=Paper=
{{Paper
|id=Vol-2228/paper14
|storemode=property
|title=Uma Ontologia de Aplicação para Descrição de Indicadores de Poluição do Meio Ambiente(An Ontology to Describe Indicators of Environmental Pollution for the use of Applications)
|pdfUrl=https://ceur-ws.org/Vol-2228/paper14.pdf
|volume=Vol-2228
|authors=Ricardo M. Taques,Cesar A. Tacla,Mateus G. Belizario,Rita C. Berardi
|dblpUrl=https://dblp.org/rec/conf/ontobras/TaquesTBB18
}}
==Uma Ontologia de Aplicação para Descrição de Indicadores de Poluição do Meio Ambiente(An Ontology to Describe Indicators of Environmental Pollution for the use of Applications)==
https://ceur-ws.org/Vol-2228/paper14.pdf
Uma ontologia de aplicação para descrição de indicadores de
poluição do meio ambiente
Ricardo M. Taques1 , Cesar A. Tacla1,2 , Mateus G. Belizario2 , Rita C. Berardi2
1
Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial (CPGEI)
2
Departamento de Informática (DAINF)
Universidade Tecnológica Federal do Paraná (UTFPR)
CEP 80.230-901 – Curitiba – PR – Brazil
{rtaques, mateusbelizario}@alunos.utfpr.edu.br, {tacla, ritaberardi}@utfpr.edu.br
Abstract. Several projects have been developed with the aim to represent indi-
cators for the environmental pollution following definitions of ISO 37120. The
objective of these standards is to allow the comparison of indicators in different
domains regarding the Smart Cities concepts. This paper proposes new cons-
tructs that extend ontologies derived from ISO 37120 to allow the description of
indicators and indexes in a more refined way and under particular perspectives
dictated by the needs of the end user. Indicators and indexes therefore, define
visions about measurements of pollutants collected by sensing stations.
Resumo. Diversos projetos têm sido desenvolvidos com o intuito de represen-
tar indicadores de poluição ambiental seguindo definições da norma ISO 37120.
O objetivo desta norma é permitir a comparação de indicadores em diferentes
domı́nios relacionados ao conceito de Cidades Inteligentes. Este artigo propõe
novos construtos que estendem ontologias derivadas da ISO 37120 para permi-
tir a descrição de indicadores e ı́ndices de modo mais refinado e de perspectivas
particulares ditadas pelas necessidades do usuário final. Indicadores e ı́ndices
definem, portanto, visões sobre medições de agentes poluentes coletadas por
estações de sensoriamento.
1. Introdução
Com a consolidação de ontologias que permitem a representação de grande parte dos
conceitos e propriedades envolvidos no contexto do monitoramento do meio ambiente,
diversas ontologias têm surgido tais como: Semantic Sensor Network (SSN)1 ; Environ-
ment, Pollution, GCI-Foundation2 entre outras. O nı́vel de abstração destas ontologias
é variável. A SSN representa informações em um nı́vel menos abstrato, abrangendo os
conceitos de sensores, observadores e medições. As demais possuem nı́vel de abstração
mais alto, abrangendo termos e relações sobre o meio ambiente que seguem as normas e
padrões da [ISO37120 2018]3 que trata de ı́ndices e indicadores para serviços urbanos e
qualidade de vida.
1
Desenvolvida pela World Wide Web Consortium (W3C)
2
GCI - Global City Indicators
3
International Standards for City Indicators
Índices e indicadores são dois conceitos centrais das ontologias de maior nı́vel de
abstração. Conceitualmente, um indicador é um dado qualitativo, quantitativo ou uma
medição descritiva. Os indicadores agregam medições por meio de operações sobre as
medições de poluentes, salvaguardando informações de proveniência (qual estação/sensor
fez a medição, quem fez sua publicação) e temporais (data/hora de referência do indica-
dor). Um ı́ndice pode ser considerado equivalente a um indicador, contudo, de acordo
com [Siche et al. 2007], um ı́ndice é um valor agregado final de todo um procedimento
de cálculo onde se utilizam inclusive, os indicadores. Além disso, um ı́ndice pode se
tornar um instrumento para tomada de decisão ou para a previsão de um evento. Por
conseguinte, pode-se concluir que um indicador antecede um ı́ndice porque este último é
formado por um ou mais indicadores.
