Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40542| Título: | Métodos de inteligência computacional aplicados em análises espaço temporais de poluição atmosférica, condições climáticas e socioeconômicas e saúde populacional |
| Título(s) alternativo(s): | Computational intelligence methods applied to spatiotemporal analyses of air pollution, climatic conditions, socioeconomic factors and population health |
| Autor(es): | Rover, Lucas |
| Orientador(es): | Tadano, Yara de Souza |
| Palavras-chave: | Poluição Saúde pública Cluster (Sistema de computador) Análise multivariada Inteligência computacional Processo decisório Pollution Public health Cluster (Computer system) Multivariate analysis Computational intelligence Decision making |
| Data do documento: | 11-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | ROVER, Lucas. Métodos de inteligência computacional aplicados em análises espaço temporais de poluição atmosférica, condições climáticas e socioeconômicas e saúde populacional. 2025. Dissertação (Mestrado em Engenharia Mecânica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2025. |
| Resumo: | O uso de inteligência computacional tem se expandido nas engenharias e nas ciências ambientais, possibilitando a integração e análise de grandes volumes de dados para compreender sistemas complexos e apoiar a tomada de decisão baseada em evidências. Na área de poluição atmosférica e saúde, observa-se um crescimento no uso de algoritmos de aprendizado de máquina e análise multivariada; contudo, ainda são escassos os estudos que integram dimensões socioeconômicas, ambientais e sanitárias em análises espaço-temporais. O objetivo deste estudo foi desenvolver e aplicar métodos computacionais baseados em algoritmos de clusterização e análise multivariada para identificar padrões espaço-temporais de poluição atmosférica, condições climáticas e internações respiratórias em municípios do Paraná, integrando dados ambientais, meteorológicos, socioeconômicos e de saúde em diferentes níveis de granularidade (diário, mensal e sazonal), coletados no período de maio de 2024 a maio de 2025. A metodologia contemplou a coleta e integração de dados diários de poluição do ar, variáveis meteorológicas e registros hospitalares, associados a indicadores de renda, saneamento e desenvolvimento humano. Foram aplicadas técnicas de clusterização hierárquica e K-Means, validadas por métricas como Silhouette (0,43-0,44), Davies-Bouldin (0,68-0,89) e Calinski-Harabasz (11,09393,5), além de análise de componentes principais (PCA) e verificação de estabilidade por bootstrap. Os resultados quantitativos indicam a formação de três perfis sazonais distintos (baixa, intermediária e alta variabilidade de poluentes), com maiores níveis de MP₂.₅ e internações respiratórias durante o inverno. A análise qualitativa evidencia que municípios com menor renda e saneamento precário apresentam maior vulnerabilidade ambiental e sanitária, demonstrando a relevância dos determinantes socioeconômicos na exposição e nos agravos à saúde. Conclui-se que a integração entre estatística multivariada, aprendizado não supervisionado e variáveis socioambientais representa um avanço metodológico no campo científico, ampliando a capacidade de identificação de padrões regionais de vulnerabilidade e subsidiando políticas públicas de saúde e meio ambiente baseadas em evidências. |
| Abstract: | The use of computational intelligence has expanded across engineering and environmental sciences, enabling the integration and analysis of large datasets to understand complex systems and support evidence-based decision-making. In the field of air pollution and public health, there has been a growing application of machine learning algorithms and multivariate analysis; however, studies that integrate socioeconomic, environmental, and health dimensions in spatiotemporal analyses remain limited. The objective of this study was to develop and apply computational methods based on clustering algorithms and multivariate analysis to identify spatiotemporal patterns of air pollution, climatic conditions, and respiratory hospitalizations in municipalities of Paraná, Brazil, by integrating environmental, meteorological, socioeconomic, and health data at different levels of granularity (daily, monthly, and seasonal), collected between May 2024 and May 2025. The methodology involved the collection and integration of daily air quality data, meteorological variables, and hospital records, associated with income, sanitation, and human development indicators. Hierarchical and K-Means clustering techniques were applied and validated using metrics such as Silhouette (0.43-0.44), Davies-Bouldin (0.68-0.89), and Calinski-Harabasz (11.09-393.5), along with Principal Component Analysis (PCA) and bootstrap-based stability testing. The quantitative results revealed the formation of three distinct seasonal profiles (low, intermediate, and high pollutant variability), with higher PM₂.₅ concentrations and respiratory hospitalizations during winter. The qualitative analysis indicated that municipalities with lower income and inadequate sanitation exhibit greater environmental and health vulnerability, underscoring the role of socioeconomic determinants in exposure and disease burden. It is concluded that the integration of multivariate statistics, unsupervised learning, and socioenvironmental indicators represents a methodological advancement in the scientific field, enhancing the capacity to identify regional vulnerability patterns and supporting evidence-based environmental and public health policies. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40542 |
| Aparece nas coleções: | CP - Programa de Pós-Graduação em Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Tamanho | Formato | |
|---|---|---|---|
| inteligenciacomputacionalpoluicao.pdf Disponível a partir de 2027-06-01 | 3,31 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
