Modelagem matemática para previsão de parâmetros de qualidade de água em corpos hídricos

Abstract

O monitoramento da qualidade da água representa uma etapa fundamental, porém consome muito tempo e recursos e requer análise dos dados complexos com múltiplas variáveis. Neste trabalho foram investigadas técnicas de modelagem empírica baseadas em técnicas estatísticas e de inteligência artificial para inferência e previsão de parâmetros de qualidade de água. Nesse estudo foram utilizados dados de três países diferentes, provenientes de um manancial brasileiro, espanhol e chinês. Os dados temporais formam uma série com dados horários de 179 dias que foram utilizados na forma horária e de médias diárias. Inicialmente, foi realizada análise exploratória, baseada em técnicas de estatísticas multivariadas de Análise de Componentes Principais (ACP) e de Mapas Auto-organizáveis de Kohonen (SOM). Os parâmetros físico-químicos da água foram modelados para inferenciar parâmetros de qualidade, tais como clorofila, Demanda Bioquímica de Oxigênio (DBO) e cianobactérias, com base em modelos de inteligência artificial de Redes Neurais Artificiais (RNA) do tipo Perceptron Multicamadas (MLP) e Neuro-Fuzzy (NF), e modelos estatísticos do tipo Máquina de Vetores de Suporte (SVM). Em seguida os dados na forma de série temporal do manancial brasileiro foram utilizados numa modelagem para previsão futura em curto período de tempo da concentração de clorofila, com base nos modelos citados assim como as suas conjunções com a Transformada Wavelet (WT). Observou-se através das ACPs que a degradação da qualidade da água do Brasil, China e Espanha foi atribuída à poluição por matéria orgânica e compostos nitrogenados, e consequentemente encontravam-se eutrofizadas, provavelmente devido aos lançamentos de efluentes domésticos nos corpos de água. Na Análise de agrupamento para os três conjuntos de dados, realizada pelas técnicas SOM e ACP, a matriz de distâncias e o mapa de características mostram que os dados de operação normal formam um agrupamento uniforme. O esquema de cores indica que existem pequenos valores de distâncias entre algumas amostras, indicando a possibilidade de uma modelagem preditiva utilizando estes dados. Na estimativa da qualidade de água através dos dados estacionários, a técnica mais eficiente para predição de clorofila foi o modelo NF (r=0,9396 e RMSE = 3,998), para a DBO foram as RNA (r = 0,9349 e RMSE = 0,6720) e para a Cianotoxina foi o SVM (r = 0,99 e RMSE =2,65). Em relação à estratégia híbrida adotada, na qual a WT foi utilizada no pré-tratamento dos dados de entrada dos modelos, foi percebida a influência positiva na previsão da série temporal do Brasil nos três modelos testados para a previsão de teor de clorofila para série diária e horária. Isoladamente, cada modelo apresentou um desempenho diferente, contudo o melhor modelo foi aquele que utilizava RNA com WT, através da Wavelet-mãe Db20, obtendo-se valores maiores de desempenho para treinamento (R²=0,99320 e RMSE=0,85026) e teste (R²=0,99135 e RMSE=2,28134). Portanto, o presente trabalho mostrou que as modelagens em técnicas estatísticas e de inteligência artificial foram eficazes na análise de dados ambientais e podem ser utilizadas para melhoria dos modelos de gestão em caracterização e monitoramento da qualidade da água.