AVALIAÇÃO A PARTIR DA ANÁLISE DE REGRESSÃO DA …abepro.org.br/biblioteca/TN_STO_214_266_27527.pdf · do ano e velocidade do tempo. Demais variáveis (geográficas, emissões,

AVALIAÇÃO A PARTIR DA ANÁLISE

DE REGRESSÃO DA INFLUÊNCIA DE

PARÂMETROS METEOROLÓGICOS DA

POLUIÇÃO ATMOSFÉRICA DE MP-10

EM UM PONTO DE BELO HORIZONTE

Igor Felipe Silva Moura (DEN/UFMG)

[email protected]

Ananda Borjaille Cruz (CDTN/CNEN)

[email protected]

Maria Angela de Barros Correia Menezes (CDTN/CNEN)

[email protected]

ALBERTO AVELLAR BARRETO (CDTN/CNEN)

[email protected]

A poluição do ar nas grandes metrópoles causa efeitos danosos a saúde, meio

ambiente e economia, afetando diretamente a população. As principais fontes

emissoras de poluentes são industriais e veiculares. Neste cenário, o presente

trabalho tem como objetivo modelar estatisticamente a concentração de

material particulado atmosférico (< de 10µm) a partir de informações

geradas em um amostrador de grande volume utilizando filtro de ar

borossilicato sem aglutinantes. Mediante análise estatística, a concentração

de poluentes foi relacionada com dados de uma estação meteorológica, foi

estimado um modelo de regressão para concentração, utilizando variáveis

não controláveis como a umidade, temperatura, pressão atmosférica, época

do ano e velocidade do tempo. Demais variáveis (geográficas, emissões, etc)

foram consideradas constantes. Com o uso do modelo de regressão, obteve-se

um coeficiente de determinação de 95%.

Palavras-chave: Material particulado, Regressão

XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Perspectivas Globais para a Engenharia de Produção

Fortaleza, CE, Brasil, 13 a 16 de outubro de 2015.




2

1. Introdução

Em todo o mundo, o desenvolvimento humano acarreta uma crescente emissão de

poluentes atmosféricos através de indústrias e pela própria evolução urbana, onde acrescenta

na atmosfera substâncias poluidoras que causam desequilíbrio ecológico, alteração das

condições climáticas e meteorológicas, acidificação da atmosfera que causam interferência na

saúde humana, e na economia (QUEIROZ et al, 2007).

Há diversas fontes emissoras de poluentes atmosféricos na RMBH, como minerações,

metalurgias, siderurgias, refinarias, depósitos industriais e veículos automotores que tornam a

caracterização da emissão de poluentes atmosféricos bastante diversificados, podendo emitir

compostos diretamente na atmosfera, como poeiras de rodovias, partículas geradas

mecanicamente e por combustão, ou por vapores condensados pela reação química

envolvendo percursores da fase gasosa ou de outros processos. (SALGADO, 2002).

Segundo Vieira (2009), as fontes provenientes de eventos antropogênicos, que são as

atividades industriais e o transporte, tem como os principais poluentes emitidos o monóxido

de carbono, dióxido de enxofre, óxidos de nitrogênio, material particulado e chumbo.

Segundo Júnior e Lacava (2003), as partículas do material particulado estão entre os

poluentes mais danosos ao meio ambiente, já que ao alterar os níveis de radiação solar que

atingem o solo, essas partículas alteram a temperatura do mesmo influenciando assim o

crescimento de plantas.

De acordo com Salgado (2002), durante a respiração, as partículas de material

particulado inaladas, são depositadas no trato respiratório. Partículas grossas (> 10μm) em sua

maioria são depositadas acima da laringe e as partículas mais finas (< 2,5µm) são depositadas

principalmente na região pulmonar. Quanto menor a partícula mais danos ela pode oferecer à

saúde humana já que devido ao seu menor tamanho elas podem penetrar mais profundamente

no trato respiratório.

Dentre esses impactos, o MMA (2015) afirma que se destacam a possibilidade de

desenvolver câncer respiratório, arteriosclerose, inflamação de pulmão, agravamento de




3

sintomas de asma, aumento de internações hospitalares que podem levar à morte.

Os principais compostos presentes no material particulado são sulfato, nitrato, amônia,

cloreto de sódio, chumbo, cádmio e mercúrio. No entanto, as proporções de cada componente

variam de acordo com a localização da amostragem. (SALGADO, 2002).

A partícula fina do material particulado, em especial aquelas partículas com diâmetro

2,5 µm ou menos, tem um grande tempo de residência na atmosfera podendo assim ser

transportada a grandes distâncias, o que aumenta sua capacidade de dispersão e

consequentemente o seu impacto sobre os indivíduos por meio do ar inalado (VIEIRA, 2009).

Devido aos diversos impactos relatados, é cada vez maior a preocupação em

desenvolver técnicas de monitoramento da qualidade do ar e procedimentos de análises do

material particulado.

A Região Metropolitana de Belo Horizonte (RMBH) possui Estações automáticas de

qualidade do ar operadas pela Fundação Estadual do Meio Ambiente (FEAM) onde estão

instalados analisadores de poluentes, sensores meteorológicos e sistemas de aquisição e

transmissão de dados. Estas Estações são localizadas em pontos estratégicos desta região.

O presente trabalho apresenta uma aplicação da regressão linear múltipla para a

avaliação da concentração de material particulado (MP10) em função de variáveis

meteorológicas. O objetivo é ajustar um modelo de regressão linear e averiguar a influência

dessas variáveis não controláveis na concentração de material particulado. Espera-se com

essas informações contribuir para o conhecimento da importância desses parâmetros na

qualidade do ar. O Estudo foi realizado em um ponto de BH com predominância de emissões

veiculares no período de 10/04/2014 a 21/11/2014.

