DIFERENTES ASPECTOS DO USO DE MODELOS … · DIFERENTES ASPECTOS DO USO DE MODELOS COMPUTACIONAIS...

Silva, Duarte, Oliveira, Holanda, Albuquerque Neto & Soares

Revista Diálogos – N.° 12 – Set. / Out. - 2014 315

DIFERENTES ASPECTOS DO USO DE MODELOS COMPUTACIONAIS APLICADOS ÀS CIÊNCIAS

AMBIENTAIS

Aline Pessôa e Silva Camila dos Santos Duarte

Diogo Botelho Correa de Oliveira Marco Aurélio Calixto Ribeiro de Holanda

Nelson de Aquino Albuquerque Neto Prof. Dr. Willames de Albuquerque Soares1 - UPE

RESUMO

A simulação é um procedimento utilizado tanto para a formulação de projeto e avaliação de novos sistemas, como para reconfiguração de operação de sistemas já existentes. As suas aplicações têm aumentado em todas as áreas, auxiliando os gestores na tomada de decisão em problemas complexos e garantindo um melhor conhecimento dos processos nas organizações. Neste artigo buscamos descrever breves comentários a respeito da: classificação quanto a modelos em determinísticos e estocásticos, estimativa de cenários futuros, utilização da técnica de sensoriamento remoto e finalmente modelagem de sistemas e softwares. Uma pequena ênfase foi dada as ciências ambientais. Palavras-chave: Cenários futuros, Sistemas dinâmicos, Modelagem. Abstract: The simulation is a procedure utilized in projects and evaluation of the new system, with a reconfiguration of the

1 Prof. Adjunto da Escola Politécnica de Pernambuco, Universidade de Pernambuco.



operation de systems. Your applications have increments every areas, helping the managers in decision making in complex problems, ensuring a better understanding of processes in organizations. This article show comments about: classification of de models as deterministic and stochastic, in the estimation of future scenarios, the use of remote sensing technique and finally the modeling of systems and software, with a little emphasis the environmental sciences. Keywords: future scenarios, dynamic systems, modeling.

1. Introdução Modelar processos e atividades significa identificar todos

os bens e serviços necessários para a produção de outro bem ou

serviço, e compreender seu inter-relacionamento, contextos,

precedências, etc.

Um modelo é uma representação simplificada de algo

real, podendo realizar planos detalhados, assim como planos mais

gerais com uma visão panorâmica de um sistema, ou seja, são

desenvolvidos para compreender melhor o sistema que está sendo

construído. A sua escolha tem grande influência sobre como uma

situação é resolvida, pois a modelagem necessita ser adequada

para o sistema (Araújo et al., 2001).

Bons modelos incluem detalhes e componentes de grande

importância e omite os componentes menores que não necessitam

de representação em determinado nível de abstração. Entretanto,



a melhor situação ocorre quando podemos optar pelo nível de

abstração e o grau de detalhamento do processo a ser modelado.

Todo projeto poderá ser beneficiado caso use algum tipo

de modelagem, pois modelos auxiliam a ter uma visão mais

abrangente do funcionamento de um sistema, e assim,

desenvolvê-lo de forma mais rápida e correta. Quanto mais

complexo for o sistema, maior será a probabilidade de ocorrência

de erros, caso tenha sido elaborado sem nenhum tipo de

modelagem (Chwif et al., 2010).

Tendo em vista sua ampla aplicabilidade, percebe-se a

importância ao observar também que: surpresas podem ser evitadas

durante a execução dos trabalhos; situações desfavoráveis podem ser

antecipadas, para que ações preventivas e corretivas possam ser

tomadas antes que essas situações se consolidem como problemas; as

decisões são agilizadas, já que as informações estão estruturadas e

disponibilizadas (Romano et al, 2001).

Dentre as possíveis possibilidades de modelos existentes,

destacaremos aqui os modelos computacionais, que nas últimas três

décadas tornaram-se uma ferramenta de grande auxílio no estudo

e estimativas das mais formas de sistemas. A modelagem

computacional trata da simulação de soluções para problemas,

analisando os fenômenos, desenvolvendo modelos matemáticos para

sua descrição, e elaborando códigos computacionais para a obtenção

daquelas soluções. Dentre suas áreas de aplicação e relevante



importância, destacam-se: desenvolvimento de produtos industriais;

pesquisas científicas básicas e aplicadas; simulações e previsões

temporais e espaciais de fenômenos; matemática, física, química;

engenharia e tecnologia; biologia e saúde; meio ambiente e ecologia;

oceanografia e geofísica.

