Patricia di sessa

Universidade Presbiteriana Mackenzie

ESTUDO E ELABORAÇÃO DE UM SISTEMA AUTOMÁTICO PARA O
MONITORAMENTO DA QUALIDADE DA ÁGUA
Patricia Di Sessa Soares (IC) e Silmara Vicente (Orientadora)
Apoio: PIBIC Mackenzie/MackPesquisa

Resumo

O meio ambiente tem sido alvo de grande preocupação devido o esgotamento de recursos naturais.
Como nosso bem maior, a água, é um dos recursos mais importantes que temos na Natureza e tem
sido, mundialmente, tema de discussão. Sabe-se que o crescimento populacional tem aumentado e
com ele a demanda por água. Porém esse recurso tão importante é considerado finito e vulnerável e
um grande desafio para nós habitantes desse planeta se dá em evitar a falta da água. As principais
causas de deterioração da água são: poluição e contaminação por poluentes e esgotos. Alguns
problemas gerados pela poluição das águas e sedimentos são diversas doenças que matam milhões
de seres humanos por ano devido à falta de água de boa qualidade para sua sobrevivência. Muitas
soluções estão sendo pesquisadas e discutidas para que consigamos cuidar da qualidade da água
conscientemente e que em alguns anos esse recurso não venha faltar. Nesse contexto este trabalho
pretende ser uma pequena contribuição no sentido de se iniciar um estudo para que se possa
desenvolver um sistema automático de monitoramento que pretende classificar a qualidade da água
através de determinados parâmetros que a identificam.

Palavras-chave: monitoramento automático, qualidade da água, redes neurais – PNN

Abstract

The environment has been a source of great anxiety due to depletion of natural resources. As our
most valued good, water is one of the most important resources we find in nature and lately has been
the topic of world discussions. It is know that, as the world population grows, so does the demand for
water. Except, this important resource is finite and vulnerable. Therefore, it is a great challenge for us,
inhabitants of this planet, to avoid the scarceness of water. The main causes of deterioration of water
are: water contamination due to pollutants and sewage. One of the problems caused by such pollution
of both sediments and water is the number of deceases that kill millions of human beings every year
due to the lack of available water with decent qualities. Many solutions are being studied and
discussed so that we can both treat the quality of water consciously and avoid its depletion. In this
context, this research intends to be a small contribution so that the study of an automatic monitoring
system designed to classify the quality of water by previously determined parameters can begin.

Key-words: automatic monitoring, water quality, neural networks – PNN

1

VII Jornada de Iniciação Científica - 2011

1. Introdução

A água deve se manter em boas condições, pois é fundamental na vida de todos os seres
vivos e utilizada para diversas atividades, devido a isso é submetida a um monitoramento,
em que há coletas de amostras que serão avaliadas para verificar se não existem efluentes
ou poluição que comprometem a sua qualidade e para a classificação da desta.

Monitorar a qualidade da água é um processo muito importante para o ambiente, pois a
água é um recurso natural fundamental para a sobrevivência de qualquer ser vivo. Monitorá-
la é acompanhar se houve ou não mudanças nos parâmetros e nos aspectos qualitativos da
água. Tem como objetivo identificar poluentes e fontes de poluição, diagnosticar riscos de
impacto na qualidade da água, obter informações a fim de passar às pessoas e
principalmente identificar se a água está de acordo com as condições necessárias para o
bom uso.

Há índices que auxiliam o entendimento da classificação da qualidade das águas em
diferentes aspectos. Os principais são: IQA - Índice de Qualidade das Águas e IET – Índice
do Estado Trófico.

O IQA é um índice de abastecimento publico (IAP) que fornecem informações sobre a água,
classificando-a em: Ótima (79 < IQA < 100), Boa (51 < IQA < 79), Regular (36 < IQA < 51),
Ruim (19 < IQA < 36) ou Péssima (IQA < 19). Pode ser calculado através do produtório da
qualidade da água relacionada aos parâmetros (tais como: cor, turbidez, dissolução do
oxigênio, temperatura e condutividade).

O IET é um índice de proteção da vida aquática que analisa a qualidade da água pelo
enriquecimento por nutrientes, crescimento de algas e aumento da infestação de plantas
aquáticas. As variáveis utilizadas para calcular o índice são: Clorofila e Fósforo Total. O
cálculo é feito pela média aritmética das variáveis citadas. A água pode ser caracterizada
em: Ultraoligotrófico (IET < 47), Oligotrófico (47 < IET < 52), Mesotrófico (52 < IET < 59),
Eutrófico (59 < IET < 63), Supereutrófico (63 < IET < 67) ou Hipereutrófico (IET > 67).

Visando a importância da água para o mundo, pretende-se criar um sistema automático de
monitoramento da qualidade da água, no qual utilizaremos um software que possibilitará,
através da entrada de dados, a classificação da mesma.

A escolha por um sistema automático se deve ao fato do mesmo ter agilidade para detectar
alterações e fazer análises contínuas, sendo possível a tomada de providências
necessárias, para alterar uma situação de risco. As vantagens desses sistemas consistem
em não possuir uma freqüência pré-estabelecida, podendo realizar medições em intervalos
de tempo mais curtos e detectar, com mais facilidade, dados anormais. Apesar de analisar
números limitados de parâmetros, ele nos fornece os resultados em tempo real.

