Aspectos Metodológicos Poluição Do Ar Veicular

8/18/2019 Aspectos Metodológicos Poluição Do Ar Veicular

1/10

ASPECTOS METODOLÓGICOS PARA ESTUDO DA PRODUÇÃO DE CO VEICULAR NO AMBIENTE

URBANO

Mônica Kofler Freitas1

Introdução

Na maioria das cidades brasileiras os veículos automotores são os principais vilões responsáveis pela poluição

do ar em áreas intra-urbanas de intensa atividade. Em regiões de congestionamento, o tráfego de veículos responde

cerca de 80% das emissões de CO. O acumulo do CO depende não só do número, tipo e das condições de tráfego, mas

também dos fatores meteorológicos (gradiente vertical de temperatura, grau de insolação, velocidade e direção dos

ventos, etc.) e das condições de dispersão, como por exemplo, a topologia das edificações.

A estrutura da malha viária e a topologia das edificações das cidades interferem significativamente na

dispersão dos poluentes, em pesquisas cientificas, a associação entre o alinhamento das edificações e a direção

predominante dos ventos são exemplos mais conhecido. De maneira geral, tanto as fontes de emissão quanto ascondições de dispersão dos poluentes na atmosfera determinam a qualidade do ar (PERRY & SLATER, 1981). Todos

estes fatores devem ser considerados em seu conjunto para que possa prever com sucesso novas situações que se

assemelhem àquelas já estudadas.

Como é raro municípios brasileiros de porte médio realizar o controle e a prevenção da poluição do ar, deixa de

existir uma coletânea de dados que identifique e caracterize os níveis de emissão diariamente e anualmente. Nesse

sentido, pouco tem sido desenvolvido em termos de sistemas de monitoramento ambiental em áreas urbanas com o

intuito de balizar políticas públicas que garantam melhor qualidade ambiental (PHILIPPI Jr. et al., 1999).

O conceito de cidade sustentável deve levar em consideração aspectos ambientais intrínsecos às morfologias e

tipologias das cidades e seus efeitos no ar e clima. A resolução do CONAMA n. 001 (23/01/1986) considera “impacto

ambiental qualquer alteração das propriedades físicas, químicas e biológicas do meio ambiente, causada por qualquer

forma de matéria ou energia resultante das atividades humanas que direta ou indiretamente afetam a qualidade dos

recursos ambientais”.

O estudo de impacto além de atender as exigências da legislação da Política Nacional do Meio Ambiente, e

considerar o Plano Diretor do Município, deve definir a área de influência geográfica a ser afetada pelo

empreendimento na fase anterior e posterior a implantação. Para tanto, são necessários contemplar alternativas

tecnológicas para o EIA, como o SIG - Sistema de Informações Geográficas e modelos matemáticos de previsão o qual

desempenham papel importante no planejamento urbano-ambiental, para a localização e informações das variáveis queapresentam maior peso no processo de produção e dispersão. Para a caracterização da qualidade ambiental da futura

área de influência do empreendimento, é necessário comparar diferentes situações da adoção no projeto, sistema viário

e suas alternativas, assim como a hipótese da não implantação do mesmo.

O SIG é alimentado com informações técnicas provenientes do levantamento em campo, possibilitando

conduzir pesquisas espaciais e os "overlays" que possibilitam até gerar e manipular outras informações pertinentes

BATTY & DENSHAM (1996). O SIG possibilita em uma análise mais complexa, simular cenários alternativos de

ocupação do solo em função da capacidade viária, determinando faixas de nível de CO em limites razoáveis ao padrão

de qualidade.

1 Arquiteta e Urbanista, Doutorado pela Escola de Engenharia de São Carlos – EESC/USP


2/10

A possibilidade de combinar um modelo matemático de previsão da concentração de poluentes a um SIG,

amplia a sua capacidade de análise (BACHMAN et al., 1996), principalmente quando se pretende obter um Estudo de

Impacto Ambiental (EIA) para a implantação de um empreendimento em uma determinada zona.