O objetivo deste artigo foi elaborar uma introdução a

respeito das aplicações dos modelos computacionais.

Inicialmente abordaremos a classificação dos modelos em

determinísticos ou estocásticos. Depois explanaremos sobre

algumas de suas utilizações, como a estimativa de cenários

futuros, o uso no sensoriamento remoto e a modelagem de

sistema em geral.

2. Modelos determinísticos e/ou estocásticos

Como mencionado anteriormente, os modelos

matemáticos são utilizados para representar fenômenos reais, a

fim de prever e simular estes acontecimentos. Entretanto, esses

fenômenos ocorrem de formas diversas, com características que

podem ser totalmente previstas ou podem apresentar

possibilidades não previsíveis dentro de um conjunto discreto de

possibilidades. Desta forma, os modelos podem ser classificados

em dois grandes grupos (determinísticos ou estocásticos).

http://pt.wikipedia.org/wiki/Pesquisa_cient%C3%ADfica

http://pt.wikipedia.org/wiki/Simula%C3%A7%C3%A3o

http://pt.wikipedia.org/wiki/Fen%C3%B4meno

http://pt.wikipedia.org/wiki/Matem%C3%A1tica

http://pt.wikipedia.org/wiki/F%C3%ADsica

http://pt.wikipedia.org/wiki/Qu%C3%ADmica

http://pt.wikipedia.org/wiki/Engenharia

http://pt.wikipedia.org/wiki/Tecnologia

http://pt.wikipedia.org/wiki/Biologia

http://pt.wikipedia.org/wiki/Sa%C3%BAde

http://pt.wikipedia.org/wiki/Meio_ambiente

http://pt.wikipedia.org/wiki/Ecologia

http://pt.wikipedia.org/wiki/Oceanografia

http://pt.wikipedia.org/wiki/Geof%C3%ADsica



Os modelos determinísticos são aqueles que não

consideram variáveis aleatórias ou incertas. Assim, os valores de

entrada são exatos, resultando em uma simulação

independentemente do número de replicações utilizadas. Um

conjunto de valores determinísticos, que pode ser descrito através

de uma relação matemática.

Os pressupostos considerados para compilação desta

relação são úteis para resultados médios e para auxiliar

modelagens mais complexas, apresentando uma solução média de

casos divididos, e sendo conjugados como blocos para modelos

estocásticos mais coesos com a realidade. Algumas das vantagens

destes é a sua fácil implementação e utilização, pois são

compostos por uma matemática analítica mais simplificada,

sendo mais facilmente parametrizados em planilhas eletrônicas

usuais (Garcia et al, 2006).

Entretanto, para reproduzir mais fielmente um fenômeno

(como a chuva, por exemplo), são consideradas variáveis que se

comportam durante um tempo, ou parte dele, de maneira

randômica (aleatória). O modelo estocástico é aquele que possui

uma ou mais variáveis aleatórias como entrada, que levam a

saídas aleatórias. É utilizado quando pelo menos uma das



características operacionais é dada por uma função de

probabilidade.

De maneira mais formal, são calculados por uma

probabilidade ou interpolação, valores que correspondem ao

tempo de evolução do fenômeno, condicionando uma

correspondência para tal. O conceito de imprevisibilidade está,

portanto, associado à noção de processos estocásticos, em relação

aos quais se pode dizer que a sua previsibilidade é puramente

estatística.

Por conseguinte, esses processos só podem, portanto, ser

descritos através da sua probabilidade de ocorrência, ainda que

seja função de uma variável determinística, que é uma série de

registros dependentes do tempo, denominado conjunto de

realizações, sendo considerada como um processo estocástico

quando pode ser descrito através de propriedades estatísticas

apropriadas.

Essas propriedades estatísticas de um processo estocástico

são obtidas, em geral, fazendo médias do conjunto considerando

todos os registros. Um processo estocástico pode ser classificado

em tempo discreto ou continuo. No primeiro, é aquele no qual a

variável somente varia em um determinado instante, no segundo

ela assume valores em qualquer instante (Vieira,2007).



O modelo determinístico é desvantajoso por utilizar dados

com valores medianos, obtendo resultados que se distanciam dos

reais. Já simuladores estocásticos são capazes de simular uma

aleatoriedade do sistema real através de distribuições

probabilísticas, estas representando matematicamente as chances

de ocorrência das atribuições possíveis às variáveis.

