Otimização de redes de sensores físicos e virtuais para monitoramento de monóxido de carbono na região metropolitana de São Paulo

• Ano de defesa: 2024
• Autor(a) principal: Borges, Marco Aurelio
• Orientador(a): Silva, Leandro Augusto da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: interpolação espacial; algoritmo genético; IDW; IoT
• Link de acesso: https://dspace.mackenzie.br/handle/10899/40270

Um dos problemas que afeta as grandes cidades é a poluição do ar, causadora de doenças respiratórias. Embora existam sensores para monitorar este tipo de poluição, como Monóxido de Carbono (CO), um problema de pesquisa em aberto é identificar a quantidade ideal de sensores necessários para monitorar uma determinada região de maneira eficiente e precisa. Neste contexto, esta pesquisa propõe a elaboração de um método que otimize a quantidade de sensores utilizados para a criação de uma rede para monitorar a Região Metropolitana de São Paulo (RMSP). Para tanto, foi realizado um estudo de caso com a base de dados do Instituto Nacional de Metrologia (INMET), que fornece medições de temperatura e umidade pertinentes da área em questão, e sensores físicos que medem temperatura, umidade e CO. A proposta consiste em definir uma rede de sensores virtuais, na qual o valor de cada dispositivo é dado por um modelo de interpolação espacial denominado Inverse Distance Weighting (IDW). A partir disso, propõe-se o modelo de Fragmentação em Grupos por Rota (FGR), que visa distribuir os sensores em microrregiões com características semelhantes em termos de poluição. Como resultado, ´e apresentado, com detalhes, a distribuição do CO realizada pelo método de Monte Carlo, o qual tem a capacidade de gerar coordenadas dentro dos limites de latitude e longitude da área analisada. O principal resultado obtido foi o mapeamento de 36.378 medições de CO dentro da RMSP e a redução da quantidade de sensores empregados em 55% com uma variância média de 0.0563 para cada sensor.