2


OBJETIVO

Este trabalho teve como objetivo estudar ferramentas para o desenvolvimento de um
sistema automático de monitoramento contínuo da água para procurar garantir a qualidade
da mesma em uma determinada região1.

2. Referencial Teórico

Devido à crescente preocupação com o meio ambiente, nos tempos de hoje, a água se
tornou um dos fatores mais visados em termos de conservação. A partir desse fato, as mais
influentes empresas no setor de água e os pesquisadores mais conceituados já começaram
a fazer projetos de monitoramento e qualidade de tratamento.

FLORES e SORRINI (2001) estudaram sobre o monitoramento em tempo real da água e
analisaram dados da Companhia de Saneamento Básico do Estado de São Paulo
(SABESP). Observaram que a SABESP implantou nos reservatórios de abastecimento da
RMSP (região metropolitana de São Paulo) um sistema de monitoramento para controlar a
qualidade da água, detectando oscilações diurnas. O sistema é composto por estações
remotas e unidades de recepção de dados, em que duas vezes por semana são coletadas
amostras dos mananciais, e uma vez por mês é coletada uma amostra mais completa. Entre
os lugares monitorados, podemos citar a Represa de Guarapiranga e a Billings. Pelas
amostras coletadas, foram observadas variações de oxigênio dissolvido e de incremento
provocado pela fotossíntese das algas. Esse projeto tem como real objetivo fornecer as
variações que forem significantes.

COMPANHIA DE TECNOLOGIA DE SANEAMENTO AMBIENTAL (CETESB) desenvolveu
um sistema no Rio Tietê em que foram colocadas doze estações de monitoramento
automático de qualidade da água. As informações são disponibilizadas on-line e qualquer
mudança for detectada ainda é possível tomar uma medida para reverter à situação.

ROSOLEN (2009) fez um estudo do monitoramento dos sedimentos coletados pelo IGAM
(Instituto Mineiro de Gestão das Águas) no rio Uberabinha, em Minas Gerais, com a
finalidade de detectar os resíduos tóxicos presentes nestes. Amostras foram coletadas em
dois pontos, e os primeiros resultados obtidos excederam os valores mínimos de qualidade
estabelecidos pelo CONAMA, detectando altas concentrações de coliformes fecais, de
fósforo e de contaminação por elementos tóxicos, provenientes de esgotos domésticos e

1
Esse projeto é complementar ao projeto de monitoramento da qualidade dos sedimentos, eles serão
desenvolvidos em conjunto.

3


industriais. Foi concluído que a urbanização e agricultura influenciam no acúmulo de
substâncias tóxicas encontradas nos sedimentos do rio Uberabinha.

FURLAN (2007) estudou a qualidade dos sedimentos e da água do rio Jacupiranga, através
de variáveis como: concentração de nutrientes (nitrogênio e fósforo), pH e oxigênio
dissolvido. O sedimento, por se acumular fácil, é um dos mais importantes tópicos para se
analisar a qualidade da água. Escolheram-se onze pontos de coletas, em que foram
analisados os parâmetros e perceberam que não ocorreu variação homogenia de nutrientes
ao longo das estações de coletas e que a concentração de oxigênio dissolvido e de pH
influenciam o acúmulo de nutrientes.

FREITAS e COSTA (2003) avaliaram a qualidade de serviços utilizando o modelo Electre Tri
para classificar o desempenho dos serviços. O método visa determinar as variáveis de
decisões e atribuir valores a elas, para que se possam estabelecer índices de comparação,
e assim, criar categorias para classificar os serviços.

REDAÇÃO 360 GRAUS (2009), publicou a instalação de um Sistema Automático de
Monitoramento Aquático (Sima) na Região do Amazonas. O monitoramento é via satélite,
porém foi colocada uma plataforma no Lago Mamirauá que flutuará sobre ele. Com esse
sistema, haverá uma coleta de dados que nos fornecerá informações sobre o lago, como a
distribuição dos peixes. Sensores também foram colocados no lago, eles irão medir
parâmetros do lago (turbidez, pH, entre outros) como parâmetros ambientais (radiação solar,
temperatura do ar, intensidade do vento, entre outros). O Sima visa prever e melhorar
estratégias para o manejo de recurso na Reserva de Mamirauá, que também poderá servir
para outros lugares, enviando de hora em hora atualizações dos dados, em que podem ter
mudanças inesperadas devido às variações climáticas ou até mesmo pelo tempo.

COSTA et al. (2002) estudaram uma metodologia alternativa para transporte de material
combustível com base na análise de multicritério. Os critérios para análise em cada uma das
distribuidoras foram escolhidos, e a cada um foi atribuído um peso de importância e um
limite de preferência e de indiferença. Foi executado um algorítmo de classificação do
software Electre Tri e, a partir disso, foram analisados os resultados obtidos, assim podendo
ser escolhido a melhor alternativa para transporte.

