Previsão de Poluentes Atmosféricos Utilizando Modelos Estatísticos de Regressão na Região Metropolitana do Recife

##plugins.themes.bootstrap3.article.main##

Daniel Campos
Manoel Marinho

Resumo

A poluição atmosférica se refere a contaminação do ar pela introdução de substâncias conhecidas por poluentes atmosféricos. Entre os poluentes atmosféricos que mais acarretam em preocupações à saúde pública, está incluído o material particulado (PM) (Jasarevic; Lindmeier, 2015). Este material se caracteriza por ser um tipo de partícula inalável resultante de diversas fontes de poluição e normalmente são medidos pela concentração de partículas finas suspensas no ar com diâmetro menor que 10 (dez) micrometros (PM10), 2.5 (dois vírgula cinco) micrometros (PM2.5); Essas partículas são capazes de penetrar profundamente no sistema respiratório e causar danos à saúde (DE MATTOS NETO et al., 2014; THE WORLD BANK, 2008), sendo que, a sua dispersão ocorre em função das condições meteorológicas e da topografia local, já os efeitos adversos à saúde humana dependem de suas propriedades físico-químicas, diâmetro médio e tempo de exposição. O principal efeito é irritação no sistema respiratório, devido principalmente, ao PM10 (LIRA et al., 2010). Estimativas das concentrações de PM10 permitem avaliar os padrões de qualidade do ar e possíveis ações de proteção à população, particularmente em eventos extremos. O uso da modelagem matemática computacional fornece condições de quantificar as tendências temporais do poluente atmosférico e chegar a uma estimativa dos potenciais efeitos na saúde relacionados à poluição do ar. Portanto, o estudo da qualidade do ar, assim como a simulação para previsão acurada de seus principais poluentes, se torna de grande valia para fins de prevenção e controle, sendo a principal importância deste tema creditada à relação existente entre as altas concentrações de poluentes, e os efeitos adversos à saúde humana (DE MATTOS NETO et al., 2014; PING et al., 2015; SAYEG; MUNIR, 2017). Assim, o presente trabalho tem o objetivo de analisar as estimativas do PM10 em função das condições meteorológicas, comparando modelos de regressão linear simples e múltipla, analisando a combinação das informações meteorológicas e sua possível influência na concentração futura deste poluente. Para tanto, foi tomado como local de estudo a Região Metropolitana da cidade do Recife- PE, e foram obtidas concentrações horárias do material particulado com diâmetro inferior a 10µm (PM10, µg/m3), para o período de 17/07/2015 a 09/04/2017, através da Agência Estadual de Meio Ambiente de Pernambuco (CPRH), além das informações meteorológicas para o mesmo período. Para aplicação dos modelos de regressão neste estudo, foram implementados dois algoritmos em linguagem C, denominados de RLS (Regressão Linear Simples) e RLM (Regressão Linear Múltipla). Estes, ao receberem as séries de dados apropriadas, se encarregam de efetuar as operações de regressão simples e múltipla respectivamente. A estrutura de ambos foi desenvolvida com o objetivo de trabalhar com uma busca exaustiva, tendo a finalidade de gerar todas as possíveis soluções (equações) e verificar com qual delas obtêm-se as melhores previsões para o poluente considerado.  A fim de avaliar os resultados fornecidos pelas equações, utilizou-se como métrica principal o Índice de Concordância (Index Agreement – IA). Os resultados demonstraram que, na estimativa da concentração do material particulado, o modelo de regressão múltipla fornece previsões mais precisas que a regressão simples, obtendo valores do IA de até 0,89 para regressão múltipla e 0,86 para a simples.

Downloads

Não há dados estatísticos.

##plugins.themes.bootstrap3.article.details##

Seção
Engenharia Civil

Referências

JASAREVIC , Tarick; LINDMEIER, Christian. World Health Assembly closes, passing resolutions on air pollution and epilepsy, 26 maio 2015. World Health Organization Media Centre, News release. Disponível em:. Acesso em: 26 jul. 2017.

MATTOS, P. S. G.; MADEIRO, F; FERREIRA, T.A.E.; CAVALCANTI, G.D.C. Hybrid intelligent system for air quality forecasting using phase adjustment. Engineering Applications of Artificial Intelligence: The International Journal of intelligent Real-Time Automation. vol. 32, p. 185 - 191, Junho de 2014.

The International Bank for Reconstruction and Development / The World Bank. MDGs and the Environment: Agenda for Inclusive and Sustainable Development, Global Monitoring Report. Washington DC, 2008. Technical Report.

LYRA, Gustavo B.; ODA-SOUZA, M.; VIOLA, D.N. MODELOS LINEARES APLICADOS À ESTIMATIVA DA CONCENTRAÇÃO DO MATERIAL PARTICULADO (PM10) NA CIDADE DO RIO DE JANEIRO, RJ. Revista Brasileira de Meteorologia, vol. 26, n.3, p. 392 - 400, 2011.

PING ZHANG; BO HONG; LIANG HE; FEI CHENG; PENG ZHAO; CAILIANG WEI; YUNHUI LIU. Temporal and Spatial Simulation of Atmospheric Pollutant PM2.5 Changes and Risk Assessment of Population Exposure to Pollution Using Optimization Algorithms of the Back Propagation-Artificial Neural Network Model and GIS. International Journal of Environmental Research and Public Health, vol. 12, n. 10, p. 12171 - 12195, 2015.

SAYEGH, Arwa; MUNIR, Said; HABEEBULLAH, Turki M. Comparing the Performance of Statistical Models for Predicting PM10 Concentrations. International journal of Aerosol and Air Quality Research (AAQR), n. 14, p. 653-665, 2014.