A RNA - Rede Neural Artificial é utilizada para o desenvolvimento de um modelo matemático de previsão,

pois demonstram ser bastante viáveis para modelar sistemas não lineares. A rede do tipo MultiLayer Perceptron (MLP)

utiliza camadas para resolver problemas não lineares, como no caso de poluição atmosférica. Na primeira camada, tem-se uma rede “Perceptron” para cada grupo de entradas linearmente separáveis. Na Segunda, combinam-se as saídas das

redes da primeira camada, produzindo-se a classificação final (Figura 5).

Figura 5 - Duas camadas intermediárias

A função de ativação que melhor se adapta as redes multicamadas é do tipo sigmoidal logística, de acordo com

a equação 1 e os limites da função variam entre 0 e 1 (unipolar).

av)exp(1

1

)(vk −+=ϕ (1)

Sendo que a é o parâmetro que determina a inclinação da curva.

O primeiro passo do processo de desenvolvimento da rede é a separação do conjunto de dados em duas

categorias:

a - dados de treinamento - permite que aprenda a partir dos exemplos apresentados; e

b - dados de teste - onde é verificada a aplicação real.

O treinamento da rede pode ser realizado pelo algoritmo “back-propagation”, que compara o valor da saída

com o valor desejado, determinando um erro. Esse erro percorre o caminho inverso na rede, repassando para a camada

antecedente um valor passível de reajuste em função dos valores desejados para a última camada (MARTINEZ, 1996).O modo de treinamento utilizado é padrão devido ao menor armazenamento de dados, além de ser menos suscetível ao

problema de mínimos locais, e pela natureza estocástica que realiza (SCHMUELI, D. et al., 1996).

O treinamento deve ser interrompido quando a rede apresentar uma boa capacidade de generalização e quando

a taxa de erro for suficientemente pequena, ou seja, menor que um erro admissível. Assim, deve-se encontrar um ponto

ótimo de parada com erro mínimo e capacidade de generalização máxima (CARVALHO et al, 1998).

Para o treinamento com a rede é importante salientar que se considerou uma margem de erro de aprendizagem

de 10-2, definindo a precisão que se deseja obter no reconhecimento dos padrões observados. A soma do erro quadrático

médio é mostrado na Equação 2. Quando a solução geral do problema é encontrada os pesos da rede convergem para a

solução do problema em função do critério estabelecido de parada.


3/10

Sendo que E (o,t)i é o valor atual da saída no i-ésimo nó;

t i é o nível de resultado solicitado para o exemplo.

O uso do parâmetro de "momentum", que de acordo com RUMELHART et al. (1986), permite incrementar ataxa de aprendizado do algoritmo, sem conduzir o algoritmo para estados de incertezas. A adoção desse termo permite

uma diminuição no tempo de aprendizado da rede, um menor número de interações requeridas e soluções mais precisas

(CARVALHO et al., 1998).

O conjunto de teste é utilizado para determinar a performance da rede, é realizado com dados que não são

previamente utilizados. A performance da rede, medida nesta fase, é uma boa indicação de sua performance real.

Finalmente com a rede treinada e avaliada, ela pode ser integrada em um sistema do ambiente operacional de aplicação

em SIG. Para maior eficiência da solução, este sistema deverá conter facilidades de utilização como interface

conveniente e facilidades de aquisição de dados através de planilhas eletrônicas.

Aspectos Metodologicos

Para a investigação da concentração de CO no ambiente urbano é estabelecido o seguinte procedimento:

1. Coleta de dados;

2. Tratamento dos dados e modelagem; e

3. Simulação no modelo de RNA (MATLAB versão 12) e análise no SIG (software ArcView versão 3.2).

Baseado nestes procedimentos metodológicos é definido um esquema geral, Figura 1, que sintetiza a seqüência

para o desenvolvimento do trabalho.

