A machine learning approach to environmental sustainability

Abstract

Environmental sustainability is one of the biggest concerns nowadays. With environmental increasingly latent negative impacts, it is substantiated that future generations may be compromised. Thus, this research addresses this topic, in particular, the air quality and atmospheric pollution, as well as water issues regarding a wastewater treatment plant. This study comes from a combination of Machine Learning supervised models to predict multiple parameters regarding environmental sustainability. Through the application of regression and classification models, the study target involves the air and the water quality in Guimarães city. Therefore, the key research goals are to predict attributes such as the Ultraviolet index, Carbon Monoxide air concentration, and water pH. Using Decision Trees, Random forest, Multilayer Perceptron, and Long Short-Term Memory, these parameters were forecasted. In this way, this study describes these models’ implementation and optimization processes, as well as the results generated. Predicting parameters of this nature will allow the anticipation of problematic situations, enabling preventive actions. Further, it grants the optimization and reallocation of resources, promoting the best for the population and the common good. After the entire implementation process, several conclusions arose from this research. First, from the Ultraviolet index levels (defined by the World Health Organization) prediction, was achieved a maximum accuracy of approximately 93%. Moreover, regarding this parameter prediction using regression models, the best result showed a Mean Absolute Error of 0.36. Besides, this index was further predicted based on a time series, resulting in a Mean Absolute Error of about 0.15. Additionally, also using a time series approach, the Carbon Monoxide air concentration was forecasted, achieving a Mean Absolute Error of 1.345 × 10−7. Finally, considering the water pH problem was reached, as the lowest Mean Absolute Error, a value equal to 0.11.

A sustentabilidade ambiental é uma das maiores preocupações da atualidade. Com impactos negativos ambientais cada vez mais latentes, está provado que as gerações futuras podem estar comprometidas. Assim, esta pesquisa vem abordar este tópico, em particular, a qualidade do ar e a poluição atmosférica, bem como as questões hídricas no contexto de uma estação de tratamento de águas residuais. Este estudo advém de uma combinação de modelos de aprendizagem supervisionada com o objetivo de prever vários parâmetros referentes à sustentabilidade ambiental. Através da aplicação de modelos de regressão e classificação, o alvo da investigação envolve a qualidade do ar e da água na cidade de Guimarães. Por conseguinte, os principais objetivos da pesquisa passam por prever atributos como o índice de radiação ultravioleta, a concentração de monóxido de carbono no ar e o pH da água. Usando Árvores de Decisão, Random Forest, Perceptron Multicamadas e Long Short-Term Memory, esses parâmetros foram alvo de previsão. Deste modo, este estudo descreve os processos de implementação e otimização desses modelos, bem como os resultados gerados. A previsão de parâmetros desta natureza permitirá a antecipação de situações problemáticas, possibilitando ações preventivas. Ademais, permite a otimização e realocação de recursos, promovendo o melhor para a população e o bem comum. Após todo o processo de implementação, várias conclusões surgiram desta pesquisa. Em primeiro lugar, da previsão dos níveis do índice ultravioleta (definidos pela Organização Mundial da Saúde), foi alcançada uma precisão máxima de, aproximadamente, 93 %. Além disso, em relação à previsão deste parâmetro por meio de modelos de regressão, o melhor resultado apresentou um Erro Médio Absoluto de 0,36. Além do mais, esse índice foi alvo de previsão com base em uma série temporal, resultando em um Erro Médio Absoluto de cerca de 0,15. Ainda, também utilizando uma abordagem de série temporal, a concentração de monóxido de carbono no ar foi prevista, atingindo um Erro Médio Absoluto de 1,345 ×10−7. Por fim, considerando o problema do pH da água foi atingido, como o menor Erro Médio Absoluto, um valor igual a 0,11.