Embora as ontologias de maior nı́vel de abstração citadas permitam a
representação de ı́ndices/indicadores, observou-se que não são adequadas para represen-
tar informações tais como o pior ı́ndice de poluição dentre os indicadores de poluentes
em um determinado intervalo de tempo ou, genericamente, para representar a derivação
de um ı́ndice a partir de um conjunto de indicadores. As representações destas derivações
são feitas normalmente na forma textual em comentários.
Foi a partir desta constatação que se propôs estender as ontologias utilizadas no
domı́nio da poluição do ar para que ı́ndices e indicadores sejam descritos de forma mais
refinada. O intuito é facilitar a construção de aplicações que necessitam criar ou utilizar
ı́ndices/indicadores distintos daqueles pré-definidos na ISO 37120. Esta extensão se ba-
seia em construtos que permitem representar um ı́ndice a partir de fórmulas que agregam
medições por meio de operadores que atuam sobre indicadores, tais como, média, mı́nimo
e máximo, além de categorizações de ı́ndices em classes definidas por partições de valores
(ex. ruim, regular, bom), o que é uma prática comum na definição de ı́ndices ambientais.
O conteúdo deste artigo segue com a seção de trabalhos correlatos apresentando
como seus autores descrevem seus indicadores. Na seção 3, é apresentada a modelagem
para criação de ı́ndices e indicadores para uma ontologia de domı́nio que estende os traba-
lhos existentes com base no ı́ndice da agência ambiental dos EUA. Na seção 4 apresenta-
se um estudo de caso onde se aplicam os construtos propostos para a geração do ı́ndice
IMECA4 utilizado no México. Por fim, as conclusões sobre os resultados alcançados e as
possibilidades para trabalhos futuros são comentados na seção 5.
2. Trabalhos Correlatos
Esta seção apresenta trabalhos que relatam necessidades similares de se trabalhar com
ı́ndices/indicadores, e proposições de como devem ser formados. Em seu projeto para de-
senvolvimento de indicadores de performance com uso de um data warehouse descrito
por [Niedritis et al. 2011], os autores propõem que um indicador para análise de desempe-
nho de organizações seja avaliado pelos seguintes aspectos: definição, análise, medição,
reação e aprimoramento. Dentre estes grupos, as propriedades pertinentes ao objetivo
do presente trabalho trazem informações sobre: tempo (quando aconteceu), frequência,
proveniência (quem é responsável) e como representar um indicador.
Considerando o uso de ontologias, no estudo sobre um sistema de representação
4
Índice Metropolitano de la Calidad del Aire
para indicadores de qualidade sobre medições de serviços médicos, [Takaki et al. 2013]
pontuam que um indicador de qualidade deve ser gerado por uma fórmula que utilize da-
dos atrelados aos fatos envolvidos em sua formação. Também fazendo uso de ontologias,
[Fox 2015] em seu trabalho, reforça a importância das medições para a formação de in-
dicadores. Segundo ele, medições são conceitos sob os quais se agregam os valores que
representam as quantidades e as unidades de medida que as qualificam.
Em seu projeto são propostos padrões para definição de indicadores que tem como
referência as especificações descritas pela [ISO37120 2018], na qual estão contidos mais
de 100 indicadores urbanos para que as cidades possam medir e comparar seus desempe-
nhos em temas importantes como: educação, saúde, segurança, meio ambiente, etc.
