Previsão de material particulado a curto e médio prazos com o uso de redes neurais artificiais
Resumo
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.
Concern about air quality is growing. In recent years, industrial and vehicular emissions have in many cases, especially in urban areas, resulted in inadequate conditions for the health of the population. Several studies have reported an increase in hospital admissions, especially due to respiratory problems, during episodes of high concentrations of particulate matter. The objective of this study was to collect daily PM10 concentration data and compare them with a series of data of almost 10 years of collection available for the city of São Carlos-SP. In addition, both sets of data were used to create forecasting models of the concentration of particulate material using artificial neural networks as a tool. The place chosen for data collect was Praça Voluntários da Pátria, in the center of São Carlos, due to the great circulation of people and vehicles. The two data series were collected with a high volume air sampler. The series 1 (1997-2006) was obtained to characterize the PM of São Carlos. The collections were carried out alternating the days in the week. For the series 2 (2014-2015) daily collections were carried out with the same equipment and in the same sampling site of the series 1. For the creation of the forecast models we used data from the Banco de Dados Meteorológicos para Ensino e Pesquisa (BDMEP) do do Instituto Nacional de Meteorologia (INMET), de temperature (°C), relative humidity (%), wind speed (m/s) and precipitation (mm). The models were developed in the MatLab software, using two neural network architectures, one of the MLP (Multilayer Percetron) type and another of the NARX (nonlinear autoregressive network with exogenous inputs) type. Comparing PM10 data from series 1 and series 2, it was observed that there was a reduction in PM10 concentration indices over time. This is due to the implementation of stricter laws and the development of cleaner technologies. In relation to the prediction models, for the data of the series 1, the use of the model to predict monthly means of concentration of PM10 was more efficient than the model for prediction of daily means, both had as input neurons only climatic variables, daily averages and monthly averages, respectively. For the prediction of series 2, the model using the NARX neural network, which used as input neurons the climatic variables and PM10 of the previous day, presented the highest mean absolute error (7,13), however, the NARX model presented the better convergence. The lowest absolute error (6.00) was obtained by the model in which the MLP type network was used, which presented as input neurons the daily averages of the climatic variables and PM10 concentration of the previous day. The MLP network was also used to create a model in which only the climatic variables were used, for this model was found the value of 6.52 as absolute error. Presenting an PM10 concentration data from the previous day improves the performance of forecast models.