Exportação concluída — 

Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Silva, Kim Leone Souza da lattes
Orientador(a): Rodrigues, Paulo Jorge Canas lattes
Banca de defesa: Rodrigues, Paulo Jorge Canas lattes, Reisen, Valdério Anselmo lattes, Gomes, Gecynalda Soares da Silva lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal da Bahia
Programa de Pós-Graduação: Pós-Graduação em Matemática (PGMAT) 
Departamento: Instituto de Matemática
País: Brasil
Palavras-chave em Português:
Poluição
Séries Temporais
Área do conhecimento CNPq:
CNPQ::CIENCIAS EXATAS E DA TERRA
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA
Link de acesso: https://repositorio.ufba.br/handle/ri/42375
Resumo: O impacto humano no planeta é evidente, e a necessidade de mitigar esses efeitos torna-se cada vez mais urgente. A poluição atmosférica, por exemplo, está intrinsecamente ligada ao meio ambiente e á saúde humana. Materiais particulados com diâmetros inferiores a 10 e 2,5 micrômetros, chamados de PM10 e PM2,5, respectivamente, podem impactar gravemente a saúde humana devido á sua capacidade de penetrar no sistema respiratório. Este estudo foca na previsão das concentrações de PM10 e PM2,5 em estações da rede de monitoramento do estado brasileiro de Minas Gerais. Na busca por melhores desempenhos preditivos, foram desenvolvidos modelos híbridos que combinam abordagens paramétricas, não paramétricas e redes neurais na previsão de materiais particulados. O desempenho desses modelos é avaliado em diferentes horizontes de previsão. Os resultados indicam que os modelos híbridos propostos apresentam desempenho competitivo em diversos horizontes de tempo para ambos os poluentes, quando comparados ao uso dos modelos de forma isolada. Essas descobertas ressaltam a importância de combinar diferentes abordagens de modelagem, aproveitando as forças de cada método para capturar padrões complexos e melhorar a precisão das previsões. Além disso, a integração de técnicas paramétricas, não paramétricas e redes neurais permite uma modelagem mais robusta e flexível, capaz de se adaptar a diferentes padrões temporais e características dos dados. Os métodos e insights obtidos neste estudo podem ser aplicados a pesquisas sobre outros poluentes em diferentes localidades, contribuindo, assim, para uma compreensão mais ampla da qualidade do ar em contextos variados e apoiando políticas públicas mais eficazes na gestão da poluição atmosférica.
id UFBA-2_51cb6d3f5f168da06d5753e6fe3d3ce1
oai_identifier_str oai:repositorio.ufba.br:ri/42375
network_acronym_str UFBA-2
network_name_str Repositório Institucional da UFBA
repository_id_str
spelling 2025-06-27T14:41:45Z2025-06-272025-06-27T14:41:45Z2024-12-06SILVA, Kim Leone Souza da. Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas. 2024. 55 f. Dissertação (Mestrado de Matemática) Instituto de Matemática e Estatística, Universidade Federal da Bahia, Salvador (Ba), 2024.https://repositorio.ufba.br/handle/ri/42375O impacto humano no planeta é evidente, e a necessidade de mitigar esses efeitos torna-se cada vez mais urgente. A poluição atmosférica, por exemplo, está intrinsecamente ligada ao meio ambiente e á saúde humana. Materiais particulados com diâmetros inferiores a 10 e 2,5 micrômetros, chamados de PM10 e PM2,5, respectivamente, podem impactar gravemente a saúde humana devido á sua capacidade de penetrar no sistema respiratório. Este estudo foca na previsão das concentrações de PM10 e PM2,5 em estações da rede de monitoramento do estado brasileiro de Minas Gerais. Na busca por melhores desempenhos preditivos, foram desenvolvidos modelos híbridos que combinam abordagens paramétricas, não paramétricas e redes neurais na previsão de materiais particulados. O desempenho desses modelos é avaliado em diferentes horizontes de previsão. Os resultados indicam que os modelos híbridos propostos apresentam desempenho competitivo em diversos horizontes de tempo para ambos os poluentes, quando comparados ao uso dos modelos de forma isolada. Essas descobertas ressaltam a importância de combinar diferentes abordagens de modelagem, aproveitando as forças de cada método para capturar padrões complexos e melhorar a precisão das previsões. Além disso, a integração de técnicas paramétricas, não paramétricas e redes neurais permite uma modelagem mais robusta e flexível, capaz de se adaptar a diferentes padrões temporais e características dos dados. Os métodos e insights obtidos neste estudo podem ser aplicados a pesquisas sobre outros poluentes em diferentes localidades, contribuindo, assim, para uma compreensão mais ampla da qualidade do ar em contextos variados e apoiando políticas públicas mais eficazes na gestão da poluição atmosférica.The human impact on the planet is evident, and the need to mitigate these effects is becoming increasingly urgent. Atmospheric pollution, for