UM SISTEMA COLABORATIVO DE MONITORAMENTO GEORREFERENCIADO DE DADOS DE POLUIÇÃO SONORA CLASSIFICADOS POR MODELO DE APRENDIZADO DE MÁQUINA
DOI:
https://doi.org/10.56238/revgeov17n2-138Palavras-chave:
Poluição Sonora, Classificação de Sons Urbanos, Aprendizado de Máquina, Sistemas Colaborativos, GeorreferenciamentoResumo
Este trabalho propõe um sistema colaborativo para o monitoramento georreferenciado da poluição sonora em ambientes urbanos, utilizando um modelo de aprendizado de máquina para classificação automática de sons. O sistema adota uma arquitetura modular, composta por três aplicações principais: Aplicação Cliente (coleta); Aplicação Servidora (processamento) e Aplicação Cliente (visualização), o que permite escalabilidade e facilidade de manutenção. Na Aplicação cliente (coleta), a captura de dados é realizada por meio de um chatbot integrado ao aplicativo Telegram, permitindo que os usuários enviem gravações de áudio juntamente com suas localizações. Esses dados são processados por uma Aplicação Servidora, que extrai características acústicas e classifica os sons usando o modelo UrbanSound8K_ECAPA, e armazena os resultados em um banco de dados NoSQL. A Aplicação Cliente de visualização é composta por uma página Web, que faz requisições para a Aplicação Servidora e apresenta os dados capturados de forma interativa, permitindo a exploração dos sons classificados e suas correspondentes localizações geográficas. Uma análise comparativa de modelos de classificação de áudio foi conduzida para suportar a escolha do modelo mais adequado. Resultados preliminares demonstram a viabilidade da solução proposta, que se demonstra uma ferramenta promissora, de baixo custo, acessível e escalável para o mapeamento e análise da poluição sonora urbana, com potenciais aplicações em políticas públicas e iniciativas de cidades inteligentes.
Downloads
Referências
AHMED, A. A.; PRADHAN, B.; CHAKRABORTY, S. et al. Developing vehicular traffic noise prediction model through ensemble machine learning algorithms with GIS. Arabian Journal of Geosciences, v. 14, n. 16, p. 1–15, 2021. DOI: 10.1007/s12517-021-08114-y.
ARINAITWE, Chris; MUGISHA, Samuel; OPIO, Daniel. Review of Techniques used in Speech Signal Processing. Journal of Signal Processing Systems, v. 3, n. 1, p. 63–70, 2024. DOI: 10.59568/KJSET-2024-3-1-07.
BELTRAN, C. A. R. et al. Plataforma de aprendizado de máquina para detecção e monitoramento de alunos com risco de evasão. Anais do CBIE/SBIE, v. 30, n. 1, p. 1591, 2019. DOI: 10.5753/cbie.sbie.2019.1591.
BEZERRA, E. A. A. C. et al. Instrumentos construídos/validados ao processo de enfermagem em saúde mental: revisão integrativa. Revista Eletrônica Acervo Saúde, v. 25, p. e19772, 2025. DOI: 10.25248/reas.e19772.2025.
BEZERRA, E. A. A. C.; FERREIRA, A. A.; PORTELA, L. C. Diagnóstico de enfermagem em saúde mental infantojuvenil. Miscellaneous, v. 24, n. 1, p. e13700, 2024. DOI: 10.25248/reas.e13700.2024.
BOUMCHICH, A. A Smartphone-Based Crowd-Sourced Database for Environmental Noise Assessment: from data quality assessment to the production of relevant noise maps. 2023. 122 f. Tese (Doutorado em Física) – Le Mans Université. Disponível em: https://theses.hal.science/tel-04444620/
CAN, A.; et al. Framework for urban sound assessment at the city scale based on citizen action, with the smartphone application NoiseCapture as a lever for participation. Noise Mapping, v. 10, n. 1, p. 20220166, 2023. DOI: 10.1515/noise-2022-0166.
CERIOTTI, V. C. Classificação de sons ambientais utilizando redes neurais convolucionais para aplicações em hardwares com recursos limitados. 2023. Trabalho de Conclusão de Curso (Graduação) – Universidade Federal do Rio Grande do Sul. Disponível em: http://hdl.handle.net/10183/267582.
CHEN, Kai; KONG, Qiuqiang; IQBAL, Turab; WANG, Yuxuan; WANG, Wenwu; PLUMBY, Mark D. HTS-AT: A Hierarchical Token-Semantic Audio Transformer for Sound Classification and Detection. In: IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2022. IEEE, p. 646–650. DOI: 10.1109/ICASSP43922.2022.9746667.
CHEN, Shuai; PANDA, Asish; HSU, Wei-Ning; MANOCHA, Pranay; SYNNAEVE, Gabriel; MOHAMED Abdelrahman. BEATs: Audio Pre-Training with Acoustic Tokenizers. arXiv preprint, arXiv:2212.09058, 2022. Disponível em: https://arxiv.org/abs/2212.09058.
DUBEY, Rakesh; BHARDWAJ, Shruti; SHARMA, Vinamra B.; BHATT, Arpit; BISWAS, Shusham. Smartphone-based traffic noise mapping system. ISPRS Archives, XLIII-B4-2022, p. 613–620, 2022. DOI: 10.5194/isprs-archives-XLIII-B4-2022-613-2022.
GONG, Yuan; CHUNG, Yu-An; GLASS, James. AST: Audio Spectrogram Transformer. arXiv preprint, arXiv:2104.01778, v. 3, p. 1–5, 2021. Disponível em: https://arxiv.org/abs/2104.01778.
