Modelagem de estações virtuais de qualidade do ar com redes neurais artificiais para monitoramento de PM10
DOI:
https://doi.org/10.47385/tudoeciencia.2450.2025Palavras-chave:
O monitoramento da qualidade do ar enfrenta desafios relacionados ao alto custo e à manutenção de estações físicas. Como alternativa, este estudo investigou a viabilidade de construir uma estação virtual de PM10 utilizando redes neurais artificiais do tipo Multilayer Perceptron (MLP). Foram utilizados dados de duas estações reais para prever concentrações em uma terceira, adotando diferentes arquiteturas de rede. Os resultados mostraram que arquiteturas de complexidade intermediária alcançaram melhor desempenho, com destaque para a configuração [2 – 30 – 30 – 30 – 1], que obteve Média Relativa do Erro Quadrático (MRSE) de aproximadamente 63,98%. Apesar de os resultados ainda não serem competitivos frente a estudos de referência, eles confirmam o potencial de RNAs para aplicações de baixo custo em estações virtuais. Trabalhos futuros deverão explorar estratégias de regularização, variações arquiteturais, uso de múltiplas estações e inclusão de variáveis ambientais adicionais, de modo a reduzir erros e aumentar a competitividade das predições.Resumo
O monitoramento da qualidade do ar enfrenta desafios relacionados ao alto custo e à manutenção de estações físicas. Como alternativa, este estudo investigou a viabilidade de construir uma estação virtual de PM10 utilizando redes neurais artificiais do tipo Multilayer Perceptron (MLP). Foram utilizados dados de duas estações reais para prever concentrações em uma terceira, adotando diferentes arquiteturas de rede. Os resultados mostraram que arquiteturas de complexidade intermediária alcançaram melhor desempenho, com destaque para a configuração [2 – 30 – 30 – 30 – 1], que obteve Média Relativa do Erro Quadrático (MRSE) de aproximadamente 63,98%. Apesar de os resultados ainda não serem competitivos frente a estudos de referência, eles confirmam o potencial de RNAs para aplicações de baixo custo em estações virtuais. Trabalhos futuros deverão explorar estratégias de regularização, variações arquiteturais, uso de múltiplas estações e inclusão de variáveis ambientais adicionais, de modo a reduzir erros e aumentar a competitividade das predições.
Downloads
Referências
ASANPOUR, Seyyed Hossein; ROUHANI, Mohammad; FAYYAZ, Mohsen; SABOKROU, Mohammad. Lets keep it simple, Using simple architectures to outperform deeper and more complex architectures. [s. l.], 2016. DOI 10.48550/ARXIV.1608.06037. Disponível em: https://arxiv.org/abs/1608.06037. Acesso em: 14 set. 2025.
INEA. AQMIS. 2025. SIGQAr - Sistema Integrado de Gestão da Qualidade do Ar. Disponível em: https://ei.weblakes.com/INEAPublico/ViewerMap. Acesso em: 19 jul. 2025.
SAMAD, A.; GARUDA, S.; VOGT, U.; YANG, B. Air pollution prediction using machine learning techniques – An approach to replace existing monitoring stations with virtual monitoring stations. Atmospheric Environment, [s. l.], v. 310, p. 119987, out. 2023. https://doi.org/10.1016/j.atmosenv.2023.119987.
SHAH, Harshay; TAMULY, Kaustav; RAGHUNATHAN, Aditi; JAIN, Prateek; NETRAPALLI, Praneeth. The Pitfalls of Simplicity Bias in Neural Networks. [s. l.], 2020. DOI 10.48550/ARXIV.2006.07710. Disponível em: https://arxiv.org/abs/2006.07710. Acesso em: 14 set. 2025.
YU, Wenhua; LI, Shanshan; YE, Tingting; XU, Rongbin; SONG, Jiangning; GUO, Yuming. Deep Ensemble Machine Learning Framework for the Estimation of PM2.5 Concentrations. Environmental Health Perspectives, [s. l.], v. 130, n. 3, mar. 2022. DOI 10.1289/ehp9752. Disponível em: https://ehp.niehs.nih.gov/doi/10.1289/EHP9752. Acesso em: 1 maio 2025.
ZAMAN, Nurul Amalin Fatihah Kamarul; KANNIAH, Kasturi Devi; KASKAOUTIS, Dimitris G.; LATIF, Mohd Talib. Evaluation of Machine Learning Models for Estimating PM2.5 Concentrations across Malaysia. Applied Sciences, [s. l.], v. 11, n. 16, p. 7326, 9 ago. 2021. https://doi.org/10.3390/app11167326.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
