Um artigo publicado por pesquisadores do Câmpus Ponta Grossa aponta que é possível prever a qualidade do ar devido ao isolamento social ocasionado pela pandemia do novo Coronavírus e as variáveis metereológicas. O estudo foi elaborado em parceria com a Universidade Federal do Paraná (UFPR) e a Manchester Metropolitan University (Reino Unido), e publicado no periódico Environmental Pollution, da Elsevier com o título “Dynamic model to predict the association between air quality, COVID-19 cases, and level of lockdown”.

Esta é a primeira vez que são utilizadas redes neurais artificiais (RNAs) para prever os níveis de poluentes atmosféricos (CO, O3, NO2, NO, PM2,5, PM10) em decorrência do isolamento social. A pesquisa foi realizada para a cidade de São Paulo (um dos epicentros da pandemia) e mostrou que o nível de isolamento social pode estar diretamente relacionado ao número de novos casos de Covid-19, poluição do ar e restrição econômica. Como as taxas de isolamento social variam consideravelmente em todo o mundo, há uma oportunidade para que grandes cidades possam determinar o nível de flexibilidade do isolamento social.

“Nós aplicamos as RNAs para simular quatro cenários hipotéticos de taxa de isolamento social: 10% (mínimo), 30% (chamado de isolamento vertical – somente pessoas no grupo de risco permanecem em isolamento), 70% (taxa considerada ideal para reduzir o contágio) e 90% (medida extrema de isolamento)”, explica o professor do Departamento Acadêmico de Eletrônica (DAELE), Hugo Valadares.

Segundo os pesquisadores, os níveis de poluição do ar são maiores para taxas de isolamento de 10 e 30%. Para alguns dias específicos, o comportamento foi contrário, mostrando a interdependência dos níveis de poluição do ar com diversas variáveis, principalmente variáveis meteorológicas.

De acordo com a coordenadora da pesquisa, a professora do Departamento Acadêmico de Matemática (DAMAT), Yara de Souza Tadano, a principal conclusão é que, quando mudanças abruptas nas condições meteorológicas são preditas, são recomendadas ações de isolamento alguns dias antes. “Isso diminui a emissão de poluentes, evita eventos extremos de poluição do ar, e consequentemente, poupa a saúde da população”, completa.

Usando um banco de dados limitado, a rede neural Multilayer Perceptron provou ser eficiente (com erro percentual médio absoluto ∼ 30%), com poder preditivo aceitável para estimar mudanças na poluição do ar.

“Ilustramos que os níveis de poluentes atmosféricos podem ser efetivamente controlados e previstos quando medidas flexíveis de isolamento são implementadas. Os modelos serão uma ferramenta útil para os governos administrarem o delicado equilíbrio entre isolamento social, número de casos de Covid-19 e poluição do ar”, finaliza a coordenadora.

O artigo contou ainda com a colaboração dos professores Yslene Kachba, Daiane Chiroli e Thiago Antonini Alves, da aluna do Programa de Pós-Graduação em Engenharia Mecânica (PPGEM), Vivian Machado. Além dos pesquisadores da UFPR, Ricardo Godoi e Luciana Casacio e as alunas Jéssica Santos-Silva e Camila Moreira, além da pesquisadora da Manchester Metropolitan University, Sanja Potgieter-Vermaak.

Fonte: UTFPR