Tais sistemas utilizam, geralmente, o “método do Monte

Carlo” que reproduzem o comportamento aleatório através de

sucessivas simulações em elevado número de vezes. Isto permite

caracterizar o Monte Carlo como uma técnica simples, desde que

tenhamos um mecanismo confiável de gerar números aleatórios e

possamos repetir o experimento um número considerável de

vezes para minimizar o erro na estimativa. (Angelotti et al.,

2008).

Em uma simulação baseada no método de Monte Carlo,

cada experimento é aplicável somente para a situação que tem

sido simulada. O número de replicações da simulação Monte

Carlo depende do tempo e recurso computacional (Figura 1).

Figura 1 – Esquema do funcionamento do método Monte Carlo:



Valores estimados Saída

Probabilidade de abrangência

Número de

ensaios

Intervalo de confiança

Função de densidade

Entrada

Modelo

Y = f(x)

Amostras

Representação discreta da função de distribuição para a magnitude de saída

3. Estimativa de cenários futuros

Na atual conjectura mundial, as mudanças acontecem

rapidamente e a necessidade de resultados satisfatórios é cada vez



maior, antes de uma tomada de decisão, exige-se que sejam feitas

análises dos seus efeitos a médio e longo prazo, a fim de se

determinar quais as possibilidades mais vantajosas. Induzindo-se

que os resultados esperados sejam modificados de acordo com o

objetivo inicial. Desta forma, a modelagem entra como

ferramenta de fundamental importância na estimativa de cenários

futuros.

Por meio da modelagem, é possível analisar os aspectos e

as consequências decorrentes de uma tomada de decisão,

possibilitando um planejamento estratégico a fim de escapar de

situações desagradáveis. No cunho ambiental, este procedimento

é bastante utilizado. Quais as espécies da fauna serão extintas em

um determinado tempo, caso o desmatamento continue da forma

atual? Em quais locais do globo acontecerão enchentes e quais

estarão sujeitos a desertificação? De quanto será o aumento do

aquecimento global? Esses são exemplos de questões respondidas

pela modelagem de cenários futuros.

Uma das principais vantagens da análise de cenários

futuros está no fato de ser planejamento um método flexível e

instigante. Permitindo identificar oportunidades para a inovação,

de modo a propiciar um planejamento estratégico e uma visão de

futuros resilientes a ambientes ameaçadores (Domicio et al.,

2012).



Quanto a classificação dos modelos de cenários futuros,

eles podem ser determinísticos ou estocásticos. Geralmente, uma

análise baseada em cenários determinísticos leva em

consideração apenas alguns cenários, que podem ser históricos ou

hipotéticos. O cenário histórico reflete um evento significativo

ocorrido no passado, como a crise da dívida russa, que foi uma

recessão específica, ou a quebra do mercado acionário em 1987.

O cenário hipotético reflete um evento significativo que é

considerado plausível, mas que ainda não ocorreu. Cada um deles

tem suas vantagens (Kurt et al., 2009).

Os cenários estocásticos são baseados em simulações e

são orientados pelos ajustes aos parâmetros e variáveis de

entrada, com base em sua distribuição histórica e covariância. As

mudanças em determinados fatores de risco podem ser montadas

com o uso de análise quantitativa, modelagem estocástica ou

capacidade de julgamento. Esses fatores de risco podem ser

aplicados a uma ou mais linhas de negócios, classes de ativos ou

passivos; entretanto, pode ser necessária a sua agregação para

reduzir a quantidade de componentes modelados (Kurt et al.,

2009).

Existe uma tipologia que baseia-se nas três principais

perguntas que alguém poderia fazer sobre o futuro: “O que

acontecerá?”, “O que pode acontecer?” e “Como se pode alcançar



um objetivo específico?”. Cada uma dessas três perguntas

compõe tipos distintos de cenários.

Por mais que excelentes trabalhos de cenários

prospectivos possam ser realizados, não se escapa do dilema de

que o nosso conhecimento é sobre o passado e todas as nossas

decisões são sobre o futuro. Por isso que é sempre conveniente

explorar as alternativas de futuros possíveis, uma vez que o

futuro tem uma parte previsível e outra imprevisível.

Os cenários têm sido utilizados para atender a diversos

propósitos, tais como: i) identificar sinais de alerta precoces; ii)

avaliar a robustez das competências centrais da organização; iii)

gerar opções estratégicas melhores; iv) analisar o perfil de

risco/retorno de cada opção frente às incertezas, e, v) auxiliar na

comunicação interna das novas políticas da organização.

