Amylase production by Citrobacter sp. isolated from potato was optimized in batch culture studies under shake flask conditions. Effects and interactions of best sources and levels of carbon and nitrogen estimated by 4 x 5 and 4 x 4 factorial experimental arrangements were significant (P < 0.01) on amylase production. Optimal alpha-amylase yield was obtained in a medium containing sorghum flour (2.0 % w/v) and a mixture of (NH4)2SO4 + soybean meal (1.5% w/v) with an initial medium pH of 8.0. Under optimum conditions, amylase yield was maximal (0.499 U/ml) after 60h incubation at room temperature (28oC ± 2oC). Characterization studies showed that the enzyme had maximum activity at 60oC, retained 100% of its original activities at 60oC for 2h, was maximally active at pH 7.0 and retained 100% of original activities at pH 9.0 for 2h. Enzyme activity was stimulated by urea, Mg2+, Ca2+ and Zn2+ but inhibited by Hg2+

Atmospheric data are collected by researchers every day. Campaigns such as GOAmazon 2014/2015 and the Amazon Tall Tower Observatory collect essential data on aerosols, gases, cloud properties, and meteorological parameters in the Brazilian Amazon basin. These data products provide insights and essential information for analyzing and predicting natural processes. However, in Brazil, it is estimated that more than 80% of the scientific data collected are not published due to the lack of web portals that collect and store these data. This makes it difficult, or even impossible, to access and integrate the data, which can result in the loss of significant amounts of information and significantly affect the understanding of the overall data. To address this problem, we propose a data portal architecture and open data deployment that enable Big Data processing, human interaction, and download-oriented approaches with tools that help users catalog, publish and visualize atmospheric data. Thus, we describe the architecture developed, based on the experience of the Atmospheric Radiation Measurement Data Center, which incorporates the principles of FAIR, the infrastructure and content management system for managing scientific data. The portal partial results were tested with environmental data from contaminated areas at the University of São Paulo. Overall, this data portal creates more shared knowledge about atmospheric processes by providing users with access to open environmental data.

A ação do homem tem provocado mudanças no meio ambiente, sendo a poluição urbana uma das consequências negativas aplicadas nesse ecossistema. Com o desenvolvimento tecnológico, novas perspectivas computacionais afloram para o monitoramento ambiental. Este artigo apresenta pontos chaves da fenomenologia ambiental que podem se beneficiar da evolução promovida pela computação aplicada nos estudos da poluição, assim como realiza um levantamento de pesquisas e tecnologias utilizadas nesse contexto.

O estudo e monitoramento de áreas contaminadas é essencial para a avaliação de riscos ambientais e para a tomada de decisões. Entre os poluentes de interesse, os gases contaminantes presentes no subsolo, como o metano, representam uma preocupação devido ao impacto ambiental. Nesse contexto, análises preditivas têm sido cada vez mais utilizadas para estimar a presença e a concentração desses gases com base em outras variáveis. Modelos de aprendizado de máquina têm demonstrado bom desempenho nessas previsões, porém, muitas vezes funcionam como “caixas-pretas”, dificultando a compreensão de como os resultados foram obtidos. A IA explicável tem como propósito utilizar técnicas que permitam interpretar o funcionamento dos modelos, trazendo subsídios para entender como os resultados apresentados foram obtidos. Neste trabalho, foram utilizadas as técnicas SHAP e LIME para analisar a explicabilidade dos modelos Random Forest e XGBoost aplicados à previsão de gases contaminantes em solos. Um estudo de caso foi feito utilizando dados coletados de poços de monitoramento de gases do campus USP-Leste, onde foi observado que o uso das técnicas melhorou a explicabilidade dos modelos.