Figura 1 - Estrutura Geral do Fluxograma metodológico (FREITAS, 2003)

Toda a coleta de dados In Loco deve ser realizada simultaneamente, nesse caso, inclui o volume de tráfego,

concentração de CO na calçada pública, características das vias de trânsito e edificações adjacentes e de fatores

meteorológicos, pois todos eles afetam a produção e dispersão dos poluentes de origem veicular. O CO é um dos

poluentes escolhidos para o estudo como indicador da poluição atmosférica causada por veículos, por ser um composto

mais estável e emitido em muito maior quantidade do que os demais. Além disso, seu efeito sobre a saúde humana é

pronunciado e sua quantificação justificada.

A área delimitada para o presente estudo localiza-se na zona central da cidade de Ribeirão Preto (Figura 2), o

qual possui elevada densidade urbana e de tráfego. O sistema viário caracteriza-se por uma malha ortogonal comum à

maioria das cidades brasileiras de porte médio, onde se concentram as maiores atividades comerciais e de prestação de

E (o,t )i = Σi (oi - t i) (2)

Coleta dos

Dados In Loco

Tratamento

dos Dados

RNA SIG

Análise e

Interpretaçãodos Dados

RepresentaçãoCartográfica


4/10

serviços. Em adição a este fato, deve-se considerar que a topologia das edificações apresenta influência considerável

nos possíveis impactos do tráfego de veículos na dispersão dos poluentes.

As variáveis consideradas para a coleta de dados compreenderam:

a) Trafego: fluxo de veículos, velocidade média de deslocamento, classificação dos veículos;

b) Topológicas: Altura e testada das edificações, recuos frontais das edificações em relação ao lote e largura da via;

c) Poluição do ar: concentração de CO (ppm).d) Meteorológicas: temperatura, umidade relativa do ar, velocidade e direção dos ventos;

Figura 2 - Mapa do Perímetro Urbano de Ribeirão Preto e localização da Zona Central.

Os dados são obtidos através de uma estação que contém um sistema que suga o ar a 1,5 m do solo; micro

estação meteorológica digital; um sistema de contagem de veículos e um computador portátil que recebe os dados daestação meteorológica. A contagem dos veículos é feita diferenciando veículos leves (passageiros), médios (peruas e

vans), pesados (caminhões e ônibus) e motocicletas. A velocidade média dos veículos é medida pelo cronômetro no

tempo necessário para estes atravessarem um percurso de extensão conhecida. A Tabela 1 resume os parâmetros

utilizados no treinamento do modelo matemático e as técnicas de medida empregadas na sua obtenção.

Área central da cidade - local daColeta de dados


5/10

Tabela 1 – Dados coletados

Parâmetros de Entrada Tipo de Medição UnidadesCO (Monóxido de Carbono) Bomba de sucção do ar Ppm

Número de veículos(VL, VM, VP e Motos)

Contador de tráfego Veículos/h

Velocidade média dos veículos(VL, VM, VP e Motos) Cronômetro m/sTopologia da edificação Levantamento in loco, mapas e fotos digitais M

Direção dos ventos Estação meteorológica GrausVelocidade dos ventos Estação meteorológica m/s

Temperatura Estação meteorológica CelsiusUmidade relativa do ar Estação meteorológica (%)

Para a caracterização da área de estudo e a escolha dos pontos de coleta utilizou-se recursos de fotografias

aéreas, preto e branco escala 1:8000, a partir da cobertura aerofotogramétrica (1994) para a montagem do mosaico

digital para extração das entidades de interesse. A planta digital básica no AutoCad é obtida pela SEPLAN - Secretaria

de Planejamento Urbano de Ribeirão Preto e transferida ao ambiente SIG.O critério de escolha dos pontos de coleta é estabelecido através das características diferenciadas da topologia

das edificações analisadas através do mosaico digital. Através da observação em campo do volume do tráfego,

predominância do tipo de veículos que transita na via, verificação da altura das edificações, classificação da via e a

direção do vento predominante em relação ao eixo da rua (Figura 3). Através das fotografias aéreas registrou as

características e a topologia da zona e um perímetro delimitando a área de influência (Figura 4). Confeccionado o mapa-

base com a localização dos lotes e da área edificada, realizou-se medição em campo da testada e recuo das edificações

para a classificação e quantificação da área ocupada.