4. Sensoriamento remoto

O sensoriamento remoto é um dos métodos indiretos de

obtenção de dados atmosféricos mais utilizados na atualidade.

Principalmente quando se quer obter informações em regiões de

grandes proporções.

Entretanto, sua invenção teve como finalidade a

espionagem em períodos de guerra. Onde câmeras fotográficas

eram acopladas em pombos que sobrevoavam o inimigo e eram



disparadas remotamente. Hoje, seu uso é voltado principalmente

para a aquisição de informações de áreas urbanas, rurais, florestas

e corpos d`água, atendendo a diferentes áreas de interesse, como

engenharia, geografia, cartografia e etc. As câmaras fotográficas

também foram substituídas por sensores acoplados a satélites que

capturam imagens da Terra com grandes detalhes (Oliveira Jr., et

al, 2006, Florenzano, 2002).

Diversos satélites foram desenvolvidos e lançados ao

espaço para o imageamento terrestre. Dentre eles, satélites,

podemos citar:

i) o ERTS-1 (Earth Resources Technology Satellite),

que foi o primeiro satélite desenvolvido para atuar

diretamente em pesquisas de recursos naturais no

ano de 1972. Posteriormente rebatizado por

LANDSAT-1 (Land Remote Sensing Satellite).

Foram lançados vários LANDSAT, formando

uma verdadeira série. O mais atual da série é o

LANDSAT-8, enviado ao espaço no ano de 2013;

ii) o ERS1 (European Remote Sensing Satellite), que

foi lançado ao espaço no ano de 1991,

objetivando estudos oceânicos e de geleiras, nas

várias áreas de ciências naturais. Este foi


substituído pelo ERS2 em 1995, onde foram

acrescentados alguns instrumentos adicionais, e,

iii) o RADARSAT 1 (Canadian Satellite Synthetic

Aperture Radar) que foi lançado no ano de 1995,

por um consórcio liderado pelo governo

Canadense e RADARSAT 2, no ano de 2007,

pelo mesmo consórcio, mas desta vez liderando

pelo setor privado.

A energia que chega ao sensor (radiômetro) é captada e é

transformada em sinal eletrônico, que servirá de base para a

modelagem das variáveis a serem determinadas. Os diversos

sensores captam ondas eletromagnéticas natural, emitida pelos

objetos em estudo, em diferentes frequências.

Esta energia pode ser definida por:

(1)

Sendo é a constante de Planck (6,623x10-34 m²kg/s), é a

frequência (em Hz) e é a energia emitida.

A menor unidade da imagem atingida é o pixel, onde suas

dimensões variam na superfície conforme o satélite. O conjunto Revista Diálogos – N.° 12 – Set. / Out. - 2014 327



de pixels forma uma matriz em tons de cinza que constituem a

imagem em cada banda. Para formar uma imagem, faz-se

necessário a combinação de diferentes bandas, de acordo com o

objetivo a ser alcançado Novo (1995).

Os sensores remotos transformam a energia captada em

sinais elétricos e registram as informações como imagens

(imageadores) ou números/ gráficos (não-imageadores). Alguns

destes equipamentos emitem uma certa quantidade de energia e

realizam a capitação da radiação residual que é refletida pelo

objeto terrestre sendo classificado como ativo. Com tudo, outros

equipamentos mais simples não possuem fontes emissoras e são

classificados como passivos, tendo em vista que apenas

assimilam a energia enviada naturalmente pelos objetos de estudo

(Moreira 2001).

Os dados, numéricos, são tratados e analisados por

modelos matemáticos desenvolvidos pelos pesquisadores para

suprir a necessidade do estudo em questão. Já no caso das

imagens coletadas por satélites, são utilizados softwares como o

SPRING 4.2, desenvolvido pelo INPE (Instituto Nacional de

Pesquisas Espaciais) para realização destas análises (Marques,

2006).

Estes modelos computacionais têm sido muito utilizados

em estudos de grandes sistemas, como por exemplo o estudo da



interação oceano-atmosfera, modelos climáticos de circulação de

correntes, modelos de dispersão de CO2 e etc. Sendo assim, esta

técnica de obtenção de informações vem sendo utilizada em larga

escala pela comunidade científica, auxiliando o homem a

desvendar e entender alguns fenômenos da natureza (Silva,

2014).

5. Modelagem de sistemas

O processo de modelagem deve, a princípio, buscar uma

clara compreensão da estrutura e dinâmica do sistema real a ser

simulado para poder, então, seguir com a elaboração do modelo

que possibilitará analisar o comportamento do sistema (Sakurada;

Miyake, 2009).

