Previsão da demanda de água nos setores agrícola, da construção civil e residencial utilizando um modelo de aprendizado de máquina baseado no conceito de gestão do conhecimento
Palavras-chave:
Gestão do conhecimento, aprendizado de máquina, construção civil, agricultura, residencial, demanda de água, reciclagem de água, produtividadeResumo
Nos tempos contemporâneos, o foco da gestão de recursos hídricos mudou de construir novos sistemas de abastecimento de água para a gestão e utilização eficiente dos sistemas já existentes. A gestão do conhecimento é uma das ferramentas mais poderosas na ciência da gestão, sendo extremamente útil para identificar soluções experimentais para essa questão. Considerando que as técnicas de aprendizado de máquina fornecem ideias para prever fenômenos complexos, este estudo empregou o modelo ANFIS para prever a demanda de água nos setores agrícola, da construção civil e residencial na Província de Meca, na Arábia Saudita. Foram utilizados dados de 2000 a 2021 para esse propósito. Para alcançar uma quantidade suficiente de dados, o método Diz foi utilizado para a sazonalização dos dados anuais. O presente estudo avaliou e comparou a eficácia da reciclagem de água como uma forma de aumentar a produtividade nos setores agrícola, da construção civil e residencial em resposta à gestão da demanda de água. Os resultados indicam que a implementação de uma estratégia de gestão e reciclagem de água pode potencialmente levar a uma redução de 4%, 6% e 0,8% no consumo de água pelos setores agrícola, da construção civil e residencial, respectivamente, até o ano de 2025. Na ausência de técnicas de gestão e medidas de produtividade alinhadas com a demanda projetada para 2025, os níveis de consumo anual para os setores agrícola, da construção civil e residencial devem aumentar em 20,0, 0,5 e 1,0 MCM, respectivamente.
Referências
Abbasi, R., Martinez, P., & Ahmad, R. (2022). The digitization of agricultural industry–a systematic literature review on agriculture 4.0. Smart Agricultural Technology, 2, 100042.
Alanne, K., & Sierla, S. (2022). An overview of machine learning applications for smart buildings. Sustainable Cities and Society, 76, 103445.
Arnell, N. W. (2004). Climate change and global water resources: SRES emissions and socio-economic scenarios. Global environmental change, 14(1), 31-52.
Bakker, K. (2005). Neoliberalizing nature? Market environmentalism in water supply in England and Wales. Annals of the association of American Geographers, 95(3), 542-565.
Carroon, J. (2010). Sustainable preservation: Greening existing buildings. John Wiley & Sons.
Feldman, D. L., & Ingram, H. M. (2009). Making science useful to decision makers: climate forecasts, water man-agement, and knowledge networks. Weather, Climate, and Society, 1(1), 9-21.
Ison, R., Röling, N., & Watson, D. (2007). Challenges to science and society in the sustainable management and use of water: investigating the role of social learning. Environmental science & policy, 10(6), 499-511.
Kouadri, S., Elbeltagi, A., Islam, A. R. M. T., & Kateb, S. (2021). Performance of machine learning methods in pre-dicting water quality index based on irregular data set: application on Illizi region (Algerian southeast). Applied Water Science, 11(12), 190.
Mekonnen, Y., Namuduri, S., Burton, L., Sarwat, A., & Bhansali, S. (2019). Machine learning techniques in wireless sensor network based precision agriculture. Journal of the Electrochemical Society, 167(3), 037522.
Pallathadka, H., Mustafa, M., Sanchez, D. T., Sajja, G. S., Gour, S., & Naved, M. (2023). Impact of machine learning on management, healthcare and agriculture. Materials Today: Proceedings, 80, 2803-2806.
Seyedzadeh, S., Rahimian, F. P., Glesk, I., & Roper, M. (2018). Machine learning for estimation of building energy consumption and performance: a review. Visualization in Engineering, 6, 1-20.
Sit, M., Demiray, B. Z., Xiang, Z., Ewing, G. J., Sermet, Y., & Demir, I. (2020). A comprehensive review of deep learning applications in hydrology and water resources. Water Science and Technology, 82(12), 2635-2670.
Sun, A. Y., & Scanlon, B. R. (2019). How can Big Data and machine learning benefit environment and water man-agement: a survey of methods, applications, and future directions. Environmental Research Letters, 14(7), 073001.
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Zeinab Abdallah Mohammed Elhassan, Nahla M. Shannan , Faizah Mohammed Bashir , Samuel Moveh, Ali Hussain Alhamami, Taha Gammoudi, Mohamed Ahmed Said Mohamed
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License. A revista segue a política para Periódicos de Acesso Livre, oferecendo acesso livre, imediato e gratuito ao seu conteúdo, seguindo o princípio de que disponibilizar gratuitamente o conhecimento científico ao público proporciona mais democratização internacional do conhecimento. Por isso, não se aplica taxas, sejam elas para submissão, avaliação, publicação, visualização ou downloads dos artigos. Além disso, a revista segue a licença Creative Common (CC BY) permitindo qualquer divulgação do artigo, desde que sejam referenciados o artigo original. Neste sentido, os autores que publicam nesta revista concordam com os seguintes termos: A) Os autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Creative Commons Attribution License (CC BY), permitindo o compartilhamento do trabalho com reconhecimento da autoria do trabalho e publicação inicial nesta revista. B) Autores têm autorização para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional e não institucional, bem como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista. C) Autores sãoo estimulados a publicar e distribuir seu trabalho online (ex.: repositórios online ou na sua página pessoal), bem como aumentar o impacto e a citação do trabalho publicado.
