Monitoramento da Qualidade do Ar em Tempo Real Usando Smartphones

A Poluição do Ar acontece quando substâncias nocivas ou poluentes estão presentes no ar que respiramos, o que pode prejudicar pessoas, animais e o meio ambiente. Esses poluentes podem vir de várias fontes, incluindo poeira, partículas químicas minúsculas e gases. A forma mais comum de as pessoas serem afetadas pela poluição do ar é pela respiração. Existem diferentes tipos de partículas pequenas no ar, conhecidas como material particulado, que podem representar riscos à saúde.

O material particulado é agrupado com base no tamanho. Partículas que têm 10 micrômetros ou menores são chamadas de PM10, enquanto as partículas finas são de 2,5 micrômetros ou menores (PM2.5). Também existem partículas ultrafinas, que são ainda menores que PM2.5. Essas pequenas partículas são uma das principais causas da poluição do ar.

#Efeitos na Saúde da Poluição do Ar

De acordo com a Organização Mundial da Saúde, cerca de sete milhões de pessoas morrem a cada ano por causa da poluição do ar no mundo todo. Alarmante, nove em cada dez pessoas respiram um ar que está acima dos níveis seguros de poluição. Esse problema é pior em países de baixa e média renda.

As partículas PM2.5, em particular, podem carregar substâncias químicas nocivas para o corpo e causar sérios problemas de saúde, afetando o cérebro, o coração e os pulmões. Grupos específicos são mais vulneráveis à poluição do ar, incluindo pessoas com condições pré-existentes de coração ou pulmões, crianças e idosos.

#Qualidade do Ar e Objetivos Globais

As Nações Unidas estabeleceram vários objetivos para o desenvolvimento sustentável, com o Objetivo 11 focando na importância de condições de vida seguras e qualidade do ar. Isso é crucial em áreas urbanas, especialmente em cidades como Daca, no Bangladesh. Daca tem uma das maiores densidades populacionais do mundo e foi reportada como tendo qualidade do ar extremamente ruim. Pesquisas para melhorar a qualidade do ar em tais cidades são fundamentais.

Dada as limitações de Daca como nação em desenvolvimento, a pesquisa deve aproveitar a tecnologia existente, como Smartphones, para monitorar a qualidade do ar.

#Mudanças Climáticas e Seu Impacto

As mudanças climáticas são um problema urgente que leva a eventos climáticos mais extremos, aumento do nível do mar e temperaturas globais mais altas. Atividades humanas, como o uso excessivo de materiais não recicláveis e plásticos, contribuem significativamente para as mudanças climáticas. A ONU estabeleceu o Objetivo 13, focando em ações para lidar com os efeitos das mudanças climáticas.

Os smartphones se integraram em nossas vidas diárias, proporcionando um meio de capturar imagens e analisar nosso entorno. Ao usar smartphones para monitorar a qualidade do ar em tempo real, podemos encontrar uma solução de baixo custo, mas eficaz.

#Objetivo da Pesquisa

Esta pesquisa tem como objetivo desenvolver um novo método usando aprendizado profundo para criar uma solução baseada em smartphone para estimar a qualidade do ar em tempo real através de imagens capturadas.

Para alcançar isso, usaremos dados de qualidade do ar do consulado local dos EUA e criaremos um conjunto de dados baseado em imagens coletadas a partir de smartphones. Em seguida, construiremos e treinaremos uma Rede Neural Convolucional Profunda (DCNN) para prever as concentrações de PM2.5 a partir dessas imagens.

#Contribuições da Pesquisa

As principais contribuições deste estudo incluem:

1. Desenvolvimento de uma Rede Neural Convolucional Profunda customizada projetada para prever níveis de PM2.5 a partir de imagens de smartphones.
2. Realização de avaliações experimentais completas para mostrar que nosso modelo supera outros modelos existentes para previsões de PM2.5 específicas para locais.
3. Criação e publicação de um novo conjunto de dados de imagens e seus níveis correspondentes de PM2.5 capturados em Daca, Bangladesh.

#Estrutura do Artigo

O artigo está organizado da seguinte forma:

• Uma revisão de pesquisas relacionadas sobre previsões de qualidade do ar baseadas em imagens.
• Informações de fundo sobre os efeitos do PM2.5 nas imagens.
• Descrição do conjunto de dados usado para o estudo.
• Esboço da metodologia que usamos, chamada Previsão de Concentração de PM2.5 com Base em Imagens (PPPC).
• Apresentação do nosso setup experimental e resultados.
• Discussão das descobertas e implicações futuras.

#Trabalho Relacionado

A pesquisa sobre a previsão de PM2.5 usando imagens foi limitada. Estudos recentes se concentraram na classificação de índices de qualidade do ar com base em imagens, utilizando avanços em aprendizado de máquina e aprendizado profundo. Vários modelos, incluindo Redes Neurais Convolucionais, foram empregados nesse contexto, mas a maioria focou em dados de câmeras estacionárias em vez de fontes móveis.

#Métodos Anteriores

Alguns estudos utilizaram diferentes abordagens para estimar os níveis de PM2.5 a partir de imagens. Por exemplo, alguns trabalhos envolveram o uso de atributos derivados de imagens, como contraste e brilho, para prever a qualidade do ar. Outros usaram modelos estatísticos para analisar a probabilidade de concentrações baixas de PM2.5 com base nas características da imagem.