Figura 3 - Topologia das edificações em uma Quadra Figura 4 - A Quadra: área de influência de um dos pontos

de coleta

A Topologia das edificações é analisada em função da determinação do Índice Topológico do trecho de via em

análise, representando o fator entre alturas médias das edificações de ambos os lados da via e a largura média da via

considerando-se sua largura efetiva (pista de rolamento e calçadas) acrescida da média dos recuos frontais das

edificações. O Índice Topológico traduz desta forma a "calha da via" e tem grande influência na dispersão de CO.

Os pontos são locados no meio da quadra e alguns deles, localizados em vias ortogonalmente dispostas, para evidenciar

a relação entre a direção e predominância dos ventos em função da edificação. A coleta é realizada em quatro períodos

de 1 hora, distribuídos ao longo do dia, sendo dois na parte da manhã, o primeiro às 07h00min quando se inicia o fluxo

de tráfego em função das atividades escola-trabalho e a atmosfera apresenta-se estável. Os outros horários seguintes12h00min, 15h30min e 17h30min caracterizam diferentes situações do tráfego e condições da atmosfera. A estação é

programada para registrar a média de cinco em cinco minutos, calcula-se a média aritmética horária das variáveis


6/10

microclimáticas de cada local (temperatura, umidade relativa e pressão atmosférica), da velocidade e direção dos ventos

de cada ponto de coleta, facilitando assim, a análise dos resultados através da média horária de cada amostragem.

A concentração de CO é obtida no período de 1 hora, simultaneamente à obtenção das demais variáveis. A

leitura da concentração de CO é feita, por processo de análise contínua por absorção seletiva de infravermelho, em um

equipamento HORIBA - via 510, calibrado com gases de padrão primário para trabalhar entre zero e 20 ppm de CO. As

análises do ar e equipamento foram realizadas através do Núcleo de Engenharia Térmica e Fluidos (NETefhttp://www.netef.eesc.sc.usp.br/ ) da Escola de Engenharia de São Carlos (EESC).

A topologia das edificações na quadra é definida pela altura média equivalente dos edifícios na extensão da

quadra, considerado a área facial de cada edificação, o que representa o grau de obstrução ou de canalização dos ventos.

Para os dados referentes à direção dos ventos é necessário, a partir dos dados da estação, estabelecer o ângulo da

direção do vento em função da orientação da rua, iniciando no 00 quando a direção do vento está no norte e paralelo à

rua, 1800 quando a direção do vento está ao sul, lado oposto ao sentido da rua.

Para a entrada dos dados no modelo da rede é preciso normalizar os dados em intervalos entre 0 e 1, conforme

a função de ativação, sigmoidal logística, estabelecida para este tipo de modelo de previsão. Para esse procedimento, o

software utilizado é o MATLAB versão 12, muito usado para o desenvolvimento de RNA – Rede Neural Artificial. É

um sistema interativo onde o elemento básico é uma matriz e gráficos. Isto permite resolver muitos problemas

numéricos em um tempo bem menor do que levaria em programas de linguagem C, por exemplo, (SANTOS &

ROMERO, 1994).