Os problemas enfrentados pela indústria, centros de

pesquisas e organizações em geral são cada vez maiores e mais

complexos, necessitando, cada vez mais, de técnicas para ajudar

nas suas soluções. Uma destas técnicas é a modelagem para

simulação cujo propósito é representar o comportamento de

sistemas por meio de um modelo computacional. A resolução de

qualquer problema requer primeiro que este seja bem definido, ou

seja, é fundamental um bom conhecimento do sistema sobre



estudo para que se possa entender o caso sem ambiguidade. A

postura não é diferente quando se quer resolver problemas usando

simulação: o sistema deve ser bem conhecido para que se possa

identificar os problemas e traçar as metas a serem alcançadas

(Braulio, 2007).

A simulação de sistemas pode ser dividida em algumas

etapas básicas e que podem ser analisadas na seguinte ordem: i) o

problema: nessa etapa ocorre a identificação de um problema

apresentado pelo sistema em estudo, bem como das partes que

interferem no problema identificado; ii) o estudo do sistema:

nessa etapa se detalha o sistema em termos de componentes,

atividades, eventos, restrições, motivos que levaram a usar

simulação para solução de problemas; iii) o modelo: elaboração

do modelo de representação do sistema em estudo; iv) a solução:

realizar os experimentos sobre o modelo construído, e utilizar as

informações resultantes para indicar soluções; v) operacionalizar

a solução: executar as alterações no sistema real com base nos

resultados da simulação e por último e não menos importante, vi)

a realimentação: reelaboração parcial do trabalho de acordo com

resultados obtidos na interferência sobre o sistema real (Bráulio,

2007).



Modelos de simulações podem ser recomendados

principalmente em dois casos. Primeiro, quando a solução de

problemas é muito cara ou até mesmo impossível por meio de

experimentos. Para Torga et al. (2006), o uso da simulação

proporciona a resolução de questões complexas sem os custos

elevados das tentativas da vida real. E em segundo, quando os

problemas são muito complexos para tratamento analítico. Com o

uso da simulação, por exemplo, quando se observam

características estocásticas (pois os sistemas podem ser

determinísticos ou estocásticos, variantes ou invariantes no

tempo, estáticos ou dinâmicos e discreto ou contínuo), sistemas

podem ter seu comportamento representado com maior exatidão

(Bráulio, 2007).

Segundo Torga et al. (2006), simulação é a imitação de

um sistema real, modelado em computador, para avaliação e

melhoria de seu desempenho. Os benefícios da simulação de

sistemas, combinados com a agilidade oferecida pelos meios

computacionais, têm sido amplamente utilizados como

ferramenta auxiliar na solução de problemas diversos. Justifica-se

tal afirmação considerando que, com o uso do computador, uma

grande quantidade de eventos pode ser executada em curto

espaço de tempo.



A execução de modelos de simulação em computador tem

potencial para gerar resultados mais precisos sem que seja

necessário interferir no sistema real. Tais resultados, quando

analisados estatisticamente, fornecem informações que podem

contribuir fortemente na tomada de decisões que visam a solução

de problemas (Braulio, 2007).

6. Modelagem do sistema solo vegetação atmosfera (SVAT)

Os modelos de transferência de água e de calor no sistema

solo-vegetação-atmosfera (SVAT) são utilizados em aplicações

pontuais, em escala de campo, e em escalas da ordem de 100 km2

a 10.000 km2. Os modelos SVAT's consideram a partição da

energia disponível na superfície em fluxos de calor sensível e

latente - balanço de energia - e a partição da precipitação em

interceptação vegetal, infiltração, escoamento superficial, e

evapotranspiração - balanço de massa - (Vissotto, 2003).

Atualmente existe um grande número de SVAT's, cada

qual elaborado com suas características específicas e para

determinadas aplicações. Dentre eles, podem ser citadas:

O modelo SiB (Simple Biosphere Model - Sellers et al.,

1986) foi desenvolvido para calcular os fluxos de energia, massa

e momento entre a atmosfera e a superfície vegetada. Esse



modelo foi concebido para ser usado dentro de modelos de

circulação geral da atmosfera. O modelo inclui fatores

morfológicos como tipo de vegetação, tipo de solo, profundidade

de raízes; fatores fisiológicos como o índice de área foliar,

temperaturas máxima, mínima e ótima para o controle da

abertura e fechamento dos estômatos, bem como funções que

relacionam o déficit de pressão de vapor com a resistência

estomática; além de fatores físicos como porosidade do solo,

condutividade hidráulica saturada, capacidade térmica do solo e

do dossel arbóreo, etc. Uma descrição sucinta do modelo e suas

aplicações para o Brasil foram realizadas por Candido (2002).

