Predição temporal de parâmetros da qualidade da água usando redes neurais profundas / Temporal prediction of water quality parameters using deep neural networks

Authors

  • Anderson Francisco de Sousa Almeida Brazilian Journals Publicações de Periódicos, São José dos Pinhais, Paraná
  • Adonney Allan de Oliveira Veras
  • Bruno Merlin
  • Adam Santos
  • Marcos Amaris

DOI:

https://doi.org/10.34117/bjdv7n11-410

Keywords:

aprendizagem profunda, Monitoramento de qualidade da água, LTSM, MLP.

Abstract

The quality of the water is directly related to its level of pollution, and for that, monitoring is necessary to identify the physical, chemical and biological characteristics, considering the current legislation. This paper presents a comparison between the Long-Short Term Memory (LSTM) and Perceptron Multilayer (MLP) neural network models to predict pH, OD, BOD, Phosphorus, Turbidity, Temperature, Solid, and faecal coliforms of water quality. The error metrics MAPE, RMSE and MSE were used, when the neural networks are configured with 10, 25 and 50 neurons. In five water quality parameters, the LSTM network presented an average RMSE of 0.21, an average MSE of 0.11 and an average MAPE of 5.68. The MLP network showed an average RMSE of 0.21, an average MSE of 0.10 and an average MAPE of 5.55. The results of the experiments aim to contribute to the process of monitoring water quality and to help planning water management through the appropriate machine learning model for predicting parameters.

 

 

References

ANA (2018). Conjuntura dos recursos hídricos no brasil 2018: relatório pleno. Technical report, Agência Nacional de Águas.

ANA (2019). Monitoramento da qualidade da água em rios e reservatórios.

Bandara, K., Bergmeir, C., e Smyl, S. (2020). Forecasting across time series databases using recurrent neural networks on groups of similar series: A clustering approach. Expert Systems with Applications, 140:112896.

Bustos, H. I. A., Dantas, D. N., e Aloise, D. J. (2020). Método de estimativa e previsão de movimento em séries temporais de imagens. Brazilian Journal of Development, 6(9):72476–72483.

Da Silva, I. N., Spatti, D. H., e Flauzino, R. A. (2010). Redes Neurais Artificiais para Engenharia e Ciências Aplicadas: Curso Prático. Artliber.

de Fravet, A. M. M. F. e Cruz, R. L. (2007). Qualidade da água utilizada para irrigação de hortaliças na região de Botucatu-SP. Irriga, pages 144–155.

Derisio, J. C. (2016). Introdução ao controle de poluição ambiental. Oficina de textos. Dragoi, E., Kovács, Z., Juzsakova, T., Curteanu, S., and Cretescu, I. (2018). Environmental assessment of surface waters based on monitoring data and neuro-evolutive model- ling. Process Safety and Environmental Protection, 120:136–145.

Gastaldini, M., Mendonça, A., Paiva, J., e Paiva, E. (2001). Conceitos para a avaliação da qualidade da água. PAIVA, JBD; PAIVA, EMCD Hidrologia aplicada à gestão de pequenas bacias hidrográficas. Porto Alegre: ABRH, pages 428–51.

Gastaldini, M. e Teixeira, E. (2001). Avaliação da qualidade da água. PAIVA, JBD; PAIVA, EMCD Hidrologia aplicada à gestão de pequenas bacias hidrográficas. Porto Alegre: ABRH, pages 453–90.

Goldschmidt, R. e Passos, E. (2005). Data mining: um guia prático. Elsevier.

Haykin, S. (2007). Redes neurais: princípios e prática. Bookman Editora.

Heddam, S. (2016). Simultaneous modelling and forecasting of hourly dissolved oxygen concentration (do) using radial basis function neural network (rbfnn) based approach: a case study from the klamath river, Oregon, USA. Modeling Earth Systems and Environment, 2(3):135.

khandelwal, R. (2019). Overview of different optimizers for neural networks.

MATSUMOTO, D. K. F. et al. Estudo em séries temporais financeiras utilizando redes neurais recorrentes. Universidade Federal de Alagoas, 2019.

Monard, M. C. e Baranauskas, J. A. (2003). Conceitos sobre aprendizado de máquina.

Sistemas inteligentes-Fundamentos e aplicações, 1(1):1.

Olah, C. (2015). Understanding lstm networks, 2015. URL https://colah.github.io/ posts/ 2015-08-Understanding-LSTMs/

Rodrigues, C. A. d. S. P. et al. (2018). Implementação de redes convolucionais para a segmentação de imagens em tempo real com vistas à aplicação em robôs autônomos com dispositivos de visão de baixo custo.

Sahoo, M. M., Patra, K., e Khatua, K. (2015). Inference of water quality index using anfia and pca. Aquatic Procedia, 4:1099–1106.

Santos, A. M. d., Seixas, J. M. d., Pereira, B. d. B., e Medronho, R. d. A. (2005). Usando redes neurais artificiais e regressão logística na predição da hepatite A. Revista Brasileira de Epidemiologia, 8(2):117–126.

Sarkar, A. e Pandey, P. (2015). River water quality modelling using artificial neural network technique. Aquatic Procedia, 4:1070–1077.

SHIRAISHI, D.; MARUJO, E. Predição de sepse em unidade de terapia intensiva: uma abordagem de aprendizado de máquina. Anais Principais do XX Simpósio Brasileiro de Computação Aplicada à Saúde, SBC, p. 416–421, 2020.

Simonetti, V. C. (2018). Correlação espacial e sazonal de parâmetros indicadores de qualidade da água da bacia hidrográfica do alto Sorocaba associadas ao uso do solo. Revista Brasileira de Ciência do Solo.

Solanki, A., Agrawal, H., e Khare, K. (2015). Predictive analysis of water quality parameters using deep learning. International Journal of Computer Applications, 125(9):0975–8887.

Yamak, P. T., Yujian, L., e Gadosey, P. K. (2019). A comparison between arima, lstm, and gru for time series forecasting. In Proceedings of the 2019 2nd International Conference on Algorithms, Computing and Artificial Intelligence, ACAI 2019, page 49–55, New York, NY, USA. Association for Computing Machinery.

Published

2021-11-23

How to Cite

Almeida, A. F. de S., Veras, A. A. de O., Merlin, B., Santos, A., & Amaris, M. (2021). Predição temporal de parâmetros da qualidade da água usando redes neurais profundas / Temporal prediction of water quality parameters using deep neural networks. Brazilian Journal of Development, 7(11), 107662–107678. https://doi.org/10.34117/bjdv7n11-410

Issue

Section

Original Papers