CAI (2006) estudou Programas de Monitoramento da Água na China, concluiu que os
Programas analisam o nível da água, fluxo, sedimentos, precipitação, evaporação, umidade
do solo, temperatura da água, qualidade da água, entre outros. Esses Programas têm como
foco: informar sobre seca, monitorar a qualidade da água, monitorar recursos hídricos e
água subterrânea e avisar caso haja inundações. Há 250 postos de monitoramento que são
responsáveis por analisar e controlar os parâmetros da qualidade, de acordo com os

4


padrões nacionais da China. A classificação é dividida em cinco níveis, em que o nível 1 é o
de melhor qualidade e o 5 é o de pior.

SUPERINTENDÊNCIA DE DESENVOLVIMENTO DE RECURSOS HÍDRICOS E
SANEAMENTO AMBIENTAL (SUDERHSA) pesquisou o Monitoramento da Qualidade da
Água no Estado do Paraná, observaram que esse contêm 16 bacias hidrográficas e a rede
de monitoramento é formada por 164 estações. Duas informações são enviadas para o
Sistema De Informações Hidrológicas (SIH), são eles: os parâmetros de qualidade da água
e os Índices de Qualidade da Água (IQA). Operar uma rede de monitoramento da qualidade
das águas gera uma enorme quantidade de dados a serem analisados, e é através desses
parâmetros e índices que os laboratoristas avaliam o devido uso da água e a classificam.

CLEAN ENVIRONMENT BRASIL desenvolveu, para a Companhia de Saneamento Básico
do Estado de São Paulo (SABESP), um sistema que monitora em tempo real a qualidade da
água em reservatórios que abastecem regiões metropolitanas. Esse sistema monitora, ao
mesmo tempo, parâmetros que ajudam a classificar a qualidade das águas em represas,
lagos ou rios, exemplo desses parâmetros: temperatura, turbidez, oxigênio dissolvido, pH,
entre outros. O monitoramento instantâneo com o sistema desenvolvido reduziu problemas
à saúde ambiental e humana, que eram ocasionadas de acidentes do meio ambiente,
através das informações em tempo real da qualidade da água, o que se tornou eficaz nos
sistemas de segurança da água. Relatórios são feitos após a central coletar e receber, a
cada quinze minutos, informações sobre as águas. Logo que surgem novas informações
para novos relatórios, os antigos ficam disponíveis na internet para o publico.

HERNANDES e AMORIM estudaram o aproveitamento das águas pluviais captados pelas
edificações. Foi determinado a quantidade do volume total de água potável e água não
potável captadas e o quanto de água foi infiltrada no solo; já a qualidade foi analisada em
laboratórios pelo Departamento de Água e Esgoto de Ribeirão Preto (DAERP). A cada
quinze dias, amostras eram retiradas e sua qualidade avaliada pelos seguintes parâmetros:
Odor, Cor, Turbidez, Total de sólidos dissolvidos, Coliformes totais, Coliformes
termotolerantes, entre outros. Devido à água captada não se destinar ao consumo humano
e sim às descargas sanitárias, lavagens de pisos, irrigação de jardins, compararam-se os
parâmetros e esses foram usados para classificar o grau de balneabilidade. Já a analise da
quantidade de água utilizada é feita por um hidrômetro, instalado na tubulação, que monitora
a ‘entrada’ e saída das águas.

5


3. Metodologia

A metodologia utilizada nesse trabalho foi uma metodologia quantitativa. Essa consiste em
uma pesquisa descritiva que procura estudar a correlação dos parâmetros que indicam a
qualidade da água e classificar esses dados através de um sistema de monitoramento
automático da qualidade da água.

Para alcançarmos o objetivo desse trabalho, foi necessário realizar uma revisão literária
mais apurada quanto a sistemas de monitoramento automático da água e estudar os
parâmetros e índices que identificam a qualidade da mesma.

Os dados utilizados nesse trabalho estão disponíveis no site da CETESB e foram tratados
com a finalidade de serem normalizados.

Após esse estudo, desenvolvemos um programa utilizando o software Matlab para fazer
simulações do sistema e a validação do mesmo com esses dados utilizados, buscando o
monitoramento da qualidade para os parâmetros considerados.

4. Redes Neurais

Uma rede neural é um processador paralelamente distribuído feito de unidades de
processamento, que têm a tendência a armazenar conhecimento experimental e
disponibilizá-lo para o uso. As redes neurais possuem nós (unidades de processamento)
que enviam e recebem sinais de outras unidades, sendo que cada uma possui uma
memória local.

O processo de aprendizagem é chamado de algoritmo de aprendizagem, e tem como função
modificar os sinápticos da rede de forma a alcançar o objetivo desejado [21].

Ela oferece os principais benefícios e propriedades:

- Generalização: a rede neural possibilita a criação de saídas pertinentes para entradas que
não estavam presentes durante o processo de aprendizagem.

