A qualidade da água pode ser prevista usando Inteligência Artificial

Um estudo publicado no International Journal of Sustainable Agricultural Management and Informatics mostrou o potencial do aprendizado de máquina para prever o índice de qualidade da água, o que pode ter implicações significativas para o gerenciamento da água, tanto em água potável quanto em aplicações agrícolas.

Poluição da água, uma preocupação dos últimos tempos

O declínio da qualidade da água tornou-se motivo de preocupação nos últimos tempos, com foco crescente em seus efeitos na saúde humana e na produção agrícola. Atualmente, o lançamento inadequado de esgoto sem tratamento, causando poluição em rios e águas costeiras, é uma preocupação ambiental significativa. Em contraste, a questão da segurança hídrica na agricultura continua sendo um tópico importante.

A qualidade da água é avaliada com base em vários fatores: acidez e alcalinidade, nível de pH, turbidez, oxigênio dissolvido, concentração de nitrato, temperatura e bactérias fecais. Para gerenciar e regular a poluição é essencial criar técnicas eficientes para prever a qualidade da água.

Inteligência Artificial a favor da qualidade da água

No Instituto Superior de Ciências e Tecnologia Aplicadas (HIAST) em Damasco, Síria, Ahmad Debow, Samaah Shweikani e Kadan Aljoumaa projetaram modelos LSTM de 4 pilhas para a antecipação do WQI.

Um LSTM (Long Short-Term Memory) de 4 pilhas refere-se a uma rede neural recorrente capaz de identificar padrões de dados de longo prazo que mudam com o tempo. Após a análise dos dados, tais modelos podem fazer projeções sobre futuras alterações nesses dados. Ao colocar quatro camadas LSTM sequencialmente, o modelo pode detectar com mais eficiência padrões sutis nos dados.

A equipe empregou vários algoritmos para organizar os dados e selecionar recursos relevantes para análise, como K-NN (K vizinhos mais próximos) e média anual. K-NN é um algoritmo amplamente reconhecido em aprendizado de máquina usado para fins de classificação e regressão.

É um algoritmo não paramétrico que não pressupõe nenhuma característica específica sobre a distribuição de dados subjacentes. O conceito fundamental por trás do K-NN é categorizar novos pontos de dados avaliando sua similaridade com os vizinhos mais próximos no conjunto de dados de treinamento.

A realização da equipe na reprodução de dados estabelecidos por meio desses modelos é encorajadora para projeções do mundo real e tem o potencial de contribuir significativamente para as iniciativas de gestão da água.

Utilizando as previsões feitas por esses modelos, deve ser possível implementar medidas mais preventivas para reduzir a poluição no abastecimento de água para consumo humano e fins agrícolas.

Utilizando as previsões feitas por esses modelos, deve ser possível implementar medidas mais preventivas para reduzir a poluição no abastecimento de água para consumo humano e fins agrícolas.

Leia o artigo original em: PHYS

Leia mais: O Sistema de Cor Oceânica Obtém uma ‘Atualização’, Permitindo Medições mais Precisas