Para o treinamento da RNA, duas topologias da rede são adotadas: a primeira é uma rede constituída de 15

neurônios na camada de entrada, 20 neurônios na primeira camada intermediária e 10 neurônios na segunda camada

intermediária e 1 neurônio na camada de saída. A segunda topologia é constituída de 15 neurônios na camada de

entrada, 20 neurônios na camada intermediária e 1 neurônio na camada de saída. Utilizaram-se outras arquiteturas

variando-se, por exemplo, o número de camadas intermediárias e de neurônios, descrito em pesquisa de FREITAS,2003. O programa e análises foram disponibilizados pelo Instituto de Ciências Matemática e Computação (ICMC) da

Escola de Engenharia de São Carlos (EESC).

Um conjunto de 348 dados é retirado aleatoriamente de um total de 465 disponíveis e utilizado no treinamento

da rede. Os parâmetros alimentados à rede são: velocidade e direção dos ventos, temperatura e umidade relativa do ar,

fluxo do tráfego, velocidade média dos veículos, recuos frontais, alturas dos prédios e largura das vias. Os restantes 117

exemplos são utilizados como testes na verificação da capacidade de previsão da rede.

Resultados

No SIG, várias análises puderam ser realizadas após a estruturação do projeto, algumas descritas no presente

trabalho. Áreas de estudo que mediante o cruzamento das várias feições da topologia local, do fluxo de veículos e

pontos de amostragem (locais de A a J) identificam suas interações.

A concentração de CO variou anualmente em cada local de amostragem em função das diferentes amostras

analisadas, a Figura 6 mostra o gráfico gerado pelo SIG. O Arcview identificou no mapa o maior valor médio anual

(ano 2001) de CO na via denominada H (entorno de 1200 veic./h), onde o valor é de 10 ppm (Figura 7). Observa-se,

entretanto, o maior fluxo médio anual de veículos está na via B, cerca de 2200 veículos por hora (Figura 8), porém o

CO não passou de 8,0 ppm.


7/10

Figura 6 – Média da Concentração de CO (ppm) ao longo do ano de 2001 nos locais

Figura 7 - Média anual (2201) da Concentração de CO nos locais de amostragem


8/10

Figura 8 - Fluxo Médio de Veículos x Concentração média de CO nos locais B e HMas quando se analisa no ArcGis 3.2, a topologia das edificações nas quadras nestes mesmos lugares,

verificam-se as diferenças nos locais. O local B, por exemplo, é uma avenida larga e aberta à ventilação com altura

média das edificações equivalente a 5 m. Sendo que o local H é uma via secundária com os edifícios apresentando uma

altura média de 7 m. Embora o fluxo de veículos em B (2200 veic./h) é duas vezes menos que A (1200 veic./h), a

concentração média anual de CO é maior na via A (10 ppm) do que na via B (7,9 ppm). A Figura 9, pode ser visto como

um exemplo, de que a topologia local (a legenda ao lado indica cores em cada altura) tem uma certa relevância no

processo de dispersão do CO e conseqüentemente no modelo aplicação de RNA.

Figura 9 - Características das Edificações (altura e recuos frontais) nas quadras

A Previsão do nível de CO a partir da simulação do modelo de RNA pode ser determinada em locais onde não se

tenha feito amostragem do poluente. O modelo pode prever o CO com a entrada dos dados referente às características

topológicas das edificações da quadra e do fluxo horário médio de tráfego do local; A rede ainda está sendo testada

considerando as variáveis mais relevantes. A Figura 10 mostra a análise do software em um local desconhecido, onde

deverá ser prevista a concentração de CO (ponto marcado no mapa) em função das características topológicas das

edificações e do fluxo médio de veículos na via (representado pela cor da linha do eixo da via).


9/10

Figura 10 - Topologia das edificações na quadraA utilização do modelo RNA pode facilitar o tratamento de casos como nos exemplos exemplificados acima, das

áreas de estudo. O modelo é testado com 117 situações experimentais escolhidas aleatoriamente, que não são utilizadas

como treinamento. A Figura 11 mostra o gráfico gerado pelo software MATLAB e compara os resultados calculados

(previsto) pela rede para os 117 casos não incluídos no seu treinamento com os dados experimentais correlatos, sendo

aqui o erro definido segundo a Equação 3.

