Mapas Auto-Organizáveis Aplicados à Análise de Poluentes Atmosféricos
Aprendizagem de Máquina, Poluentes Atmosféricos, Mapas Auto-Organizáveis, Análise de dados, Agrupamentos.
A poluição atmosférica é um problema que está cada vez mais presente em nossa sociedade devido ao crescente desenvolvimento dos países. No estudo de poluentes atmosféricos, métodos de estatística multivariada são comumente utilizados, porém a aprendizagem de máquina tem se mostrado uma ótima alternativa, dispondo de técnicas capazes de lidar com problemas de grande complexidade, como é o caso da poluição do ar. Neste trabalho, a técnica de aprendizagem de máquina, Mapas Auto-Organizáveis (SOM), foi utilizada para exploração e análise de dados de poluentes atmosféricos e parâmetros metereológicos de uma rede de monitoramento da qualidade do ar, com estações localizadas na cidade de Salvador - Bahia. O SOM oferece diversos recursos capazes de tornar o estudo de dados mais abragente, os quais foram utilizados tanto para o desenvolvimento de uma análise individual quanto conjunta sobre as estações, que poderam também ser comparados brevemente com uma análise de componentes principais. A partir da visualização dos planos de componentes, padrões entre as variáveis de qualidade do ar poderam ser identificados, assim como a observação das correlações apresentadas, as quais foram mais especificamente descritas por uma análise hierárquica de similaridade, permitindo levantar premissas sobre a sua influência, formações e possíveis fontes de emissão, com uma melhor descrição dos resultados. Além disso, com base na disposição dos neurônios no mapa, um estudo no que se refere a agrupamentos dos dados pôde ser efetuado, possibilitando um balanço sobre as amostras e formação de lusters, caracterizando dessa forma informações ligadas às concentrações de poluentes, com suas especificidades e como elas podem estar relacionadas a cada estação de monitoramento de acordo com a divisão e disposição dos neurônios.