Preenchimento de dados de parâmetros de qualidade da água por redes neurais artificiais

RESUMO

O monitoramento constante da qualidade da água é fundamental para o entendimento dos ambientes aquáticos, mas este esforço demanda grandes investimentos financeiros, além de estar suscetível a inconsistências e falhas na obtenção dos valores. Usando uma base de dados composta por 59 campanhas amostrais, realizadas durante um período de 12 anos, em 10 estações de monitoramento ao longo da bacia do rio Iguaçú, este trabalho apresentou um modelo baseado em redes neurais artificiais que preencheu 1.370 valores para onze parâmetros tradicionais de qualidade da água. Os erros de validação do modelo variaram de 0,978 mg L^-1 a 0,017 mg L^-1 para os parâmetros tradicionais, enquanto para a cafeína, este erro foi de 0,212 µg L^-1 e para os hormônios de 0,04 µg L^-1 (E1) e 0,044 µg L^-1 (EE1). Duas técnicas (isolamento e anulação) foram aplicadas nos modelos para se entender o relacionamento treinado pelo modelo entre as variáveis de entrada e saída. Os resultados apontam para a viabilidade da aplicação de redes neurais para a modelagem de parâmetros de qualidade da água (em especial, a cafeína), o que poderia levar a uma melhor alocação de recursos no monitoramento ambiental, além de expandir os bancos de dados disponíveis e valorizar os esforços despendidos para este monitoramento.

Palavras-chave:
Contaminantes emergentes; Inteligência artificial; Monitoramento ambiental