A poluição atmosférica provocada pela presença de gases poluentes (químicos e particulado) no ar é uma das principais fontes geradoras de degradações do meio ambiente e de efeitos na saúde humana. No Brasil foram determinados indicadores da qualidade do ar, representados pelos principais gases poluentes, sendo eles: partículas inaláveis, dióxido de enxofre, dióxido de nitrogênio, monóxido de carbono e ozônio (INSTITUTO ESTADUAL DO AMBIENTE; GERÊNCIA DE QUALIDADE DO AR, 2016). O monitoramento desses indicadores auxilia no controle de situações emergenciais, através da aplicação de metodologias para a medição em escalas temporais e espaciais. Entretanto os métodos mais usuais apresentam limitações, como custo elevado e alta complexidade, que influenciam nas decisões quanto ao seu uso. A falta de um banco de dados das emissões atmosféricas também dificulta na avaliação das principais fontes poluidoras do ar. Neste contexto, aliar o monitoramento da qualidade do ar, em tempo real, com pequenas estações móveis ampliam significativamente a obtenção de dados em locais que periodicamente apresentam comprometimento da qualidade. A utilização deste tipo de equipamento, através de sistemas inteligentes, possibilita medições por meio de plataformas menos complexas e mais acessíveis. Este trabalho propõe o desenvolvimento de um sistema protótipo de sensoriamento ambiental, para o monitoramento do Índice de Qualidade do Ar (IQAr), em tempo real, e predição das concentrações de material particulado (2,5 µm), ozônio e monóxido de carbono, através de uma unidade microcontrolada e da aplicação da metodologia de redes neurais artificiais (RNA). O desenvolvimento do sistema considerou sensores, módulos e componentes sensíveis aos elementos, conectados a uma placa de Arduino Mega 2560, programada pelo software Arduino (IDE). Os dados experimentais foram coletados em Polo de Inovação do IFF e adotados para o treinamento das RNA através do software Statistica, para a predição das concentrações de cada gás, em relação as suas concentrações iniciais e as condições meteorológicas (pressão, temperatura e umidade). A definição das melhores redes treinadas e da viabilidade de uso considerou os parâmetros e dados estatísticos de cada uma. A implementação do modelo neural no sistema protótipo foi então realizada através da inclusão desses parâmetros no código de programação do microcontrolador. Por fim, considerou-se o protótipo como adequado aos objetivos do trabalho, sendo que a escolha quanto ao seu uso deve considerar o foco da aplicação.

Palavras-chave: Arduino; Índice de qualidade do ar; Monitoramento ambiental; Poluentes atmosféricos; Redes neurais artificiais.