DESAFIO
No monitoramento da qualidade da água, os principais desafios incluem a complexa logística de coleta e transporte das amostras até laboratórios qualificados, o difícil acesso a áreas remotas dos reservatórios, os riscos à segurança das equipes de campo e os altos custos operacionais.
Esse cenário evidencia a necessidade de tecnologias e dispositivos inovadores que viabilizem o monitoramento de corpos d’água continentais em regiões isoladas, como os reservatórios de hidrelétricas na Amazônia.
DESENVOLVIMENTO
O projeto apresenta um método de estimativa do Índice de Qualidade da Água (IQA) em tempo quase real, projetado para uma plataforma de sensoriamento autônomo que mede um subconjunto de parâmetros necessários para o cálculo tradicional do IQA. Juntamente com dados espaciais baseados em GPS o sistema coleta onze parâmetros: pH, oxigênio dissolvido, turbidez, condutividade, temperatura, sólidos dissolvidos totais, salinidade, potencial de oxirredução, profundidade, clorofila e fluorescência.
Propomos uma Rede Neural em Grafos Espaço-Temporais (ST-GNN) que combina convoluções em grafos e temporais com mecanismos de atenção para capturar relações espaciais e padrões temporais entre os locais de monitoramento, permitindo uma estimativa indireta do IQA baseada em dados, sem a necessidade de testes laboratoriais para coliformes, demanda bioquímica de oxigênio, nutrientes e indicadores de resíduos.
O modelo foi testado em um conjunto de dados de 1.268 amostras provenientes de 56 estações de monitoramento da UHE de Belo Monte, incluindo medições tanto por sensores quanto laboratoriais, alcançando um RMSE de 3,45 unidades de IQA, um MAE de 2,67 unidades e um R² de 0,947. O modelo superou métodos de referência como LSTM, Random Forest, Regressão por Vetores de Suporte (SVR) e regressão linear.
RESULTADO
Sistema inteligente para visualização de parâmetros de sonda multiparamétrica e cálculo automático do índice de Qualidade de água de reservatórios de hidrelétricas. Desenvolvido para operar na UHE de Belo Monte, administrado pela concessionária NORTE ENERGIA. Compreendeu as etapas de coleta e tratamento de dados, definição de algoritmos de IA, treinamento, processamento e integração dos dados em ambiente cloud.
A solução foi embarcada em um Barco Autônomo, o qual operou na forma de um piloto em reservatórios da UHE de Belo Monte. A abordagem oferece um caminho promissor para um monitoramento da qualidade da água acessível e escalável em grandes ambientes aquáticos, embora as previsões estejam inerentemente limitadas às correlações observadas nos dados de treinamento.
O resultado técnico-científico foi apresentado em eventos com a Norte Energia e publicado na IEEE sob o tema: Spatio-Temporal Graph Neural Network for Water Quality Index Prediction in Autonomous Aquatic Monitoring Systems.