example, is intrinsically linked to the environment and human health. Particulate matter with diameters smaller than 10 and 2.5 micrometers, called PM10 and PM2,5, respectively, can severely impact human health due to their ability to penetrate the respiratory system. This study focuses on predicting the concentrations of PM10 and PM2,5 at monitoring stations in the Brazilian state of Minas Gerais. In the pursuit of better predictive performance, hybrid models were developed that combine parametric, non-parametric, and neural network approaches for particulate matter forecasting. The performance of these models is evaluated across different forecasting horizons. The results indicate that the proposed hybrid models exhibit competitive performance at various time horizons for both pollutants when compared to the use of the models in isolation. These findings highlight the importance of combining different modeling approaches, leveraging the strengths of each method to capture complex patterns and improve the accuracy of predictions. Furthermore, the integration of parametric, non-parametric, and neural network techniques allows for a more robust and flexible model, capable of adapting to different temporal patterns and data characteristics. The methods and insights obtained in this study can be applied to research on other pollutants in different locations, thus contributing to a broader understanding of air quality in various contexts and supporting more effective public policies in air pollution management.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)porUniversidade Federal da BahiaPós-Graduação em Matemática (PGMAT) UFBABrasilInstituto de Matemáticahttp://creativecommons.org/licenses/by/3.0/br/info:eu-repo/semantics/openAccessPollutionTime SeriesCNPQ::CIENCIAS EXATAS E DA TERRACNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICAPoluiçãoSéries TemporaisAnálise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridasAnalysis and forecasting of particulate matter in Minas Gerais using statistical models, neural networks, and hybrid approachesMestrado Acadêmicoinfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/publishedVersionRodrigues, Paulo Jorge Canashttps://orcid.org/0000-0002-1248-9910http://lattes.cnpq.br/0029960374321970Rodrigues, Paulo Jorge Canashttps://orcid.org/0000-0002-1248-9910http://lattes.cnpq.br/0029960374321970Reisen, Valdério Anselmohttps://orcid.org/0000-0002-8313-7648http://lattes.cnpq.br/9401938646002189Gomes, Gecynalda Soares da Silvahttps://orcid.org/0000-0002-8895-5834http://lattes.cnpq.br/3389510216870588https://orcid.org/0009-0003-0609-4167http://lattes.cnpq.br/4234453341183971Silva, Kim Leone Souza dareponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBAORIGINALDissetacao_KimS.pdfDissetacao_KimS.pdfapplication/pdf11388527https://repositorio.ufba.br/bitstream/ri/42375/1/Dissetacao_KimS.pdf24e3b988377cf68a21971e02272dc8bdMD51open accessCC-LICENSELICENSElicense.txtlicense.txttext/plain1720https://repositorio.ufba.br/bitstream/ri/42375/2/license.txtd9b7566281c22d808dbf8f29ff0425c8MD52open accessri/423752025-06-27 11:41:45.973open accessoai:repositorio.ufba.br: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Repositório InstitucionalPUBhttps://repositorio.ufba.br/oai/requestrepositorio@ufba.bropendoar:19322025-06-27T14:41:45Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false
dc.title.pt_BR.fl_str_mv Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas
dc.title.alternative.pt_BR.fl_str_mv Analysis and forecasting of particulate matter in Minas Gerais using statistical models, neural networks, and hybrid approaches
title Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas
spellingShingle Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas
Silva, Kim Leone Souza da
CNPQ::CIENCIAS EXATAS E DA TERRA
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA
Poluição
Séries Temporais
Pollution
Time Series
title_short Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas
title_full Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas
title_fullStr Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas
title_full_unstemmed Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas
title_sort Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas
author Silva, Kim Leone Souza da
author_facet Silva, Kim Leone Souza da
author_role author
dc.contributor.advisor1.fl_str_mv Rodrigues, Paulo Jorge Canas
dc.contributor.advisor1ID.fl_str_mv https://orcid.org/0000-0002-1248-9910
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/0029960374321970
dc.contributor.referee1.fl_str_mv Rodrigues, Paulo Jorge Canas
dc.contributor.referee1ID.fl_str_mv https://orcid.org/0000-0002-1248-9910
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/0029960374321970
dc.contributor.referee2.fl_str_mv Reisen, Valdério Anselmo