Para Fox, os aspectos que devem ser representados quando se trabalha com in-
dicadores, são: localização, quantidade e unidade de medida adotada, o provedor dos
dados gerados, quando o valor gerado pelo indicador é válido, o grau de confiança do
indicador e da entidade ou indivı́duo responsável por sua produção. Em sua mode-
lagem, encontram-se conceitos derivados de outras ontologias que permitem descrever
observações e medições (om-1.6.owl5 ), tempo ao qual se referem (time.owl)6 , e a pro-
veniência e a confiabilidade das mesmas (prov.owl7 e kp.owl8 ).
Da sua abordagem, originou-se a ontologia GCI (Global City Indicators) e a
sua interação com as demais ontologias da ISO 37120 são mostradas na figura 1. As
camadas desta representação têm o seguinte significado: posicionados na camada superior
há os IRIs9 de cada indicador da ISO 37120, na camada logo abaixo estão ontologias
que sustentam cada um dos domı́nios correspondentes aos indicadores desta ISO e, por
fim, as duas camadas inferiores representam os conceitos das ontologias fundacionais
que foram incorporados na ontologia GCI para lhe prover as definições sobre tempo,
medições, proveniência, confiabilidade, validade e geolocalização.
Na modelagem proposta em [Freitas et al. 2016], são listadas quais informações
se deve conhecer sobre um indicador para facilitar sua compreensão e comparação. Para
os autores, deve ser informada qual entidade está interessada no indicador, com quais
variáveis ele se relaciona, além da sua descrição e valor. E mais, devem ser listados quais
tipos de critérios podem avaliá-lo, que fórmula permite calcular seu valor, que atributos
o compõem, a que momento se refere e finalmente, quais relações com outros indica-
dores devem ser conhecidas. Na tabela 1, pode-se ver um comparativo dos aspectos e
propriedades principais propostos nos trabalhos citados para a criação de indicadores.
Como poderá ser visto neste artigo, boa parte destas recomendações são adotadas,
entretanto, tanto nos conceitos descritos, que se baseiam na referida ISO, ou em conceitos
relacionados aos critérios, ainda existem lacunas para explorar outras abordagens. É o
caso da ausência do uso de propriedades com operadores como média, mı́nimo e máximo
que não são utilizados nos trabalhos correlatos.
5
https://www.wurvoc.org/vocabularies/om-1.6/ (não está mais disponı́vel)
6
https://www.w3.org/TR/owl-time/
7
https://www.w3.org/TR/prov-o/
8
http://ontology.eil.utoronto.ca/
9
Internationalized Resource Identifier
Figura 1. ISO 37120 Ontology Modules
Fonte: The role of ontologies in publishing and analyzing city indicators. [Fox 2015]
3. Ontologia Proposta: AirQualityOnto (AQ)
Dada a existência de ontologias fundacionais sobre o meio ambiente e, considerando que
seus conceitos e relações estão fortemente baseados na ISO 37120, propõe-se uma aborda-
gem que traz construtos com maior refinamento. Deste modo, a ontologia AirQualityOnto
(AQ) estende estas ontologias que a sustentam com foco na poluição do ar que trata dos
agentes mais frequentes (ex. CO, NO2, SO2, O3, PM10 e PM2.5) 10 . A extensão inclui
construtos que permitem definir indicadores, enquadrá-los em suas faixas de concentração
e, identificar seu ı́ndice de qualidade mapeando o resultado derivado dos indicadores nas
faixas de classificação. A seguir, apresentam-se as etapas de desenvolvimento da ontolo-
gia bem como os construtos propostos por meio de padrões de modelagem.
3.1. Escopo e Questões de Competência
A ontologia destina-se a descrever medições, indicadores e ı́ndices para que suas
definições sejam interpretáveis por uma aplicação, isto é, para guiar a aplicação a obter as
medições, calcular os indicadores e ı́ndices, sejam eles fornecidos previamente ao usuário
final ou por ele construı́dos. Não faz parte do escopo, a definição de construtos para re-
presentar as instâncias resultantes dos cálculos de ı́ndices e indicadores. Por exemplo,
a ontologia não é destinada a representar o valor do indicador de O3 obtido pela média
de medições coletadas entre 0h e 8h de um dia qualquer de uma dada estação ambiental.