KONG, Qiuqiang; CAO, Yin; IQBAL, Turab; WANG, Yuxuan; WANG, Wenwu; PLUMBLEY, Mark D. PANNs: Large-Scale Pretrained Audio Neural Networks for Audio Pattern Recognition. IEEE/ACM Transactions on Audio, Speech, and Language Processing, v. 28, p. 2880–2894, 2020. DOI: 10.1109/TASLP.2020.3030497.
KOUTINI, Khaled; SCHLÜTER, Jan; EGHBAL-ZADEH, Hamid; WIDMER, Gerhard. Efficient Training of Audio Transformers with Patchout. In: Interspeech 2022. ISCA, 2022. DOI: 10.21437/Interspeech.2022-227.
LARANJA, Andrea C.; SAITER, Júlia C. Análise de poluição sonora urbana em Vitória–ES a partir do uso de smartphones. ENCAC, v. 17, p. 1–9, 2023. DOI: 10.46421/encac.v17i1.3885.
LIU, Shuai; YUAN, Yi; LIU, Xiulong; LIU, Yan. Audio self-supervised learning: A survey. Patterns, v. 3, n. 12, p. 1–18, 2022. DOI: 10.1016/j.patter.2022.100616.
MACEDO, Alessandra; PERSONA, Leandro; MELONI, Fernando. Recognition of Emotions through Facial Geometry with Normalized Landmarks. In: Proceedings of the 30th Brazilian Symposium on Multimedia and the Web, Juiz de Fora/MG. Porto Alegre: SBC, 2024. p. 257–266. DOI: 10.5753/webmedia.2024.243252.
MEHRISH, Amit; RAJ, Rahul; KUMAR, Sushil; ROY, Partha P. A review of deep learning techniques for speech processing. Information Fusion, v. 99, p. 1–72, 2023. Disponível em: https://arxiv.org/abs/2305.00359.
NERY, Sannyer C. C.; BATISTA, Fani T. S.; BEZERRA, Sergio A. C. ColabSomGeo: Ferramenta de monitoramento de poluição sonora subsidiada por modelo de aprendizagem. In: SIMPÓSIO BRASILEIRO DE SISTEMAS MULTIMÍDIA E WEB, 31º, 2025, Rio de Janeiro. Anais. Local: Sociedade Brasileira de Computação, 2025.
PURWINS, Hendrik et al. Deep Learning for Audio Signal Processing. IEEE Journal of Selected Topics in Signal Processing, v. 13, n. 2, p. 206–219, 2019. DOI: 10.1109/JSTSP.2019.2908700.
RIBEIRO, Murilo B.; BRAGHETTO, Kelly R. A Scalable Data Integration Architecture for Smart Cities: Implementation and Evaluation. Journal of Information and Data Management, v. 13, n. 2, p. 207–223, 2022. DOI: 10.5753/dm.2022.2485.
SANTOS, Alessandro; FREITAS, Leandro de; TEIXEIRA, Igor; VAGNER, Gava; TAIRA, Gustavo; QUILE, Rosa E.; BRAGHETO, Kelly. Desafios e oportunidades da aplicação de Sistemas Ciberfísicos no monitoramento da poluição urbana. 2020. p. 276–289. DOI: 10.5753/courb.2020.12369.
SANTOS, Carlos J.; SOUZA, Luiz E.; PAIVA, Benedito G. M. Análise da influência de diferentes codificadores de voz (CODECs) em redes convergentes. Revista Científica e-Locução, v. 1, n. 17, p. 26–26, 2020. DOI: 10.57209/e-locucao.v1i17.249.
SANTOS, Luís Conde; LEÃO, Cristina; FIGUEIREDO, João; MELO, Afonso; COVAS, Guilherme; CARVALHO, André. PROJETO MIRA – Desenvolvimento de uma Plataforma Inteligente de Monitorização de Ruído Ambiental. 2023. Disponível em: https://www.dbwave.pt/uploads/media_items/mira-article-tecniacustica-20230915-lcs.original.pdf.
SARKER, Iqbal H.; KAYES, A. S. M.; WATTERS, Paul. Effectiveness analysis of machine learning classification models for predicting personalized context-aware smartphone usage. Journal of Big Data, v. 6, n. 57, p. 2–28, 2019. DOI: 10.1186/s40537-019-0219-y.
SILVA, Igor S. C.; CUNHA, Felipe. Monitoramento da poluição sonora em Belo Horizonte utilizando redes de sensoriamento participativo. 2022. Disponível em: https://bib.pucminas.br/pergamumweb/vinculos/00000b/00000bc6.pdf.
SOFIANOPOULOS, Sofianos et al. Citizens as Environmental Sensors: Noise Mapping and Assessment on Lemnos Island, Greece, Using VGI and Web Technologies. European Journal of Geography, v. 15, n. 2, p. 106–119, 2024. Disponível em: https://www.eurogeojournal.eu/index.php/egj/article/view/476.
STRAUSS, Edilberto; VILLAS BÔAS JÚNIOR, Manoel; FERREIRA, Wagner L. L. A importância de utilizar métricas adequadas de avaliação de performance em modelos preditivos de machine learning. Projectus, v. 7, n. 2, p. 52–62, 2022. DOI: 10.15202/25254146.2022v7n2p52.
TRICCO, A. C. et al. PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Annals of Internal Medicine, v. 169, n. 7, p. 467-473, 2018. Disponível em: https://doi.org/10.7326/M18-0850. Acesso em: 1 nov. 2025.
ZAMAN, Khalid et al. A survey of audio classification using deep learning. IEEE Access, v. 11, p. 106620–106649, 2023. DOI: 10.1109/ACCESS.2023.3318015.
ZHAO, Baishan; LIANG, Jiwen. Hierarchical-Concatenate Fusion TDNN for sound event classification. PLOS ONE, v. 19, n. 10, p. 1–17, 2024. DOI: 10.1371/journal.pone.0312998.
