Avaliar a aplicação conjunta PCA, HCA e K-means (técnicas de aprendizado de máquina) na identificação de padrões químicos multivariados em águas subterrâneas e examinar sua utilidade como linha complementar de evidência no gerenciamento de áreas contaminadas (GAC).
O estudo aplica técnicas de aprendizado de máquina para interpretação de dados ambientais complexos e volumosos no contexto do GAC de forma eficaz e com abordagem multidimensional inovadora, capturando padrões em resultados laboratoriais que muitas vezes não aparecem em abordagens univariadas tradicionais.
Estudo de caso quantitativo, exploratório-descritivo e retrospectivo, com três campanhas de monitoramento ambiental consideradas. Aplicou-se pré-processamento de dados, PCA, HCA pelo método de Ward e K-means, métricas de qualidade, análise de estabilidade e sensibilidade de modelo e avaliações de aderência à realidade.
A estudo demonstrou capturou padrões multivariados importantes e aderentes à realidade, incrementando mais uma linha de evidência ao monitoramento ambiental no contexto do GAC Os modelos de agrupamento HCA e K-means apresentaram concordância integral e revelaram padrões de contaminação multivariados nos dados.
A abordagem apoia o GAC ao sintetizar bases multivariadas, destacar observações diferenciadas e direcionar investigações adicionais ambientais. Ficou demonstrado que o aprendizado de máquina não supervisionado é capaz tratar grandes volumes de dados ambientais provenientes de áreas contaminadas reconhecendo padrões multivariados.
A estudo demonstrou como técnicas modernas de análises de dados e reconhecimento de padrões podem apoiar a tomada de decisão no GAC contribuindo para a sustentabilidade e preservação dos recursos naturais diante das pressões antrópicas crescentes.
Evaluate the joint application of PCA, HCA, and K-means (machine learning techniques) in identifying multivariate chemical patterns in groundwater and examine their usefulness as a complementary line of evidence in contaminated site management (CSM).
The study applies machine learning techniques to effectively interpret complex and large-scale environmental data in the context of CSM through an innovative multidimensional approach, capturing patterns in laboratory results that often do not appear in traditional univariate approaches.
A quantitative, exploratory-descriptive, and retrospective case study considering three environmental monitoring campaigns. Data preprocessing, PCA, HCA using Ward’s method, and K-means were applied, together with quality metrics, model stability and sensitivity analysis, and assessments of consistency with real-world conditions.
The study demonstrated that it captured important multivariate patterns consistent with real-world conditions, adding another line of evidence to environmental monitoring in the context of CSM The HCA and K-means clustering models showed complete agreement and revealed multivariate contamination patterns in the
The approach supports CSM by synthesizing multivariate datasets, highlighting differentiated observations, and guiding additional environmental investigations. It was demonstrated that unsupervised machine learning is capable of handling large volumes of environmental data from contaminated sites while identifying multivariate patterns.
The study demonstrated how modern data analysis and pattern recognition techniques can support decision-making in CSM, contributing to sustainability and the preservation of natural resources in the face of increasing anthropogenic pressures.