Tampouco o valor do ı́ndice resultante de vários indicadores medidos na mesma janela
temporal. Portanto, as definições de ı́ndices e indicadores permitem construir visões so-
bre coleções de medições ficando o cálculo e armazenamento dos mesmos, se desejado
for, a cargo da aplicação.
Após uma análise sobre ı́ndices de qualidade do ar, observou-se que as definições
10
Pela ordem: Monóxido de Carbono, Dióxido de Nitrogênio, Dióxido de Enxofre, Ozônio, Partı́culas
Suspensas menores que 10 micrômetros e menores que 2.5 micrômetros
Tabela 1. Comparativo das informações utilizadas na descrição de um indicador.
Fonte Aspecto Propriedade Descrição
Definição Orientação temporal Quando aconteceu
Niedritis
Medição Frequência Taxa de ocorrência por unidade temporal
et al.
Análise Responsável Proveniência e Confiabilidade
2011
Representação Como é formulado
Medição Orientação temporal Desde quando ocorre um fenômeno
Takaki et
Valor Intensidade em relação à uma escala
al. 2013
Proveniência Responsável Proveniência da informação
Geolocalização Localização Onde aconteceu
Confiabilidade Responsável Proveniência e Confiabilidade
Fox 2015
Medição Unidade de medida Unidade de medida
Quantidade/Valor Intensidade em relação à uma escala
Tempo Orientação temporal Quando aconteceu
Destinação Entidade A quem se destina
Definição Orientação temporal Quando aconteceu
Freitas et
Representação Como é formulado
al. 2016
Valor Intensidade em relação à uma escala
Composição Como é composto
dos ı́ndices11 estudados: AQI [Mintz 2016], IMECA - México [MexicoCity 2006], DAQI
(UK) e Instituto Ambiental do Paraná (IAP) são baseadas em fórmulas que envolvem
categorias com faixas de valores e indicadores. Por sua vez, os indicadores são obtidos
geralmente a partir de operações de média, valor mı́nimo ou máximo aplicadas sobre as
medições coletadas em uma janela temporal. Além disto, observou-se que alguns indica-
dores, não todos, são categorizados por faixas de valores assim como os ı́ndices.
Por exemplo, na figura 2, o ı́ndice de qualidade do ar definido pela agência dos
EUA, é calculado a partir de uma fórmula que normaliza o valor de um indicador C em
uma faixa de categorização. Um ı́ndice possui uma faixa de valores para cada categoria
(ex. good :[0,50], moderate :[51,100]). O indicador C, cujo valor deriva de medições de
um poluente obtidas em uma janela temporal, também possui faixas de categorização de-
finidas por intervalos [C low, C high]. Para o indicador do poluente O3, a categoria good
é aplicada em concentrações na faixa [0,54]ppb12 e a moderate, [55,70]ppb. Supondo
que, no perı́odo de 8h, a média de concentração de O3 foi 60ppb (moderada). Neste caso,
I é calculado por (100-51)/(70-55)*(60-55)+51=67,333. Se há vários indicadores C para
uma localidade, o ı́ndice final de qualidade do ar é dado pelo pior I dentre os calculados.
Figura 2. Fórmula do ı́ndice AQI
Fonte: Technical Assistance Doct for Reporting of Daily AQI. U.S. EPA, 2016.
A partir da análise dos ı́ndices AQI, IMECA, DAQI e também do IAP, foram
11
AQI - Air Quality Index (EPA); DAQI - Daily Air Quality Index (UK)
12
ppb - partı́culas por bilhão
estabelecidas as seguintes questões de competência:
- Como um indicador é derivado a partir de um conjunto de medições?
- Como categorizar o indicador de um poluente?
- Como representar uma fórmula de cálculo de um ı́ndice/indicador?
- Como categorizar um ı́ndice derivado do cálculo de uma fórmula?