O modelo LAPS (Land Air Surface Scheme - Mihailovi¢,

1996) foi desenvolvido tanto para o uso em modelos atmosféricos

quanto para o uso desacoplado. Neste modelo, a vegetação é

considerada como um bloco constante de material poroso

compreendido por duas camadas constantes, o contorno superior,

topo da camada de vegetação, e o contorno inferior, base da

camada de vegetação.

O modelo BATS (Biosphere Atmosphere Transfer Scheme

- Yang e Dickinson, 1996), foi originalmente desenvolvido para

uso em um modelo climático específico (Dickinson et al., 1986).



O modelo PLATIN (Plant-Atmosphere Interaction),

desenvolvido por Grünhage e Haenel (1997), foi concebido para

estimar a dose de absorção de poluentes do ar sob condições

ambientais. Ele é baseado no balanço de energia da vegetação

combinado com um submodelo de transporte de gases. Neste

modelo não há a representação em forma de equações

diferenciais, mas sim por meio de funções de resistência, assim

como a resistência elétrica, para representar os processos de

troca de energia. O modelo é baseado em três resistências: uma

resistência atmosférica turbulenta que quantifica o transporte no

perfil atmosférico, uma resistência para escoamento quase-

laminar que quantifica a diferença entre o transporte de momento

e de calor e uma resistência da superfície ou da vegetação que

descreve a influência do ecossistema sobre o transporte.

O modelo ALSIS (Atmosphere-Land-Surface Scheme) de

Irannejad e Shao (1998), foi um modelo desenvolvido

primordialmente para a estimativa de umidade do solo baseado

na solução da equação de Richards. Um importante potencial

deste modelo é a inclusão da heterogeneidade vertical dos

parâmetros hidráulicos do solo modelando o fluxo sobre

condições não saturadas utilizando a equação de van Genuchten

(1980) para a curva de retenção.



O modelo PROGSURF (Prognosis of Surface Fluxes -

Ács e Hantel, 1998) considera uma camada de vegetação e três

níveis de solo. A previsão de temperatura é realizada pela

equação de condução de calor em conjunto com o método force-

restore. Os fluxos turbulentos são parametrizados pelas leis de

gradientes usando o conceito de resistência. A resistência

estomática é calculada envolvendo parâmetros de demanda

atmosférica e de umidade disponível. A umidade do solo é

estimada pela equação de Richards.

O modelo ISBA (Interaction Soil-Biosphere-Atmosphere)

foi desenvolvido para ser usado em conjunto com modelos

meteorológicos. Dentre as vantagens do modelo ISBA,

originalmente proposto por Noilhan e Planton (1989), destacam-

se a simplicidade com que este descreve a dinâmica de água e

calor no solo e o metabolismo da fisiologia de controle

estomático das plantas, sendo possível a adaptação deste a

qualquer condição de solo e vegetação. As desvantagens são: a

falta do componente de drenagem e a estimativa da componente

de escoamento superficial; apenas três camadas de solo acopladas

à superfície e desacopladas entre si, o que limita a variabilidade

da zona de raízes e a evapotranspiração; a desconsideração da

estabilidade atmosférica como fator influente no cálculo dos



fluxos superficiais e a falta de uma parametrização de troca de

vapor no solo.

O modelo SiSPAT (Simple Soil Plant Atmosphere

Transfer Model), destaca-se por seu grande detalhamento físico

em todas as partes do sistema solo-planta-atmosfera. Desde sua

primeira apresentação na literatura (Braud et al., 1995), o SiSPAT

vem sendo continuamente validado em diferentes tipos de

vegetação, de solos e sujeito à diferentes condições climáticas e

ambientais (Varado et al., 2006; Boulet et al., 2007; Moret et al.,

2007; Boulet et al., 2009; Soares 2009).

7. Modelagem de software

A modelagem de software auxilia o analista de sistemas e

os programadores a realizarem um bom trabalho de

desenvolvimento de software. Auxilia na compreensão da

informação, como o sistema irá se comportar e como funcionam

os seus processos.

