Emprego de redes neurais artificiais na correção de concentrações simuladas pelo modelo de qualidade do ar modelar

Abstract

Resumo: De forma geral, os modelos de dispersão atmosférica para fins regulatórios apresentam limitações quanto a sua acurácia, já que estão sujeitos a diversas fontes de erro relacionadas especialmente à natureza estocástica da turbulência atmosférica. Sendo assim, o presente trabalho propõe a aplicação de redes neurais artificiais como um mecanismo de pós-processamento das previsões que deve agir corrigindo os valores de concentração simulados, tornando-os mais próximos dos valores reais observados. Para tanto, foram treinadas duas redes neurais artificiais do tipo perceptron multicamadas por meio do algoritmo de treinamento backpropagation. Uma foi aplicada aos cenários em que a estabilidade atmosférica foi considerada estável enquanto a outra foi aplicada ao conjunto de cenários para os quais a estabilidade atmosférica foi considerada neutra ou instável. Os dados utilizados para as fases de treinamento, teste e validação das redes neurais são oriundos de experimentos de dispersão atmosférica já consagrados na literatura (i.e. Copenhagen, Cabauw, Hanford 64, Hanford 67, Hanford 83, Lillestrom, Prairie Grass). O modelo de interesse para o presente estudo é o MODELAR, modelo de qualidade do ar desenvolvido para simular emissões contínuas oriundas de uma fonte pontual e elevada. Os resultados corroboram a aplicabilidade das redes neurais associadas a modelos de dispersão, uma vez que, em todos os casos analisados, a utilização da rede foi capaz de melhorar de forma significativa a totalidade dos parâmetros estatísticos analisados, melhorando a acurácia das previsões e, portanto, tornando-as mais confiáveis.

Abstract: In general, the atmospheric dispersion models for regulatory purposes have limitations regarding its accuracy, as they are subject to several sources of error, especially the ones related to the stochastic nature of atmospheric turbulence. Therefore, this paper proposes the application of artificial neural networks as a postprocessing tool that when applied to the model predictions should correct the simulated concentration values, making them closer to the actual observed values. To this end, two artificial neural networks (of the multilayer perceptron type) were trained through the backpropagation training algorithm. One was applied to the scenarios where atmospheric stability was considered stable while the other was applied to the cases where atmospheric stability was considered neutral or unstable. The data used for training, testing and validation of the neural networks derive from atmospheric dispersion experiments already established in the literature (i.e. Copenhagen, Cabauw, Hanford 64, Hanford 67, Hanford 83, Lillestrom, Prairie Grass). The model of interest for this study is MODELAR, an air quality model developed to simulate continuous emissions from an elevated point source. The results corroborate the applicability of the neural networks in association with dispersion models, since, in all the analyzed cases, the use of the artificial network was able to significantly improve the totality of the statistical parameters analyzed, improving the accuracy of the predictions and, therefore, making it more reliable.