3.2. Reúso
Foram adotadas algumas ontologias consideradas top − level porque seus modelos tra-
zem conceitos e propriedades bem fundamentados para uso por outras ontologias. As
ontologias incorporadas pela AQ são: time.owl (OT), ssn.owl (SE) e prov-o.owl (PR)
desenvolvidas pela W3C, além de conteúdo das versões da om.owl (OM) criadas pela
wurvoc.org13 , da environment.owl (EV) e da pollution.owl (PL) desenvolvidas no âmbito
do projeto da GCI. As siglas são utilizadas como prefixos para identificação da ontologia
de origem nas extensões propostas neste artigo.
3.3. Construtos Propostos
A classe medição (AQ Measurement) é a responsável por descrever os dados provenientes
da captura de dados, sejam eles oriundos de uma rede de sensores geograficamente dis-
tribuı́dos ou tenham sido eles tratados por uma camada de ETL14 . Na figura 3, ilustra-se
a classe AQ Measurement através da sintaxe Manchester15 [Horridge et al. 2006]. Intui-
tivamente, uma medição representa o quê (poluente), quando e como uma medição foi
gerada. Para isso, as propriedades associdas à esta classe, são:
- aq:hasMeasurementOf: conecta a medição ao poluente representado pela classe
PL:Air poluttant;
- om:value: relaciona a medição à quantidade e à unidade de medida da medição. Esta
propriedade é derivada das ontologias prov.owl e om.owl;
- aq:takesPlaceAt: relaciona a medição ao dispositivo onde a mesma foi coletada, repre-
sentado pela classe AQ:Station;
- aq:wasAttributedTo: relaciona a medição à classe PR:Agent para identificar a pro-
veniência da medição, isto é, quem é responsável pelas estações de coleta deste dado;
- aq:hasHappenedOn: é o momento da geração da medição descrito por um tipo de dados
integrado da linguagem OWL-DL16 , i.e., dateTime.
Figura 3. Classe AQ Measurement e suas propriedades.
A classe AQ UserIndicator (Figura 4) descreve o valor de concentração de um
poluente a partir de várias medições por meio da forma de derivação e da periodicidade.
13
A URL wurvoc.org não está mais disponı́vel
14
ETL - Extract, Transform and Load
15
The Manchester OWL Syntax é uma derivação da linguagem OWL, mais fácil de ser lida e escrita.
16
OWL-DL - Web Ontology Language - Description Logics.
Além disso, relaciona o indicador às suas categorias. Para cada novo indicador, uma
instância deve ser criada:
- aq:isIndicatorFor: conecta um determinado indicador ao poluente desejado;
- aq:hasPeriodicity: identifica a periodicidade na qual a concentração foi calculada;
- aq:isDerivedBy: identifica a forma de derivação do indicador a ser aplicada so-
bre instâncias de AQ Measurement. As instâncias da classe aq:DerivationForms são
operações (ex. média, mı́nimo, máximo, pior, melhor). A interpretação final destas
operações é dada pelo programa que as implementa;
- aq:isCategorizedBy: relaciona o indicador a uma ou mais categorias de emissão que são
subclasses de AQ Categorizations.
Figura 4. Classe AQ UserIndicator e suas propriedades.
Para definir a categorização de um indicador, deve-se criar
como subclasse de AQ Categorizations conforme padrão ilustrado na figura 5. Uma
é definida pela união de suas subclasses que, por sua vez, são disjuntas
entre si. Cada i é uma subclasse de e possui uma faixa de
valores dada pelos limites inferior e superior. Para exemplificar, retoma-se o indicador
do poluente O3 em um extrato de suas faixas: good [0,54] µg/m317 e moderate [55,70]
µg/m3. Neste caso = O3 categorization com 1 = good e
2 = moderate. Uma instância de cada categoria deve ser criada para se definir
concretamente os limites inferior e superior por meio das propriedades aq:hasLowerLimit
e aq:hasUpperLimit herdadas de AQ Categorizations.
