Bayesian Probabilistic Modeling applied to some environmental data using PyMC

Resumo

Modelos de aprendizado de máquina podem ser usados para prever problemas ambientais e até mesmo gerenciar sistemas e processos. O modelo probabilístico multivariado bayesiano (BMP) permite a construção de um modelo de previsão da concentração de Oxigênio Dissolvido (OD) na água. Com a utilização de softwares gratuitos que, a partir de dados históricos de análises de água, fornecem de forma rápida e robusta, resultados semelhantes aos produzidos por redes neurais artificiais. Neste trabalho, um modelo BMP desenvolvido em Python utilizando a biblioteca PyMC3 foi aplicado a dois conjuntos de dados ambientais não lineares diferentes. No primeiro, a calibração multivariada do OD foi realizada em água bruta do Rio Piracicaba (São Paulo - Brasil), onde o modelo BMP obteve um Erro Quadrático Medio de previsão (RMSEp) de 0,835 mg L^-1 para 20 amostras testadas. No segundo conjunto, o mesmo processo de modelagem foi realizado para o Rio Paraíba do Sul (São Paulo - Brasil), obtendo um RMSEp de 0,839 mg L^-1 para 20 amostras testadas. Ambos os resultados foram equivalentes aos obtidos com uma rede neural de retropropagação. Outros dados ambientais não lineares foram testados com resultados muito bons. Um modelo BMP para concentração de benzeno no ar urbano, como monitoramento da poluição atmosférica, obteve um RMSEp de 0,584 ug m^-3.