- Mapeamento de Entrada-Saída: durante um treinamento há a modificação (para diminuir a
diferença entre a resposta desejada e a resposta real da rede) dos pesos sinápticos até a
rede atingir um estado estável, em que não haja modificações significativas. Com a
utilização dos exemplos em diversos treinamentos e diferentes ordens, a rede aprende
então, através desses exemplos, a mapear todas as entradas e saídas. O treinamento pode
ser realizado de 2 maneiras:

• Supervisionado: que necessita de um professor durante a fase de aprendizagem.

6


• Não-supervisionado: é direcionado por relações existentes entre os dados de
entradas.

- Adaptabilidade: uma rede neural treinada para trabalhar em certo ambiente especifico
pode ser facilmente treinada novamente para conseguir trabalhar perante à pequenas
modificações. Além disso, se ela está trabalhando em um ambiente que as estatísticas
mudam com o tempo, ela pode ser projetada para modificar seus pesos sinápticos em
tempo real.

- Tolerância a falhas: como as informações são distribuídas ao longo dos neurônios, a falha
tem que ser muito grave e abranger diversos fatores para causar um estrago na resposta
global.

A rede pode possuir uma ou múltiplas camadas e são compostas por neurônios. As redes
de uma única camada são as mais simples, uma vez que as de múltiplas camadas podem
ser classificadas em três grupos:

- Camada de entradas: recebe os padrões apresentados à rede, ela possui uma unidade
especial chamada de bias que aumenta o grau de liberdade, se adaptando melhor ao
conhecimento fornecido.

- Camada intermediaria: é executado o processamento e a extração de características.

- Camada de saída: apresenta o resultado final [19].

O número de camadas define a capacidade de representação das relações entre o espaço
de entrada e o de saída.

As redes neurais

Diagrama 1: Demonstração de Redes Neurais [19].
7


probabilísticas têm esse nome devido suas raízes se basearem na Teoria das
Probabilidades, e elas são inspiradas nos Classificadores Bayesianos*. São utilizadas com
sucesso em vários problemas de classificação, possuindo três camadas (a camada de
entrada, a de bases radiais e a competitiva). A organização do fluxo em camadas permite
que o algoritmo possa ser utilizado para funcionar como uma rede Feedforward com função
de ativação exponencial. Elas possuem um treinamento incremental, pois a saída indica o
grau de evidência sobre o qual se baseia a sua decisão e assim como a Backpropagation
possuem mapeamento não linear, o tratamento de dados ruidosos e paralelismo e um
modelo grandemente especializado, sem muita aplicabilidade, diferente dos modelos de
Hopfield e Backpropagation. Sua grande vantagem é ter quase nenhum tempo de
treinamento e um rápido aprendizado, e como desvantagem tem que são necessários
grandes conjuntos de treinamento, grandes espaços de memória e uma execução em
menor velocidade se comparada a outras redes [16].

* O teorema de Bayes consiste em um método para classificações ótimas, dado uma
quantidade de dados, o teorema mostra como classificar um novo exemplo com a máxima
probabilidade, e mesmo com esse grande potencial ele é simples e intuitivo [17].

Backpropagation é um algoritmo supervisionado sendo que a rede produz sua própria saída
comparando com a saída desejada, se houver diferença os pesos são modificados.

Esse modelo baseia-se na propagação dos erros da saída para os níveis anteriores da rede
(retropropagação). Para isso acontecer, primeiramente tem que ser realizado o cálculo do
erro para cada neurônio da camada de saída, então deve ser feito o cálculo da sensibilidade
de cada variável de entrada e o da contribuição percentual de cada uma das variáveis de
entrada com relação à variável de saída [18].

A aprendizagem tem duas fases, o treinamento da rede e a validação do treinamento, onde
são reconhecidos os padrões treinados. Essas fases podem ser divididas também em fase
Forward, onde a entrada é apresentada a primeira camada e vai passando para as outras
camadas, sendo que a saída é produzida pela ultima camada e a fase Backward, que a
partir da camada final até a camada de entrada, em que a camada atual se ajusta como
peso para reduzir seus erros. É um algoritmo fácil de implementar e de simples utilização.
Como na maioria, a camada de entrada aceita o padrão de entrada e redistribuí para a
camada intermediária. A camada de saída recebe estímulos da camada intermediaria para
definir o padrão de saída [20].

Esse método tem como vantagem a eliminação das variáveis de entrada desnecessárias e a
possibilidade de estabelecer a importância de cada uma dessas entradas com relação a

8


uma variável de saída. Como desvantagem possui limitações que são: não ser possível
gravar o estado dos pesos , quando o programa sai , ele esquece o treinamento, e todas as
conexões serem criadas automaticamente para todos os neurônios da camada sucessiva.

Diagrama 2: Demonstração de uma Rede Backpropagation [24].

Redes Feedforward são redes acíclicas propagando sinal somente da entrada para a saída
da rede. Depois de pronta, são capazes de associar valores, colocados na sua entrada, a
uma saída, podendo encontrar também respostas adequadas mesmo quando os dados da
entrada estão incompletos ou danificados. O treinamento também é supervisionado, sendo
que a regra mais utilizada é o Error Backpropagation (retropropagação de erros). Essa rede
é representada por uma notação e-o1,-o2,-...,-on-s, onde ‘e’ é o número de neurônios nas
camadas de entrada, o1,o2 ..é o número de neurônios em camadas ocultas e ‘s’ é o número
de neurônios na camada de saída [22].