Figura 5. Padrão para definir categorizações de indicadores.
A classe AQ Index descreve um ı́ndice. Recorda-se que um ı́ndice possui uma
categorização e possui várias fórmulas - normalmente, para cada categoria do ı́ndice, há
n fórmulas, sendo n igual ao número de indicadores. Uma categorização de um ı́ndice
é definida de forma idêntica ao padrão de categorização de um indicador, exceto que é
17
µg/m3 - microgramas por metro cúbico (unidade de densidade de massa)
definida como subclasse de aq:IndexCategorization. A figura 6 mostra a classe AQ Index,
e o padrão para categorização de ı́ndices.
A classe aq:IndicatorToIndexFormula relaciona uma categoria de um indicador
com uma categoria do ı́ndice por meio de uma fórmula. Logo, ı́ndices e indicadores se
relacionam por meio de instâncias desta classe. Observar que uma fórmula é definida de
forma indicativa pelo uso de um String como apresenta a figura 7 e, deve ser definida de
acordo com uma gramática e a semântica é dada pela implementação da aplicação.
Figura 6. Classe AQ Index e o padrão para definir categorizações de ı́ndices.
Figura 7. Classe aq:IndicatorToIndexFormula e suas propriedades.
4. Estudo de Caso
Para avaliar o uso da modelagem adotada na ontologia AQ, foi escolhido o ı́ndice IMECA
de qualidade do ar, utilizado pelo governo da Cidade do México para realizar o controle
da poluição ambiental em várias regiões do paı́s. Neste estudo de caso, foram instan-
ciadas medições obtidas do IAP diretamente na ontologia. O ı́ndice e indicadores aqui
apresentados fornecem uma visão na perspectiva do ı́ndice IMECA que é derivado de um
indicador medido para um poluente especı́fico.
Seu valor deve ser categorizado nas faixas possı́veis de emissão para selecionar a
fórmula adequada. Por fim, o valor resultante do ı́ndice calculado deve ser enquadrado
em uma das cinco categorias relativas ao ı́ndice propriamente dito.
Antes da descrição das fases desta prova de conceito, é importante destacar que
a ontologia foi construı́da com a ferramenta Protégé18 , e o reasoner utilizado para
fazer as inferências foi o HermiT 1.3.8.413. Uma aplicação em linguagem Java com
ApacheJenaf ramework possibilitou a execução das funcionalidades de consultas e
instanciação guiadas pela ontologia.
Primeiramente, criou-se o indicador UI-4-IMECA instanciando-se a classe
AQ UserIndicator conforme definida na ontologia AQ (ver Tabela 2) para incorporar o va-
lor máximo das medições (isDerivedBy) em intervalos de uma hora (hasPeriodicity) para
18
Supported by grant GM10331601 from the National Inst. of Gen. Medical Sciences
o poluente PM10 (isIndicatorFor). Suas categorias foram assim definidas: good(limites
[0,60]), regular(limites [61,120]), poor(limites [121,220]), bad(limites [221,320]) e
critical(limites [321,1000]).
Tabela 2. Propriedades carregadas na instância da classe AQ-UserIndicator.
AQ UserIndicator
indicator hasPeriodicity isIndicatorFor isDerivedBy isCategorizedBy
UI-4-IMECA 1 PM10 Maximum -
A partir da instância UI-4-IMECA, a aplicação constrói a query em SPARQL19
ilustrada na figura 8. Observa-se que algumas informações são fornecidas em tempo de
execução pelo usuário, como o perı́odo em que se quer coletar medições (para a data e
hora de ’04/06/2018-08h00’). Outras provêm do indicador, como o poluente e a forma de
derivação (MAX). As demais variáveis são deixadas livres e são atribuı́das pela execução
da query. Nos resultados demonstrados na tabela 3, pode-se ver que as medições foram
realizadas pelo agente IAP e o valor máximo derivado foi 52,0 do poluente PM10, pelo
sensor da estação de código ’BOQ’.