dc.contributor.referee2ID.fl_str_mv https://orcid.org/0000-0002-8313-7648
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/9401938646002189
dc.contributor.referee3.fl_str_mv Gomes, Gecynalda Soares da Silva
dc.contributor.referee3ID.fl_str_mv https://orcid.org/0000-0002-8895-5834
dc.contributor.referee3Lattes.fl_str_mv http://lattes.cnpq.br/3389510216870588
dc.contributor.authorID.fl_str_mv https://orcid.org/0009-0003-0609-4167
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/4234453341183971
dc.contributor.author.fl_str_mv Silva, Kim Leone Souza da
contributor_str_mv Rodrigues, Paulo Jorge Canas
Rodrigues, Paulo Jorge Canas
Reisen, Valdério Anselmo
Gomes, Gecynalda Soares da Silva
dc.subject.cnpq.fl_str_mv CNPQ::CIENCIAS EXATAS E DA TERRA
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA
topic CNPQ::CIENCIAS EXATAS E DA TERRA
CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA
Poluição
Séries Temporais
Pollution
Time Series
dc.subject.por.fl_str_mv Poluição
Séries Temporais
dc.subject.other.pt_BR.fl_str_mv Pollution
Time Series
description O impacto humano no planeta é evidente, e a necessidade de mitigar esses efeitos torna-se cada vez mais urgente. A poluição atmosférica, por exemplo, está intrinsecamente ligada ao meio ambiente e á saúde humana. Materiais particulados com diâmetros inferiores a 10 e 2,5 micrômetros, chamados de PM10 e PM2,5, respectivamente, podem impactar gravemente a saúde humana devido á sua capacidade de penetrar no sistema respiratório. Este estudo foca na previsão das concentrações de PM10 e PM2,5 em estações da rede de monitoramento do estado brasileiro de Minas Gerais. Na busca por melhores desempenhos preditivos, foram desenvolvidos modelos híbridos que combinam abordagens paramétricas, não paramétricas e redes neurais na previsão de materiais particulados. O desempenho desses modelos é avaliado em diferentes horizontes de previsão. Os resultados indicam que os modelos híbridos propostos apresentam desempenho competitivo em diversos horizontes de tempo para ambos os poluentes, quando comparados ao uso dos modelos de forma isolada. Essas descobertas ressaltam a importância de combinar diferentes abordagens de modelagem, aproveitando as forças de cada método para capturar padrões complexos e melhorar a precisão das previsões. Além disso, a integração de técnicas paramétricas, não paramétricas e redes neurais permite uma modelagem mais robusta e flexível, capaz de se adaptar a diferentes padrões temporais e características dos dados. Os métodos e insights obtidos neste estudo podem ser aplicados a pesquisas sobre outros poluentes em diferentes localidades, contribuindo, assim, para uma compreensão mais ampla da qualidade do ar em contextos variados e apoiando políticas públicas mais eficazes na gestão da poluição atmosférica.
publishDate 2024
dc.date.issued.fl_str_mv 2024-12-06
dc.date.accessioned.fl_str_mv 2025-06-27T14:41:45Z
dc.date.available.fl_str_mv 2025-06-27
2025-06-27T14:41:45Z
dc.type.driver.fl_str_mv Mestrado Acadêmico
info:eu-repo/semantics/masterThesis
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv SILVA, Kim Leone Souza da. Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas. 2024. 55 f. Dissertação (Mestrado de Matemática) Instituto de Matemática e Estatística, Universidade Federal da Bahia, Salvador (Ba), 2024.
dc.identifier.uri.fl_str_mv https://repositorio.ufba.br/handle/ri/42375
identifier_str_mv SILVA, Kim Leone Souza da. Análise e previsão de materiais particulados em Minas Gerais utilizando modelos estatísticos, redes neurais e abordagens híbridas. 2024. 55 f. Dissertação (Mestrado de Matemática) Instituto de Matemática e Estatística, Universidade Federal da Bahia, Salvador (Ba), 2024.
url https://repositorio.ufba.br/handle/ri/42375
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv http://creativecommons.org/licenses/by/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal da Bahia
dc.publisher.program.fl_str_mv Pós-Graduação em Matemática (PGMAT) 
dc.publisher.initials.fl_str_mv UFBA
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Instituto de Matemática
publisher.none.fl_str_mv Universidade Federal da Bahia
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFBA
instname:Universidade Federal da Bahia (UFBA)
instacron:UFBA
instname_str Universidade Federal da Bahia (UFBA)
instacron_str UFBA
institution UFBA
reponame_str Repositório Institucional da UFBA
collection Repositório Institucional da UFBA
bitstream.url.fl_str_mv https://repositorio.ufba.br/bitstream/ri/42375/1/Dissetacao_KimS.pdf
https://repositorio.ufba.br/bitstream/ri/42375/2/license.txt
bitstream.checksum.fl_str_mv 24e3b988377cf68a21971e02272dc8bd
d9b7566281c22d808dbf8f29ff0425c8
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)
repository.mail.fl_str_mv repositorio@ufba.br
_version_ 1847342309748768768

Registros relacionados