As Redes de Função de Base Radial (RBFN) tem três camadas, a camada de entrada,
padrão (ou escondida) e a camada de saída. Ela é completamente conectada e é uma rede
Feedforward, com todas as conexões entre suas unidades de processamento previstas com
seus pesos.

A unidade de padrão individual computa sua ativação usando a função de base radial que
caracteriza a distância dos centros de funções de base radial, dado um vetor de entrada. A
ativação é rapidamente diminuída com a distância dos centros da função. O uso da ativação
das bases radiais precisa da escolha cuidadosa do número de unidades padrões a ser

9


usada a uma especifica aplicação, especialmente quando uma boa generalização é
necessária.

O treinamento de um RBFN difere substancialmente do treinamento de uma
Backpropagation. Ela consiste em dois estágios separados: durante o primeiro, os
parâmetros das funções de bases radiais são fixados usando um treinamento não
supervisionado, já no segundo estágio os pesos nas conexões entre as unidades padrões e
as unidades de saída são determinados usando o treinamento supervisionado (como a rede
Backpropagation), baseado na soma de erros quadrados dos valores de saída sobre os
pares de vetores entrada – saída.

A Rede Neural de Regressão Generalizada também é uma rede ‘Feedforward’ consistindo
em quatro camadas: a camada de entrada, a padrão, a de soma e a camada de saída.

Ela pode aproximar qualquer mapeamento arbitrário entre vetores de entrada e saída.
Enquanto os neurônios nas três primeiras camadas são completamente conectados, cada
neurônio de saída é conectado só a algumas unidades de processamento na camada de
soma.

A função das camadas de entrada e padrão é a mesma de uma Rede de Função de Base
Radial. A camada de soma tem dois tipos diferentes de unidades de processamento: as
unidades de soma e as unidades de divisão única. O número de unidades de soma é
sempre o mesmo número de unidades de saída da rede, sua função é essencialmente a
mesma função das unidades de saída da Rede de Função de Base Radial (RBFN - Radial
Basis Funcional Network). As unidades de divisão, somente ponderam os pesos de ativação
das unidades padrões, sem usar qualquer função de ativação.

As camadas de soma e de saída, juntas, realizam a normalização do vetor de saída. Isso faz
com que a Rede Neural de Regressão Generalizada (GRNN - Generalized Regression
Neural Network) seja muito menos sensível que a RBFN para a escolha adequada do
numero de unidades padrões.

O treinamento de uma GRNN é um pouco diferente do usado para a RBFN, ele é
completado após a apresentação de cada par de vetores entrada – saída, do conjunto de
treinamento da camada de entrada. Ou seja, ambos os centros de RBFR de unidades
padrões e os pesos das conexões das unidades padrões e de processamento das camadas
de soma, são atribuídos simultaneamente. O treinamento não é supervisionado, mas
emprega um agrupamento algoritmo especial que torna desnecessário definir o número de
unidades padrões com antecedência. Em vez disso, o raio dos agrupamentos precisa ser
definido antes do treinamento começar.

10


O próximo vetor de entrada é comparado com esse centro e é atribuído à mesma unidade
padrão se a distancia desse centro for menor que o raio pré-estabelecido. Da mesma
maneira todos os outros vetores de entrada são comparados um por um com todas as
unidades padrões e toda a camada padrão é gradualmente construída.

Durante esse treinamento os valores determinados dos elementos individuais dos vetores
são diretamente atribuídos aos pesos das conexões entre as unidades de entrada e as
unidades padrões correspondentes.

Simultaneamente com a construção da camada padrão, os valores dos pesos das conexões
entre os neurônios contidos nela e na camada de soma também são definidos, usando
treinamento supervisionado. O peso na conexão entre cada unidade padrão e cada unidade
de soma individual é diretamente atribuído a valores idênticos aos do vetor de saída,
correspondente no conjunto de treinamento do vetor de entrada, este que por sua vez forma
o centro da função de base radial de cada unidade padrão [32].

Diagrama 3: Demonstração de uma GRNN [23].

5. A Coleta dos Dados

Foram levantados dados sobre os parâmetros que influenciavam diretamente sobre a
qualidade da água, através de pesquisas e trabalhos já existentes relacionados ao tema.
Após essa etapa, foi identificado no site da CETESB os que eram mais influentes.

11


Quadro 1: Levantamento de parâmetros utilizados em pesquisas já existentes.

