Modelo de previsão de poluição difusa por técnicas de inteligência artificial : estudo de caso: Bacia do Rio Barigui

Orientador: Regina Tiemy Kishi, Dr-Ing.Coorientador: Gabriel Henrique de Almeida Pereira, Dr.Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia de Recursos Hídricos e Ambiental. Defesa : Curitiba, 30/07/2021Inclui referênciasResumo: O enquadramento de corpos de água, sendo um importante instrumento da gestão dos recursos hídricos, é baseado no conhecimento da dinâmica da qualidade da água no tempo. São de grande suporte as estimativas de cargas poluidoras dos corpos hídricos e a identificação destas por via de emissão e fonte de poluição para priorizar as ações de recuperação e conservação da qualidade da água diretamente nas fontes. Assim, subsidiar a decisões dos gestores dos recursos hídricos da bacia é essencial a estimativa de cargas pontuais e difusas. Sendo as cargas emitidas por vias de poluição difusa de bastante relevância na bacia e entendendo que a emissão destas ocorre principalmente durante os eventos de precipitação, é necessário o entendimento do comportamento temporal destas emissões. Desta maneira, esta pesquisa busca estudar as cargas poluidoras para fins de gestão e a discretização temporal de cargas na bacia do rio Barigui, no estado do Paraná. Com base em dados monitorados de eventos, estuda-se a relação entre as concentrações de fósforo total (PT), nitrogênio total (NT) e carbono orgânico dissolvido (COD) com dados da bacia e da precipitação, de forma a estimar cargas difusas com dados de fácil acesso, utilizando-se da biblioteca LazyPredict para busca da correlação por 42 diferentes regressores, programados em linguagem Python. São testadas 69 variáveis em um modelo treinado e verificado por 191 amostras coletadas por amostrador automático em eventos de chuva em dois pontos distintos no rio Barigui. Os resultados mostram que cada parâmetro de qualidade da água performa um melhor coeficiente de determinação (R²) com um regressor específico, sendo Bagging para PT com melhor performance de R² = 0,935, Extra Tree para NT com R² = 0,967 e ambos Decision Tree e Extra Tree para COD, com R² = 0,689. Os melhores resultados obtidos não utilizaram todas as variáveis disponíveis, sendo o modelo apresentado capaz de melhorar a performance dos regressores a partir da escolha de seus dados de entrada.Abstract: The classification of water bodies as an important instrument for the water resources management is based on the dynamics of water quality over time knowledge. Pollution loads estimative of water bodies and emission and pollution source identification are a great support, to prioritize actions for the recovery and conservation of water quality directly at the source. Thus, supporting the decisions of the water resources managers in the basin is essential to estimate punctual and diffuse pollution loads. As the loads emitter by diffuse pathways are very relevant in the basing and understanding that their mission occurs mainly during precipitation events, it is necessary to understand the temporal behavior of these emissions. Therefore, this research aimed to study pollutant loads for management purposes and the temporal discretization of loads in the Barigui River Basin, in Paraná state. Based on monitored event data, the relationship between total phosphorus (TP), total nitrogen (TN) and dissolved organic carbon (DOC) concentrations was studied with basin characteristics and precipitation data, to estimate diffuse loads with easily accessible data, using the LazyPredict library to search the correlation with 42 different regressors, programmed in Python language. 69 variables were tested in a trained and verified model with 191 samples collected by automatic sampler during rainfall events at 2 different points in the Barigui River. The result showed that each water quality parameter performs a better coefficient of determination (R²) with a specific regressor, being Bagging for TP, with R² = 0.935 in the best performance, Extra Tree for TN with R² = 0.967 and both Decision Tree and Extra Tree for COD, with R² = 0.689. The best results obtained did not use all available variables, and the presented model was able to improve the performance of the regressors from the choice of their input data