Nota-se que 75% das previsões estão dentro da faixa dos 30% do desvio do valor medido. Podendo considerar,

portanto, um bom desempenho da rede para o propósito do planejamento urbano-ambiental.

0,0

0,2

0,4

0,6

0,8

1,0

0,0 0,2 0,4 0,6 0,8 1,0

CO Medido

C O P

r e

v i s t o

___ -30%----- 30%

Figura 11– Concentração de CO medida e previsto pelo modelo para 117 dados independentes tomados aleatoriamentede 465 situações experimentais monitoradas no ambiente (FREITAS, 2003)

Erro = 100 (valor medido – valor calculado) (3)

valor medido


10/10

Conclusão

A análise no SIG resulta numa visualização mais clara do papel desempenhado do tráfego e da topologia das

edificações no processo de produção e dispersão do CO. A topologia das edificações mostra a influência significativa na

dispersão do CO, algumas vias secundárias com a metade do volume do trafego das avenidas perimetrais tiveram uma

concentração media anual de CO com 20 % acima das avenidas.

Uma das principais vantagens na utilização do modelo RNA para a previsão da concentração de CO em áreaurbana é a capacidade de aprender através de exemplos e apresentar bons desempenhos em situações onde o

conhecimento não está explícito. O controle efetivo do meio ambiente urbano depende em parte da habilidade de se

simular a dinâmica do uso e ocupação e poluição atmosférica.

Pode-se reduzir a emissão de poluentes reduzindo-se a intermitência do deslocamento dos veículos, para

facilitar a dispersão do CO, através dos resultados gerados pela RNA, restringir gabarito das edificações e

empreendimentos em determinadas áreas, subsidiar diretrizes no planejamento de uso e ocupação do solo urbano. O

problema é quantificar estas ações, prever resultados antes que ocorra e trabalhar com cenários possíveis ainda durante

a fase de planejamento do uso solo. É neste sentido que este trabalho pretende dar sua contribuição.

Bibliografia

BACHMAN, W. ET AL. (1996) - "Geographic Information System Framework for Modeling mobile-SourceEmissions". Transportation Research-Record, n 1551, p. 123-132.

BATTY & DENSHAM (1996) - "Decision Support, Sig, and Urban Planning", Centre de Análises Espaciais AvançadasColégio Universitário de Londres, Torrington Place, Londres Wcle 6bt, Reino Unido, p. 1-19.

CARVALHO, A C. P. L P. ET AL. (1998) - "Fundamentos de Redes Neurais Artificiais". 11a. Escola de Computação-COPPE, 246p.

FREITAS, M. K. (2003) - Investigação da Produção e Dispersão de Poluentes do Ar no Ambiente Urbano:Determinação Empírica e Modelagem em Rede Neural da Concentração de CO. Tese de Doutorado, EESC/USP-SãoCarlos.

MARTINEZ, l. (1996) - "Solução de Problemas de Otimização de Redes Neurais Multicamadas baseado em Casos eRedes Neurais. Tese de Mestrado do Instituo de Ciências Matemáticas e Computação de São Carlos, 80p.

PHILIPPI Jr. ET AL. (1999) - Municípios e Meio Ambiente: Perspectivas para a Municipalização da Gestão Ambientalno Brasil. São Paulo: Associação Nacional de Municípios e Meio Ambiente, 201 p.

RUMELHART, D. ET AL. (1986) - "Learning Internal Representations by error Propagation". In D. Rumelhart &McClelland (Eds). Parallel Distributed Processing, vol 1, p. 318-362.

SANTOS, V. P. & ROMERO, R. A F. (1994) - "Utilização do Matlab para o desenvolvimento de redes neurais".Relatórios técnicos do ICMSC, n. 18.

Aspectos Metodológicos Poluição Do Ar Veicular

Documents

Transcript of Aspectos Metodológicos Poluição Do Ar Veicular