AQUAWEB: ferramenta de avaliação da qualidade da água

• Author(s): Melo, Joana Marques de
• Date: 2011
• Persistent ID: http://hdl.handle.net/10773/8603
• Origin: RIA - Repositório Institucional da Universidade de Aveiro
• Subject(s): Engenharia de computadores; Simulação por computador; Qualidade da água; Rios
• Document Type: Master thesis
• Language: Portuguese

Description

A qualidade ecológica das águas dos rios é uma preocupação que tem vindo a afirmar-se cada vez mais em muitos países. Ao olharem com maior atenção para a qualidade dos rios, as entidades responsáveis podem tomar mais cedo medidas que previnam a sua degradação e que visem a sua reabilitação. Com esta necessidade, surgiram vários métodos de avaliação da qualidade ecológica dos rios, entre eles os modelos preditivos baseados em comunidades aquáticas e nas características ambientais dos rios. Estes modelos baseiam-se em tarefas complexas, lidando com extensas quantidades de dados e, por esse motivo, os biólogos recorrem a programas de computador que integram diversas ferramentas estatísticas e operam grandes quantidades de informação. Esta dissertação apresenta uma solução integrada de todos os processos inerentes à criação e utilização de modelos preditivos baseados em dois tipos de modelos existentes: RIVPACS (River Invertebrate Prediction and Classification System) e BEAST (Benthic Assessment of Sediment). Ambos os tipos de modelos seguem a filosofia da RCA (Reference Condition Approach), criando o modelo com base nas comunidades biológicas de locais de referência (i.e., boa qualidade). Locais possivelmente afectados são avaliados quanto ao seu grau de perturbação pela diferença da sua comunidade às comunidades referência. A solução foi concretizada numa aplicação web, construída para que os biólogos possam gerir os dados obtidos em campo sem qualquer tratamento prévio e, ao mesmo tempo, oferece uma visão próxima e simplificada de todos os resultados de cada etapa do processo, permitindo sempre ajustamentos ao longo de cada passo. Ao facilitar a verificação e edição dos dados recolhidos de uma forma intuitiva, detalhada e bastante visual, permite uma eficiente detecção de falhas nos dados que invalidariam a sua utilização. Também de forma intuitiva, são providenciados em cada passo resultados sob a forma de imagens, tabelas e texto, para melhor ajudar o utilizador final a decidir sobre as opções a tomar para o passo seguinte do algoritmo.

There is a growing concern in many countries about the quality of streams and rivers ecosystems. By paying close attention to the ecological quality of rivers, the responsible entities can take early measures to prevent their degradation and for their rehabilitation. With this necessity, several assessment methods have emerged, including predictive models based on aquatic communities and environmental characteristics. These models integrate complex tasks, deal with large amounts of data, and for those reasons biologists rely on computer programs designed to perform statistical calculations on large sets of data. This dissertation presents an integrated solution of all the steps involving the creation and use of predictive models based on two types of existing models: RIVPACS (River Invertebrate Prediction and Classification System) and BEAST (Benthic Assessment of Sediment). Both types of models follow the RCA (Reference Condition Approach), since they create the models based on reference sites (i.e., good quality sites). To determine the degradation level of disturbed sites, the models compare their biological communities to those of reference sites. The solution was implemented in a web application, built so that biologists can manage the data obtained in the field without any prior treatment and at the same time offering a simplified and close vision of all the results produced at each step of the algorithm, always allowing adjustments throughout the process. By facilitating the verification and editing of collected data in an intuitive, comprehensive and very visual way, it allows efficient detection of data errors that would preclude the validity of this information for assessments. Also intuitively, results are provided in each step in the form of images, tables and text, to help the end user decide on the choices to make for the next step of the algorithm.