apresentava como neurônios de entrada as médias diárias das variáveis climáticas e da concentração de MP10 do dia anterior. A rede MLP também foi utilizada para criação de um modelo em que apenas as variáveis climáticas eram utilizadas, para este modelo foi encontrado o valor de 6,52 como erro absoluto. A apresentação do dado de concentração de MP10 do dia anterior torna o desempenho dos modelos de previsão mais eficiente.