Variáveis Qtdade Aparecem no site da CETESB?
Alumínio 1 Sim
Bário 1 Sim
Cádmio 1 Sim
Chumbo 1 Sim
Cloreto 1 Sim
Clorofila-a/Feoftina-a 1 Sim
Cobre 1 Sim
Coliformes Totais 1 Sim
Coloração da Água 2 Sim
Concentração de Nutrientes 1
Condutividade Específica 1 Sim
Cromo Total 1 Sim
Demanda Bioquímica de Oxigênio
(DBO) 1 Sim

Demanda Química de Oxigênio (DQO) 1 Sim
Fenóis 1 Sim
Ferro Total 1
Fósforo Total 1 Sim
Manganês 1 Sim
Mercurio 1 Sim
Microtox 1
Níquel 1 Sim
Odor 1 Sim
Ortofosfato Solúvel 1 Sim
Oxigênio Dissolvido 3 Sim
pH 4 Sim
Série de Nitrogênio (Amonical,
Nitrato,Nitrito e Orgânico) 1 Sim
Resíduo Não Filtravel 1
Resíduo Total 1
Temperatura da Água 2 Sim
Temperatura do Ar 1
Teste de Toxicidade Crônica 2 Sim
Turbidez 4 Sim
Zinco 1 Sim

12


Foram levantados 33 parâmetros que alteram a qualidade da água (vide Quadro 1), porém
seis entre eles são os mais utilizados para a análise, pois compõem o Índice de Qualidade
da Água (IQA), que são: Coloração da água, Oxigênio Dissolvido (O.D.), pH, Temperatura
da água, Toxidade e Turbidez [25].

A seguir descreverei os principais parâmetros:

- Coloração da água: A cor na água, normalmente, é decorrente de decomposição vegetal
ou de material mineral, assim não representam riscos à saúde humana. A cor é muito
sensível ao pH, quanto maior o pH mais intensa é a cor da água.

Há dois tipos de cores que são reconhecidas na água, a cor Verdadeira (resulta de
substâncias orgânicas ou coloidais presentes na água) e a cor Aparente (possui turbidez
adicional, é causada por materiais em suspensão) [26].

Nível de Qualidade Faixa de variação Cor de referência
do IQA
Excelente 90 < IQA ≤1 100 Azul
Bom 70 < IQA ≤ 90 Verde
Médio 50 < IQA ≤ 70 Amarelo
Ruim 25 < IQA ≤ 50 Marrom
Muito Ruim 50 < IQA ≤ 0 Vermelho
Quadro 2: Cor de referência para a qualidade da água [27].

- Oxigênio Dissolvido (O.D.): O oxigênio dissolvido é um fator muito importante para analisar
as condições naturais da água e assim perceber se ocorreram impactos ambientais, como
eutrofização (fenômeno provocado pelo excesso de nutrientes, causando um grande
aumento de algas, que leva a uma diminuição do oxigênio dissolvido, provocando a morte e
decomposição de organismos, diminuindo a qualidade da água), poluição orgânica, retirada
de areia do fundo (sedimentos) e despejo de esgotos. [30] Vale ressaltar que a maioria das
espécies não resistem às concentrações de O.D. na água inferiores a 4,0 mg/L [29].

Há dois fatores que influenciam a dissolução do oxigênio na água, a temperatura da água,
quanto maior a temperatura, menor é a dissolução, e a pressão atmosférica, quanto maior a
pressão, maior a dissolução de oxigênio.

A determinação do oxigênio dissolvido na água pode ser feita através do método "Winkler"
ou eletrométrico, ou pela porcentagem de saturação do oxigênio (porcentagem de gás que
existe na água) que pode ser calculada pela fórmula abaixo.

13


Equação 1: Determinação da porcentagem de OD [30].

- pH: O pH (potencial hidrogeniônico) possui uma escala com números que variam de 0 à
14, que medem, classificam, o nível de acidez ou alcalinidade. A variação é feita a partir do
valor 7, do valor 7 se aproximando de zero, indica o aumento de acidez, e do valor 7 se
aproximando de 14 indica o aumento de basicidade.

Os valores do pH são de grande importância, pois fornecem informações sobre a qualidade
da água. Pode nos fornecer, por exemplo, o tipo de solo em que a água passa, devido a
presença de carbonatos e bicarbonatos que deixam a água alcalina, possuindo um pH entre
4 e 9. Quando um pH é muito acido ou muito alcalino, está associado à presença de
despejos industriais.

A quantidade de matéria morta a ser decomposta interfere no pH, uma vez que para que
ocorra a decomposição do material, são produzidos muitos ácidos, então pode-se dizer que
quanto maior for a quantidade de matéria a ser decomposta, menor é o pH. Ele também
pode ser influenciado pelo espaço e tempo [28].

- Temperatura: Esse parâmetro é de fundamental importância, pois influencia em outras
propriedades que qualificam a água, tais como: solubilidade de gases (principalmente o
oxigênio dissolvido), reações dos organismos aquáticos, aceleração de reações químicas,
etc.

A maioria dos organismos aquáticos regula sua temperatura através do meio externo, o que
faz com que a velocidade de suas reações dependa da temperatura da água. O aumento da
temperatura provoca muitas reações nos organismos, acelerando a respiração, nutrição,
reprodução e movimentação dos mesmos, o que pode haver a desnaturação das proteínas,
eutrofização e poluição orgânica. Assim, pode-se dizer que, com a diminuição das
temperaturas o efeito é o contrário [28].

14


- Toxidade Crônica: Analisar a toxidade de águas industriais despejadas em rios e lagos é
fundamental para que não haja a contaminação do meio e não ocorram prejuízos aos
organismos vivos ao meio em que o efluente foi despejado.

