Analisando Dados de Qualidade do Ar por Machine Learning

Ardson dos S. Vianna Jr.; Fernando de Come

doi:10.63595/vetor.v35i1.18205

Autores

Ardson dos S. Vianna Jr. USP
Fernando de Come Departamento de Engenharia Química, Escola Politécnica, Universidade de São Paulo, São Paulo, Brasil

DOI:

https://doi.org/10.63595/vetor.v35i1.18205

Palavras-chave:

Qualidade do ar, Agrupamento, Classificação

Resumo

A aprendizagem de máquina (Machine Learning - ML) possibilita a análise de grande quantidade de dados. Estes dados são gerados a todo instante, como dados de consumo, saúde pública e processos industriais. Um exemplo destes datasets são os conjuntos de parâmetros gerados no monitoramento da qualidade do ar. Neste trabalho, são utilizadas ferramentas de ML para avaliar a qualidade do ar em uma estação da CETESB em Cubatão, estação 66 - Parisi. Os dados de um ano, 1/1/2022 a 1/1/2023, para Partículas Inaláveis (MP₁₀), óxidos de nitrogênio (NO, NO₂ e NO_x) e SO₂ foram considerados. Foram desenvolvidas engenharia de atributos, agrupamento e classificação. O dendrograma indicou quatro clusters, o que foi confirmado pelo método do K-médios. O classificador com melhor performance foi o algoritmo de k vizinhos mais próximos, com um coeficiente igual a 0,953138. As ferramentas resultaram em análises interessantes que contribuem para o melhor controle sobre os poluentes na atmosfera. O cuidado com o meio ambiente deve ser uma atitude de todos. Mesmo pequenas iniciativas podem contribuir para criar movimentos e políticas públicas.

Downloads

Biografia do Autor

Fernando de Come, Departamento de Engenharia Química, Escola Politécnica, Universidade de São Paulo, São Paulo, Brasil

Engenheiro Químico formado pela Escola Politécnica, Universidade de São Paulo. Atualmente é mestrando na Escola Politécnica, Universidade de São Paulo.

Referências

S. Lohr, “The age of big data,” New York Times, 11, 2012. Disponível em: https://www.nytimes.com/2012/02/12/sunday-review/big-datas-impact-in-the-world.html

National Academies of Sciences, Engineering, and M. and others, Data science for undergraduates: opportunities and options. National Academies of Sciences, Engineering and Medicine Tech. rep, 2018. Disponível em: http://nap.edu/25104

National Academies of Sciences, Engineering, and M. and others (2018b) Data science: opportunities to transform chemical sciences and engineering: proceedings of a workshop in brief. National Academies of Sciences, Engineering and Medicine Tech. rep., 2018. Disponível em: https://doi.org/10.17226/25191

K. Schwab, The fourth industrial revolution. Currency, 2017. Disponível em: http://voicebucketvoitto.s3.amazonaws.com/pdf/ingles/%5BENG%5D%20A%20Quarta%20Revolucao%20Industrial.pdf

Techjury. Acesso em 23 de março de 2022. Disponível em: https://techjury.net/blog/how-much-data-is-created-every-day/#gref

V. Dhar, “Data science and prediction,” Communications of the ACM, vol. 56, no. 12, pp. 64–73, 2013. Disponível em: https://doi.org/10.1145/2500499

J. Leek, “The key word in Data Science is not Data, it is Science,” Simply Statistics, vol. 12, 2013. Disponível em: https://www.linkedin.com/pulse/keyword-data-science-kanika-garg-85o3c

Cetesb. Acesso em 02 de maio de 2024. Disponível em: https://cetesb.sp.gov.br/ar/padroes-de-qualidade-do-ar/

P. Norvig e S. Russell, Inteligência Artificial, tradução da 3a ed., Elsevier, 2013. Disponível em: https://www.grupogen.com.br/livro-inteligencia-artificial-uma-abordagem-moderna-stuart-russell-e-peter-norvig-9788595158870

A. Géron, Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow”, O'Reilly Media, Inc., 2022. Disponível em: https://anayamultimedia.es/primer_capitulo/aprende-machine-learning-con-scikit-learn-keras-y-tensorflow-tercera-edicion.pdf

A. Kadiwal. Acesso em 09 de maio de 2024. Disponível em: https://www.kaggle.com/datasets/adityakadiwal/water-potability

J. P. Mueller e L. Massaron, Machine Learning for Dummies, IBM Limited Edition. New Jersey: John Wiley, 2018. Disponível em: https://www.wiley.com/en-mx/Machine+Learning+For+Dummies-p-9781119245513

E. Alpaydin, Introduction to machine learning, 4th edition, MIT press, 2020. Disponível em: https://www.bme.ufl.edu/wp-content/uploads/2018/07/Fall-2015-Syllabus-BME6938-Machine-Learning.pdf

S. Marsland, Machine learning: an algorithmic perspective, 2nd edition, Chapman and Hall/CRC, 2018. Disponível em: http://2.180.2.83:801/opac/temp/11623.pdf

J. Guttag, Introduction to Computation and Programming Using Python: With Application to Understanding Data, 2nd ed. MIT Press, Cambridge, 2016. Disponível em: https://thuvienso.hoasen.edu.vn/bitstream/handle/123456789/8846/Contents.pdf?sequence=3

Pedregosa et al., Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825-2830, 2011. Disponível em: https://doi.org/10.1002/hbm.25822