Figura 8. Propriedades do indicador derivadas da classe AQ Measurement.
Tabela 3. Instâncias da classe AQ-Measurement.
AQ Measurement
Poluente Medição Station Agent
PM10 52,0* BOQ IAP-InstAmbParana
PM10 41,6 BOQ IAP-InstAmbParana
Para consultar as categorias deste indicador que está associado ao poluente PM10,
a aplicação utiliza as propriedades da classe aq:IndicatorCategorization herdadas de
AQ Categorizations. Assim, ao se executar a consulta da figura 9, enquadra-se o valor
na faixa que o contém, i.e., na categoria good([0,60]) como mostrado na tabela 4.
Para representar a fórmula de cálculo deste ı́ndice, a aplicação deve utilizar a
propriedade aq:hasFormula da classe aq:IndicatorToIndexFormula que liga AQ Index
ao AQ UserIndicator. Contudo, antes desta representação, as categorias do ı́ndice de-
vem ser instanciadas com seus limites usando as propriedades de AQ Categorization:
19
SPARQL Protocol And RDF Query Language
Figura 9. Identificação da categoria de indicador.
Tabela 4. Limites da categoria good declarada na classe IndicatorCategorization.
AQ IndicatorCategorization
Categoria Poluente Mı́nimo Máximo
PM10-IMECA-good PM10 0 60
aq:hasLowerLimit e aq:hasUpperLimit. Logo, suas categorias ficaram assim definidas:
IMECA-good (limites [0,50]), IMECA-regular (limites [51,100]), IMECA-poor (limites
[101,150]), etc. Após a definição concreta das categorias, pode-se completar as propri-
edades da classe de ligação, pelo uso da consulta da figura 10. Assim, se saberá qual
categoria do ı́ndice que vai conter o valor do indicador em seus limites (ver Tabela 5).
Figura 10. Identificação da categoria de ı́ndice.
Após a definição das duas categorias na classe IndicatorT oIndexF ormula,
deve-se declarar a fórmula equivalente. Na consulta da figura 11, pode-se ver como se
recuperam as categorias definidas e a fórmula que deverá ser utilizada pela aplicação e na
tabela 6 como a classe foi preenchida.
De posse dos valores das variáveis da fórmula, a aplicação pode calcular o valor
do ı́ndice IMECA-Mexico. Como a fórmula é descrita por IMECA(PM10)= C(PM10) *
5/6, temos que: I=52*5/6; I=43,33.
Ainda é preciso responder a última questão de competência proposta. Encontrar a
categoria para o ı́ndice calculado na fórmula. A solução também advém de uma consulta
em SPARQL (ver Figura 12). E na tabela 7 o enquadramento do valor obtido na categoria
IMECA-good deste ı́ndice. Então, a cada novo ı́ndice criado por este método, é possı́vel
saber o nı́vel de qualidade que o representa enquadrando seu valor em uma das categorias
de IndexCategorization.
5. Conclusão e Trabalhos Futuros
Além deste estudo de caso, foram realizados outros testes como, por exemplo, versões do
ı́ndice IMECA do México com indicador do poluente O3 e com o ı́ndice AQI dos EUA.
A ontologia AQ pôde expressá-los assim como visto com o ı́ndice IMECA do poluente
PM10, configurando assim que esta modelagem atende o seu propósito básico.
Tabela 5. Limites da categoria regular declarada na classe IndexCategorization.
IndexCategorization
Categoria low high
IMECA-regular 51 100
Figura 11. Categorias e fórmula na classe de ligação IndicatorToIndexFormula.
Pode-se concluir que a ontologia desenvolvida com construtos descritos na mo-
delagem, permitiu a uma aplicação em Java trabalhar com suas classes principais, i.e.,
AQ UserIndicator e AQ Index que representam os termos alvo da pesquisa realizada: in-
dicadores e ı́ndices para o meio ambiente.