Possui a vantagem de ser um guia de revisão, consistência

e precisão da especificação, além de permitir que erros sejam

visualizados antes da fase de codificação do software e reduz os

riscos de implementação do mesmo. Não elaborar um modelo



lógico do sistema pode resultar na construção de um sistema com

deficiências, sem amplo conhecimento do domínio do software,

gerando problemas futuros de desenvolvimento e de projeto, tais

como aumento de custos, escopo fora do que foi planejado e

descumprimento de prazo. O trabalho final pode não atender as

necessidades do cliente, gerando retrabalho e insatisfação

(Ambler, 2002).

Tratando-se da modelagem de edificações, permite às

empresas, através de uma visão abrangente e integrada do

trabalho de desenvolvimento de produtos, melhorar e até redefinir

o processo praticado, além da melhoria real e imediata do

gerenciamento do processo. Ou seja, os benefícios têm reflexos

diretos sobre o sucesso do projeto, tanto no aspecto técnico – ser

concluído dentro do tempo e do orçamento previsto, ter utilizado

os recursos eficientemente e ter atingido a qualidade e a

performance desejadas –, quanto no aspecto organizacional – ter

sido concluído com o mínimo possível de alterações em seu

escopo, ser aceito sem restrições pelo contratante ou cliente além

de ser empreendido sem que ocorra interrupção ou prejuízo nas

atividades normais da organização (Romano et al, 2001).



8. Considerações Finais

A partir de revisões de literatura confeccionou-se uma

breve descrição da classificação de modelos computacionais,

quanto ao tipo de dados utilizados, e apresentou-se algumas

técnicas de modelagem utilizadas nas ciências ambientais. A

utilização para previsão de cenários futuros e a modelagem de

sistemas. Uma ênfase foi direcionada aos modelos encontrados na

literatura que simulam os processos de transferência de água e

calor no sistema solo-vegetação-atmosfera.

Referências

ÁCS, F.; HANTEL, M. The land-surface flux model PROGSURF. Global and Planetary Change, Amsterdam, v. 19, p. 19-34, 1998.

AMBLER, SCOTT W. Modelagem ágil: Práticas eficazes para a programação extrema e o processo unificado -- Porto Alegre: ARTMED EDITORA S.A., 2002.

ANGELOTTI, W. F. D.; FONSECA, A. L.; TORRES, G. B.; Custodio, R. Uma abordagem simplificada do método Monte Carlo Quântico: da solução de integrais ao problema da distribuição eletrônica. Quím. Nova vol.31 no.2 São Paulo 2008.



ARAÚJO, C. S.; MENDES, L. A. G.; TOLEDO, L. B. Modelagem do desenvolvimento de produtos: caso EMBRAER – experiência e lições aprendidas. In: CONGRESSO BRASILEIRO DE GESTÃO DE DESENVOLVIMENTO DE PRODUTO, n.3, 2001, Florianópolis. Anais... Florianópolis, SC: NeDIP–CTC/UFSC, 2001.

BASSANEZI, R. C. -"ensino-aprendizagem com Modelagem Matemática"; Edit. Contexto, S. Paulo, (2002).PEREIRA, I. C. Proposta de sistematização da simulação para fabricação de lotes. Dissertação mestrado em engenharia de produção. UNIFEI, Itajubá, MG, 2000.

BOULET, G.; CHEHBOUNI, A.; GENTINE, P.; DUCHEMIN, B.; EZZAHAR, J.; HADRIA, R. Monitoring water stress using time series of observed to unstressed surface temperature difference. Agricultural and Forest Meteorology, v.146, 159–172, 2007.

BOULET, G.; MOUGENOT, B.; ABDELOUAHAB, T.B. An evaporation test based on Thermal Infra Red remote-sensing to select appropriate soil hydraulic properties. Journal of Hydrology, v.376, p.589-598, 2009.

BRAUD, I.; DANTAS-ANTONINO, A.C.; VAUCLIN, M.; THONY, J.L.; RUELLE, P. A simple soil-plant-atmosphefe transfer model (SISPAT) development and field verification. Journal of Hydrology, v.166, p.213-250, 1995.

CHWIF, L., MEDINA, A. C. Modelagem e simulação de eventos discretos: teoria e aplicações, 3 ed. São Paulo: Ed. do Autor, 2010.

DOMICIO, I. S. S., & PASSARINI, V. T. A visão de futuro por meio de cenários prospectivos: uma ferramenta para a



antecipação da inovação destrutiva. Future Studies Research Journal (2012).

FLORENZANO, T. G. Imagens de satélite para estudos ambientais. 1.ed. São Paulo: Oficina de Textos, 2002.

GARCIA, E., REIS, L., MACHADO, L. FERREIRA FILHO, V. J. GESTÃO DE ESTOQUES - OTIMIZANDO A LOGÍSTICA E A CADEIA DE SUPRIMENTOS 1. Ed. E-PAPERS, 2006.