Embora alguns métodos tenham mostrado sucesso, eles geralmente dependem muito de locais fixos e Conjuntos de dados estabelecidos, tornando-os difíceis de aplicar em ambientes urbanos dinâmicos, como Daca.

#Características do PM2.5 e Seus Efeitos nas Imagens

O material particulado no ar pode afetar a forma como as imagens são capturadas. A interação da luz com essas partículas pode levar ao espalhamento, o que reduz a visibilidade e afeta a qualidade da imagem. Esse espalhamento pode produzir uma aparência lavada ou embaçada nas fotografias, dificultando a avaliação da qualidade do ar apenas com observações visuais.

#Cor e Brilho nas Imagens

Cor e brilho são fatores significativos na análise da qualidade do ar a partir de imagens. Quando o PM2.5 está presente, altera como a luz é espalhada, o que pode afetar as cores vistas em uma foto. O tom azul do céu pode indicar níveis de poluição; um céu opaco ou acinzentado sugere uma poluição maior.

#Recursos de Imagem para Estimativa da Qualidade do Ar

Vamos prever a qualidade do ar usando várias características-chave da imagem:

1. Transmissão de luz através do ar.
2. A cor azul do céu.
3. Suavidade da superfície do céu.
4. Contraste da imagem.
5. Entropia, que mede a quantidade de informação ou detalhe na foto.
6. Umidade, pois pode influenciar os níveis de PM2.5.

Cada uma dessas características pode fornecer insights sobre a qualidade do ar representada nas imagens.

#Criação do Conjunto de Dados

Nosso conjunto de dados consiste em imagens capturadas em Daca, Bangladesh, de 2020 a 2022. Cada imagem inclui informações sobre a data, hora, localização e a concentração correspondente de PM2.5 registrada naquele momento. Coletamos imagens de várias fontes, incluindo contribuições da comunidade e capturas pessoais de smartphones.

Para garantir a precisão em nosso conjunto de dados, vamos combinar as imagens com dados de PM2.5 do consulado local dos EUA, que publica atualizações sobre a qualidade do ar a cada hora. Se uma imagem é tirada em um momento específico, usamos a leitura de PM2.5 mais próxima daquele horário para nossa análise.

O conjunto de dados inicial inclui um total de 1.818 imagens, que foram divididas em grupos de treinamento, validação e teste para garantir a robustez do modelo.

#Metodologia Proposta: Previsão de Concentração de PM2.5 com Base em Imagens

Nossa abordagem utiliza uma Rede Neural Convolucional Profunda (DCNN) projetada para prever níveis de PM2.5 a partir de imagens de smartphones. O modelo processa as imagens para extrair características-chave, que são então usadas para estimar a qualidade do ar.

#Arquitetura da Rede

O modelo projetado compreende várias camadas:

• Uma camada de zero-padding para manter as dimensões da imagem.
• Múltiplas camadas convolucionais para extração de características.
• Camadas de max pooling para reduzir a dimensionalidade e a computação.
• Camadas totalmente conectadas para as previsões finais.

Para a ativação, usamos a função Rectified Linear Unit (ReLU), que ajuda a acelerar o processo de treinamento em comparação com outras funções.

#Treinamento e Avaliação

Vamos avaliar nosso modelo usando métricas padrão para avaliar seu desempenho. Essas métricas incluem:

• Erro Absoluto Médio (MAE)
• Erro Quadrático Médio (MSE)
• Raiz do Erro Quadrático Médio (RMSE)
• R-quadrado (valor R²) que indica o quão bem os dados previstos se ajustam aos dados observados.

#Resultados Experimentais

Após executar o modelo, vamos analisar suas capacidades preditivas em relação ao conjunto de dados coletado. Nosso objetivo é demonstrar que nossa abordagem gera previsões precisas dos níveis de PM2.5, mostrando a eficácia da avaliação da qualidade do ar baseada em imagens.

#Comparação com Outros Modelos

Para validar o desempenho do nosso modelo, também vamos compará-lo com arquiteturas de aprendizado profundo existentes. Entender como nosso modelo se compara a métodos estabelecidos é crucial para garantir a confiabilidade.

#Desafios e Considerações

O processo de prever PM2.5 a partir de dados de imagem traz desafios. Por exemplo, imagens de baixa qualidade podem resultar em previsões ruins, e fatores ambientais como condições de iluminação podem impactar significativamente os resultados.

#Direções Futuras

Avançando, planejamos converter nosso modelo em um aplicativo móvel para oferecer monitoramento em tempo real da qualidade do ar diretamente para os usuários. Ao coletar continuamente imagens e dados correspondentes de PM2.5, podemos melhorar a precisão do nosso modelo e expandir sua aplicabilidade para outras regiões também.

Além disso, vamos explorar a integração de outras tecnologias de sensoriamento para coletar uma gama mais ampla de dados ambientais. Essa abordagem multifacetada pode aumentar a robustez de nossas previsões de qualidade do ar.

#Conclusão

A poluição do ar é um problema global significativo, especialmente em áreas urbanas densamente povoadas. Ao aproveitar a tecnologia dos smartphones e técnicas de aprendizado profundo, podemos desenvolver soluções eficazes para o monitoramento em tempo real da qualidade do ar. Nossa pesquisa visa fazer uma contribuição significativa para este campo e fornecer ferramentas acessíveis para que as comunidades entendam e melhorem sua qualidade do ar.