Resumo

A gestão dos resíduos sólidos urbanos é um tema complexo e amplamente discutido durante a última década. No Brasil, a geração de resíduos sólidos urbanos passou de 67 milhões em 2010 para 79 milhões de toneladas em 2019. Entre as etapas do gerenciamento de resíduos sólidos urbanos, destaca-se o processo de coleta como um dos mais desafiadores, por se tratar de um serviço público fundamental e sua complexidade envolver diferentes aspectos sociais, econômicos, políticos e ambientais.

Estima-se que a geração de resíduos sólidos urbanos deverá aumentar 50% até 2050. Neste sentido, é urgente a aplicação de técnicas que auxiliem a gestão eficaz dos resíduos gerados. Esta pesquisa tem como objetivo identificar padrões de coleta e a melhor rota de coleta de resíduos em três municípios do sul do Brasil. Com este propósito, técnicas e algoritmos de Descoberta de Conhecimento em Bancos de Dados (KDD) e Mineração de Dados foram utilizados para analisar dados históricos, propor modelos e prever a geração de resíduos.

A literatura destaca o uso de dados coletados a partir do processo de coleta de resíduos, visando transformar o conhecimento tácito em explícito. Em razão disso, percebe-se um aumento na disponibilização de dados de resíduos e a aplicação de ferramentas de inteligência artificial como estratégias para planejar e implementar sistemas de gestão de resíduos baseados em previsão (Coskuner et al., 2020). As técnicas de mineração de dados permitem criar modelos que auxiliam a tomada de decisão mais assertiva em termos de coleta, tratamento, disposição e recuperação de resíduos (Ceylan, 2020).

Com o apoio de técnicas e algoritmos de Mineração de Dados e Descoberta de Conhecimento em Bases de Dados (KDD), foram avaliados padrões na coleta de resíduos sólidos urbanos dos municípios. Foram utilizados dados históricos acerca do peso de descarga de caminhões de coleta em unidades de transbordo, dados da rota de recolhimento e dados sociodemográficos e de clima, a fim de predizer a quantidade de resíduos sólidos coletados em cada ponto. Para análise, foram criados três modelos baseados em Regressão Linear, Gradient Boosting e Random Forest para estimar a coleta de resíduos por ponto.

O modelo de Gradient Boosting teve o melhor desempenho para análise do processo de coleta de resíduos sólidos urbanos, sendo MAE: 25,244; RMSE: 87,667 e R²: 0,642. Além disso, os resultados mostram uma relação positiva entre o volume de resíduos coletados e o tamanho da população do município, e entre o volume coletado, o PIB e o IDH do município. Por outro lado, a área geográfica do município e o volume de chuvas não mostraram relação direta com o volume de resíduos coletados.

Este estudo contribui para a literatura ao reforçar que o PIB per capita e o IDH apresentam uma relação direta na geração e coleta de resíduos sólidos urbanos. Além disso, apresenta uma visão divergente da literatura ao afirmar que o nível de precipitação não afeta diretamente o volume de resíduos coletados nos três municípios analisados. Este estudo também levanta questões para gestores municipais sobre o gerenciamento de resíduos e as variáveis que impactam sua coleta, e apresenta sugestões de pesquisas futuros no campo de estudo.

Ceylan, Z. (2020). Estimation of municipal waste generation of Turkey using socio-economic indicators by Bayesian optimization tuned Gaussian process regression. Waste Management & Research, 38(8), 840-850. Coskuner, G., Jassim, M. S., Zontul, M., & Karateke, S. (2020). Application of artificial intelligence neural network modeling to predict the generation of domestic, commercial and construction wastes. Waste Management & Research, 9.