- Turbidez: É importante analisar a turbidez da água, pois ela interfere a ação dos agentes
que desinfetam a água, protegendo microorganismos da ação deles. Ela, além disso, reduz
a passagem de luz solar através da água, prejudicando a fotossíntese de algas e plantas
aquáticas.

A turbidez pode ser causada por diversos materiais sólidos em suspensão (partículas
insolúveis de argila, areia fina, colóides), matéria orgânica e inorgânica, descarga de esgoto
doméstico ou industrial, e dá à água uma aparência nebulosa [31].

6. Criação do Modelo no Programa MatLab

Foram coletados no site da CETESB os dados para que fosse possível um futuro
treinamento e simulação da Rede Neural. Os dados coletados referem-se a todos os
parâmetros descritos anteriormente, em três regiões distintas (Pardo, Baixada Santista e
Portal do Paranapanema), em 5 anos diferentes (2004, 2005, 2006, 2007 e 2008), assim, foi
obtido cerca de 800 dados.

Entre os parâmetros definidos anteriormente, escolhi a Turbidez para ser testada na rede.
Seu limite máximo era de 100 (Unidade de Turbidez – UNT), e os valores bons (abaixo do
limite) foram classificados como 1 e os ruins (a cima de 100 UNT) como 2.

A programação testada foi bem sucedida, permitindo a realização da classificação da água
com um parâmetro.

7. Conclusão

A partir desse trabalho, em parceria com o projeto de qualidade da água através do
sedimento, foi possível perceber que as Redes Neurais são um tipo de sistema inteligente
capaz de treinar e classificar a qualidade da água a partir da entrada de parâmetros da
mesma e de seus sedimentos, retornando-nos uma saída de 100% correta.

Com esse projeto teremos uma possibilidade de monitoramento completo da qualidade da
água, através da rapidez e eficiência que seus parâmetros são classificados, o que permite
uma melhor tomada de decisão em relação aos resultados obtidos.

15


Um próximo passo à esse trabalho, para ampliar e continuar o estudo, seria a possibilidade
de classificação de parâmetros combinados, o que requer uma análise biológica profunda de
um especialista no assunto.

8. Referências

[1] <http://www.cetesb.sp.gov.br/Institucional/agua.asp> Acesso em: 13 out.2009 às
20h43min.

[2] <http://www.feema.rj.gov.br/qualidade-agua.asp?cat=75> Acesso em: 20 set.2009 às
16h25min.

[3] <http://www.cetesb.sp.gov.br/Agua/rios/indice_iva_iet.asp> Acesso em: 01 out.2009 às
20h35min.

[4] FLORES, A.P. e SORRINI, E. (2001) – Monitoramento em tempo real da qualidade da
água dos mananciais da Região Metropolitana de São Paulo – RMSP – Disponível em:
<http://www.cepis.ops-oms.org/bvsacg/e/cd-cagua/ref/text/40.pdf> Acesso em: 13 out.2009
às 11h04min.

[5] FURLAN, Natalia (2007) – Qualidade da Água e do sedimento avaliada a partir da
concentração de nutrientes totais – Disponível em:
<http://fipai.org.br/Minerva%2006(01)%2011.pdf> Acesso em: 13 out.2009 às 14h52min.

[6] ROSOLEN et al (2009) – Qualidade dos sedimentos no rio Uberabinha (Uberlândia, MG)
e implicações ambientais – Disponível em:
<http://ojs.c3sl.ufpr.br/ojs2/index.php/rbg/article/viewFile/11484/10328> Acesso em: 13
out.2009 às 14h19min.

[7] FREITAS, A.L.P. e COSTA, H.G. (2003) – Uma análise multicritério para a classificação
da qualidade de serviços utilizando o método ELECTRE TRI – disponível em:
<http://www.abepro.org.br/biblioteca/ENEGEP2003_TR0207_0796.pdf> Acesso em: 18

[8] REDAÇÃO 360 GRAUS. Sistema Automático de monitoramento aquático é instalado na
Amazônia. 360 Graus, São Paulo, 5 agosto 2009. Disponível em:
<http://360graus.terra.com.br/ecologia/default.asp?did=28871&action=news> Acesso em 18

[9] COSTA et al. (2002) – Avaliação de transportadoras de materiais perigosos utilizando o
método Electre Tri – Disponível em: <http://www.scielo.br/pdf/gp/v11n2/a08v11n2.pdf>
Acesso em: 18 out.2009 às 18h13min.

16


[10] OLIVEIRA, Silvio Luiz. Tratado de metodologia científica: Projetos de Pesquisas, TGI,
TCC, Monografias, Dissertações e Teses. 2. ed. São Paulo:Pioneira, 1999. 320p.

[11] http://www.cetesb.sp.gov.br/Agua/rios/indice_iap_iqa.asp Acesso em: 01 out.2009 às
21h19min.

[12] CAI (2006) - Monitoramento e serviço de informação de água na china - Disponível em:
<http://www.ana.gov.br/bibliotecavirtual/arquivos/China%20-
%20Monitoramento%20e%20servi%C3%A7o%20de%20informa%C3%A7%C3%A3o.pdf>
Acesso em: 07 mar.2010 às 11h22min.

