A qualidade da água está diretamente relacionada com o seu nível de poluição, e para isso, é necessário o monitoramento para identificar as características físicas, químicas e biológicas, considerando a legislação vigente. Este artigo apresenta a comparação dos modelos de rede neural Long-Short Term Memory (LSTM) e Perceptron Multilayer (MLP) para predizer os parâmetros pH, OD, DBO, Fósforo e Turbidez da qualidade da água. Foram usadas as métricas de erro RMSE e MSE, quando as redes neurais são configuradas com 10, 25 e 50 neurônios. A rede LSTM apresentou um RMSE médio de 0,134, MSE médio de 0,035 e MAPE médio de 13,49. A rede MLP apresentou RMSE médio de 0,085, MSE médio de 0,01 e MAPE médio de 13,03. Os resultados do experimentos visam contribuir com o processo de monitoramento da qualidade da água e auxiliar o planejamento da gestão hídrica através do modelo de aprendizado de máquina adequado para predição dos parâmetros.

Todo o conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons. Atribuição 4.0 Internacional (CC BY 4.0).O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais.

A qualidade da água está diretamente relacionada ao seu nível de poluição, e para isso é necessário um monitoramento que identifique as características físicas, químicas e biológicas, considerando a legislação vigente. Este artigo apresenta uma comparação entre os modelos de rede neural de Long-Short Term Memory (LSTM) e Perceptron