A ontologia AQ se mostrou capaz de representar instâncias de medições e
definições de indicadores de um usuário hipotético. Além disso, um ı́ndice de quali-
dade do ar pôde ser gerado e com o uso da propriedade aq:makesRefTo da classe de
ligação IndicatorT oIndexF ormula foi possı́vel fazer o enquadramento dos valores do
indicador e do ı́ndice nas categorias definidas nas subclasses de AQ Categorizations.
O cálculo utilizou-se de uma fórmula descrita na classe IndicatorToIndexFormula.
Seu resultado está de acordo com o esperado. Por fim, ao se instanciar o valor resultante
do ı́ndice, o reasoner utilizado fez o enquadramento na categoria correta, fazendo uso da
classe IndexCategorizations.
Apresentou-se neste trabalho uma proposta de modelagem semântica com
aplicação de padrões de definição que estendem os conceitos e propriedades das ontolo-
gias fundacionais e de domı́nio na área do monitoramento da poluição do ar. A ontologia
(AQ), além de fazer o reúso de classes e propriedades existentes, acrescentou padrões de
representação e de consultas utilizando a linguagem SPARQL que foram corretamente in-
terpretadas pelas classes de interface Jena presentes na API20 , possibilitando novas formas
de exploração neste campo de interesse.
Como trabalhos futuros, destacam-se: a definição de uma gramática para repre-
sentar fórmulas que podem ser construı́das na ontologia e a criação de um padrão para
modelar uma classe que traga versatilidade na construção de indicadores que não neces-
sitem ser categorizados previamente, assim como é utilizado pelo ı́ndice de qualidade do
ar do Canadá (AQHI). Em outro âmbito, há possibilidade de acrescentar conceitos sobre
agentes que poluem a água, explorando mais um aspecto relativo ao meio ambiente, que
é sem dúvida uma preocupação recorrente das entidades governamentais.
20
Application Programming Interface
Tabela 6. Declarações presentes na classe IndicatorToIndexFormula.
IndicatorToIndexFormula
IndicToIndex IndicatorCategory IndexCategory Formula
UI-4-IMECA-to- PM10-IMECA-good IMECA-regular I = C(P M 10) ∗ (5/6)
IMECA-Mexico xsd : string
Tabela 7. Categoria de IndexCategorization inferida para o ı́ndice calculado.
IndexCategories
Index Category
IMECA-Mexico IMECA-good
Figura 12. Identificação do nı́vel de qualidade do ar pelo valor do ı́ndice.
Referências
Fox, M. S. (2015). The role of ontologies in publishing and analyzing city indicators.
Computers, Environment and Urban Systems, 54:266–279.
Freitas, V., Uren, V., Brewster, C., and Gonçalves, A. L. (2016). Ontology for perfor-
mance measurement indicators’ comparison. Digital Information and Wireless Com-
munications (IJDIWC), 6(2):87.
Horridge, M., Drummond, N., Goodwin, J., Rector, A. L., Stevens, R., and Wang, H.
(2006). The manchester owl syntax. In OWLED.
ISO37120 (2018). Sustainable cities and communities - Indicators for city services and
quality of life, volume 2nd Edition. International Organization for Standardization.
MexicoCity (2006). El monitoreo de calidad del aire. Ciudad de México.
Mintz, D. (2016). Technical Assistance Document for the Reporting of Daily Air Quality:
The Air Quality Index (AQI). U.S. Environmental Protection Agency (US EPA).
Niedritis, A., Niedrite, L., and Kozmina, N. (2011). Performance measurement fra-
mework with formal indicator definitions. Springer, 90. Perspectives in Business
Informatics Research.
Siche, R., A., F., O., E., and R., A. (2007). Índices versus indicadores: precisões concei-
tuais na discussão da sustentabilidade de paı́ses. Ambiente & Sociedade, X:137–148.
Takaki, O., T., I., T., K., I., N., M., K., I., M., and H., K. (2013). Graphical representation
of quality indicators based on medical service ontology. SpringerPlus, 2:274.