Aplicação de redes neurais artificiais para avaliar a qualidade do ar com base em dados meteorológicos, geográficos e de poluentes atmosféricos

Abstract

Este trabalho tem como objetivo classificar a qualidade do ar a partir de dados meteorológicos, geográficos e de concentração de poluentes atmosféricos, utilizando Redes Neurais Artificiais (RNAs) como método de análise. A motivação central da pesquisa está no uso da Inteligência Artificial para tornar o monitoramento ambiental mais eficiente e apoiar decisões em políticas públicas de saúde e sustentabilidade. Para isso, empregou-se a base de dados Air Quality and Pollution Assessment, formada por 4.775 amostras classificadas inicialmente em quatro categorias de qualidade do ar (boa, moderada, ruim e perigosa), posteriormente agrupadas em duas classes (próprio e impróprio para respiração) com o propósito de melhorar o desempenho do modelo. A RNA foi desenvolvida e treinada no software MATLAB, adotando a arquitetura Multilayer Perceptron (MLP) e o algoritmo Gradiente Conjugado Escalonado (SCG), variando-se o número de neurônios da camada oculta para identificar a configuração com melhor desempenho. O modelo de três neurônios apresentou os resultados mais satisfatórios, com acurácia de 0,9730, F1 Score de 0,9815 e área sob a curva ROC (AUC) de 0,9614, evidenciando alta precisão e capacidade de generalização na classificação da qualidade do ar. Com este estudo conclui-se que as RNAs se mostram ferramentas promissoras para a análise da qualidade do ar, pois aumentam a precisão e a agilidade na interpretação de grandes conjuntos de dados ambientais, contribuindo para ações preventivas, planejamento urbano e políticas de proteção à saúde pública.

This study aims to classify air quality using meteorological, geographical, and atmospheric pollutant concentration data, employing Artificial Neural Networks (ANNs) as the analytical method. The central motivation of the research lies in the use of Artificial Intelligence to make environmental monitoring more efficient and to support decision-making in public health and sustainability policies. For this purpose, the Air Quality and Pollution Assessment dataset was used, consisting of 4,775 samples initially classified into four air-quality categories (good, moderate, poor, and hazardous), which were later grouped into two classes (suitable and unsuitable for breathing) to improve model performance. The ANN was developed and trained in MATLAB, adopting a Multilayer Perceptron (MLP) architecture and the Scaled Conjugate Gradient (SCG) algorithm, varying the number of neurons in the hidden layer to identify the configuration with the best performance. The model with three neurons achieved the most satisfactory results, with an accuracy of 0.9730, an F1-Score of 0.9815, and an area under the ROC curve (AUC) of 0.9614, indicating high precision and strong generalization capability in air-quality classification. This study concludes that ANNs are promising tools for air-quality analysis, as they increase the accuracy and agility in interpreting large environmental datasets, contributing to preventive actions, urban planning, and public health protection policies.