[13] SUDERHSA - Proposta de Implantação de Consórcios Intermunicipais de Aterros
Sanitários - Disponível <http://www.abes-
pr.org.br/040707%20Proposta%20Implanta%E7%E3o%20de%20Cons%F3rcios%20Intermu
nicipais%20SUDERHSA%20-%20Jorge%20Augusto%20Afonso.pdf> Acesso em: 07
mar.2010 às 12h07min.

[14] CLEAN ENVIRONMENT BRASIL - Sistema de Monitoramento Hidrológico Clean -
Disponível em: <http://www.clean.com.br/portal/sistema-de-monitoramento-hidrologico-
smh/smh> Acesso em: 07 mar.2010 às 13h58min.

[15] HERNANDES E AMORIN - O Sistema Predial de Água Pluvial como instrumento de
Preservação Ambiental - Disponível em
<http://www.ppgciv.ufscar.br/arquivos/File/simar_artigos/simar5.pdf> Acesso em: 07
mar.2010 às 14h54min.

[16] ALMEIDA, Manoel – Aplicação de técnicas de Redes Neurais Artificiais na previsão de
curtíssimo prazo na vissibilidade e teto para o aeroporto de Guarulhos – Disponível em:
<http://www.coc.ufrj.br/index.php?option=com_docman&task=doc_download&gid=2346>
Acesso em: 31 maio.2010 às 15h13min.

[17] Algorítimos de Aprendizado – Disponível em: <http://www.ica.ele.puc-
rio.br/Downloads/45/parte-18-PNN.pdf> Acesso em: 31 maio.2010 às 15h44min.

[18] VALENÇA, Mêuser J.S. e LUDEMIR, Teresa B. - Explicando a relação entre as
variáveis de uma rede neural – Iluminando a “caixa Preta” - Dísponivel em:
<http://www.abrh.org.br/novo/xvii_simp_bras_rec_hidric_sao_paulo_051.pdf> Acesso em: 31
maio.2010 às 16h12min.

[19] MENDES FILHO, Elson – Uma introdução à Redes Neurais Artificiais – Disponível em:
<http://elson_mendes.sites.uol.com.br/rn/rn_carac.html> Acesso em: 31 maio.2010 às
17h03min.

17


[20] ITO, Sérgio et al. – Uma aplicação de Redes Neurais Artificiais – Disponível em:
<http://www.inf.ufrgs.br/gppd/disc/cmp135/trabs/sergio/trab2/geo.html> Acesso em 31

[21] NEGRI, Lucas et al. – Simulador de Redes Neurais Multiplataformas - Disponível em:
<http://periodicos.unesc.net/index.php/sulcomp/article/viewFile/277/285> Acesso em: 31

[22] Redes Neurais na Previsão de Séries Temporais - Disponível em:
<http://inf.unisul.br/~ines/workcomp/cd/pdfs/2878.pdf> Acesso em: 31 maio.2010 às
20h37min.

[23] Disponível em: <http://user.chollian.net/~mose/msgrnn.htm > Acesso em: 31 maio.2010
às 22h17min.

[24] MENDES FILHO, Elson – O Algorítmo de Aprendizado Backpropagation – Disponível
em: <http://elson_mendes.sites.uol.com.br/rn/rn_backp.html> Acesso em: 31 maio.2010 às
17h13min.

[25] Qualidade das Águas – Disponível em:
<http://www.uniagua.org.br/public_html/website/default.asp?tp=3&pag=qualidade.htm>
Acesso em 07 abril.2010 às 10h45min.

[26] Disponivel em:< http://c2o.pro.br/analise_agua/x254.html> Acesso em: 08 abril.2010 às
12h20min.

[27] Disponível em: <http://www.ufv.br/dea/lqa/qualidade.htm> Acesso em: 08 abril.2010 às
12h47min.

[28] Disponível em: <http://educar.sc.usp.br/biologia/prociencias/qagua.htm> Acesso em: 08
abril.2010 às 19h13min.

[29] Disponível em: <http://www.mundoquimico.hpg.ig.com.br/oxigenio_dissolvido.htm>
Acesso em 08 abril.2010 às 19h56min.

[30] Disponível em: <http://educar.sc.usp.br/biologia/textos/m_a_txt9.html#od> Acesso em
08 abril.2010 às 20h15min.

[31] Disponível em: <http://www.ufrrj.br/institutos/it/de/acidentes/turb.htm> Acesso em: 08
abril.2010 às 19h31min.

[32] MASTERS, Timothy. Advanced Algorithms for Neural Networks: A C++
sourcebook. John Wiley & Sons, Inc., 1995. 431 páginas.

Contato: pat.disessa@gmail.com e silalevicente@gmail.com

18

Patricia di sessa

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (19)

Andere mochten auch

Andere mochten auch (6)

Ähnlich wie Patricia di sessa

Ähnlich wie Patricia di sessa (20)

Mehr von Carlos Elson Cunha

Mehr von Carlos Elson Cunha (20)

Patricia di sessa