GRÜNHAGE, L.; HAENEL, H.-D. PLATIN (plant-atmosphere interaction) I: A model of plant-atmosphere interaction for estimating absorbed doses of gaseous air pollutants. Environmental Pollution, v. 98, n. 1, p. 37-50, 1997.

IRANNEJAD, P.; SHAO, Y. Description and validation of the atmosphere-land-surface scheme (ALSIS) with HAPEX and Cabauw data. Global and Planetary Change, v. 19, p. 87-114, 1998.

KARL, K. Determinísticos ou estocásticos: a importância da análise de cenários no setor segurador. Caderno de seguro. 2009

MARQUES, W. R. Interpretação de imagens de satélites em estudos ambientais. Ambiência (UNICENTRO), v. 2, p. 281-299, 2006.

MELLO, B. A. Modelagem e simulação de sistemas. Santo Ângelo. 2007.

MIHAILOVIC, D.T. Description of a land-air parameterization scheme (LAPS). Global and Planetary Change, v. 13 , p. 207–215, 1996.



MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicação. São José dos Campos, 2001. Instituto Nacional de Pesquisas Espaciais (INPE). 208p.

MORET, D.; BRAUD, I.; ARRÚE, J.L. Water balance simulation of a dryland soil during fallow under conventional and conservation tillage in semiarid Aragon, Northeast Spain. Soil and Tillage Research, v.92, p.251-263, 2007.

NOILHAN J. ; PLANTON S. A simple parameterization of land surface processes for meteorological models. Monthly Weather Review v. 117, p.536–49, 1989.

NOVO, E. M. L. de M. Sensoriamento Remoto: Princípios e Aplicações. 2 ed. São Paulo: Edgar Blucher, 1995.

OLIVEIRA JR, P. D.; C. Mapeamento, classificação e dimensionamento de áreas geográficas. In: II Workshop de Visão Computacional, 2006, São Carlos. WVC 2006, 2006. p. 263-269.

ROMANO, F. V.; BACK, N.; R. A Importância da Modelagem do Processo de Projeto para o Desenvolvimento Integrado de Edificações. In: I Workshop Nacional: Gestão do Processo de Projeto na Construção de Edifícios, 2001, São Carlos, SP. Anais do I Workshop Nacional: Gestão do Processo de Projeto na Construção de Edifícios, 2001.

SAKURADA, N.; MIYAKE, D. I. Aplicação de simuladores de eventos discretos no processo de modelagem de sistemas de operações de serviços. São Carlos. 2009.

SELLERS, P. J.; MINTZ, Y.; SUD, Y. C.; DALCHER, A. A simple biosphere model (SiB) for use within general circulation models. Journal of Atmospheric Sciences, v. 43, n. 6, p. 505-531, 1986.



SILVA, M. T., SILVA, V. P. R., SILVA, M. M. M. A. Space time variability of surface temperature in the semi-arid Pernambuco based image tm / landsat. Journal of Hyperspectral Remote Sensing v.04, n.04 (2014) 111-120.

SOARES, W.A. Fluxos de água e de energia em feijão macassar e mamona no nordeste no Brasil. 2009. 163p. (Tese de Doutorado). Recife: Universidade Federal de Pernambuco.

TORGA, B. L. M.; MONTEVECHI, BARRA, J. A.; PINHO A. F. Modelagem, simulação e otimização em sistemas puxados de manufatura. São Paulo. 2006.

VIEIRA, E. F, L. Avaliação de Projetos de Investimento em Plantas XTL utilizando a Teoria de Opções Reais. Dissertação de Mestrado. PUC-RJ. Rio de Janeiro.2007

VISSOTTO JR., D. Modelagem numérica para interações superfície-atmosfera no Estado do Paraná. Universidade Federal do Paraná (dissertação) p. 174, 2003.

YANG, Z.-L.; DICKINSON, R. E. Descriptions of the biosphere-atmosphere transfer scheme (bats) for the soil moisture workshop and evaluation of its performance. Global and Planetary Change, v. 13, p. 117-134, 1996.

DIFERENTES ASPECTOS DO USO DE MODELOS … · DIFERENTES ASPECTOS DO USO DE MODELOS COMPUTACIONAIS...

Documents

Transcript of DIFERENTES ASPECTOS DO USO DE MODELOS … · DIFERENTES ASPECTOS DO USO DE MODELOS COMPUTACIONAIS...