2. Análise de regressão

A análise de regressão é uma ferramenta padrão utilizada na engenharia para analisar

dados de experimentos, onde aplicam técnicas e lógicas matemáticas para relacionar as

variáveis (PEDRINI, ANNA e CATEN, 2009).

Segundo Ragsdale (2009), a análise de regressão é utilizada para identificar uma

função que apresente uma relação entre a variável dependente e a variável independente, onde




4

seja possível presumir qual o valor que a assumirá a variável dependente, assumindo valores

para as variáveis independentes.

2.1. Análise de regressão múltipla

A análise de regressão múltipla é um método utilizado quando há uma variável

dependente Y e uma ou mais variáveis independentes X1, X2, ..., Xk (HAIR et al, 2009). Esse

método de regressão descreve uma função que aborde um resultado aproximado, onde a partir

dos valores das variáveis independentes, seja possível realizar uma previsão do valor da

variável dependente (RAGSDALE, 2009).

O contexto básico da regressão linear múltipla é quando a variável Y é de difícil

mensuração, e que se necessita de várias variáveis para que se possa encontrar o resultado da

variável Y, onde os passos para a realização da análise são a seleção de uma lista das

possíveis variáveis X, a coleta de dados das variáveis selecionadas, a verificação das relações

entre as variáveis X e Y, podendo eliminar as que não possuem uma boa relação e verificar

redundâncias nas variáveis X (RUMSEY, 2014).

Segundo Ragsdale (2009), a função da regressão linear múltipla é uma versão

estendida da regressão linear simples, onde a diferenciação ocorre pela quantidade de

variáveis independentes. A função que representa a regressão múltipla é:

Ŷ = b0 + b1X1 + b2X2 + ... + bkXk + Ɛ (1)

Ŷ representa o valor estimado observado nas amostras, b0 representa o valor constante e X1,

X2, ..., Xk representam variáveis independentes.

Segundo Ryan (2011), outro exemplo de regressão linear inclui polinômio

Ŷ = b0 + b0X + b11X2 + Ɛ (2)




5

Segundo Júnior et al. (2004), o modelo de regressão múltipla baseia-se em três

pressuposições básicas para que a análise possa ser válida, onde a relação é determinística, e

não estocástica para as variáveis dependentes e independentes, possuem distribuição normal

os erros de medida e não apresentam correlação as variáveis explicativas, não ocorrendo a

multicolinearidade.

A variação do coeficiente de determinação (R2) varia entre 0 e 1, onde R

2 = 0, o ajuste

da reta é inexistente, onde X é 0% de explicação da variação de Y, e quando R2 = 1, X explica

100% da variação do ajuste da reta de Y (SILVA [2], 2011).

2.2. ANOVA

A técnica estatística de comparação de duas ou mais médias para populações é feito

pela análise de variância (ANOVA), onde são testadas hipóteses. Quando se queira testar

hipótese nula de duas ou mais populações que são idênticas versus a hipótese que há alguma

média que é diferente das outras médias, é utilizado o ANOVA, considerando que elas sejam

independentes e distribuídas normalmente (MARIANO e MENESES, 2010).

2.3. Seleção de variáveis utilizando o método stepwise

Quando se tem uma grande quantidade de variáveis independentes, a primeira tarefa é

selecionar o método de estimação. O modelo stepwise localiza as melhores variáveis resposta,

baseando-se em sua capacidade de discriminação (NETO e MARTINS, 2011).

Segundo Rebelatto et al. (2014), as variáveis pela estimação stepwise são incorporadas

sequencialmente com sua capacidade de escolha da melhor variável discriminatória, onde

então, a variável inicial se junta com outras variáveis independentes, uma de cada vez para

obter o melhor resultado discriminatório, onde a função é escolhida. Após a escolha, avalia-se

o nível de significância por métodos estatísticos.

2.4. Geoprocessamento

O geoprocessamento pode ser aplicado em diversas áreas, como por exemplo, controle

de satélites, monitoramento e mapeamento de áreas, em construções civis, dentre outras.

Ainda deve se destacar que após o surgimento da cartografia, o geoprocessamento começou a

se destacar no desenvolvimento de pesquisas e estudos na área de climatologia, geologia e




6

meteorologia. (CASTANHO e CANDEIRO, 2013).

Geoprocessamento está relacionado ao conjunto de técnicas utilizadas para o

tratamento de informações geográficas ou georreferenciadas. O tratamento dessas

informações pode ser feito através de softwares específicos ou através de cálculos. (SILVA

[1], 2003).

3. Aplicação

Este estudo foi realizado no Centro de Desenvolvimento da Tecnologia Nuclear

(CDTN), na cidade de Belo Horizonte, capital de Minas Gerais, onde é uma instituição de

pesquisa da área nuclear, que tem vínculo ao Ministério da Ciência, Tecnologia e Inovação –

MCTI (CDTN, 2015).

O trabalho faz parte do projeto de “Caracterização do material particulado atmosférico

na Região Metropolitana de Belo Horizonte”, onde tem como meta gerar informações para

elaboração de projeto que impactam na melhoria da qualidade do ar. Os objetivos são a

determinação das concentrações do material particulado, caracterização das principais fontes e

avaliação da qualidade do ar nas áreas de estudo.

Foram selecionados para amostragem do projeto vários pontos espalhados na Região

Metropolitana de Belo Horizonte que são áreas próximas a grande fluxo veicular e a

indústrias de diversos ramos de atividade. A estratégia de selecionar os locais onde seriam

amostrados seguiam alguns critérios de proximidade as fontes de poluição e aglomeração de

pessoas, tivesse segurança para o equipamento e no estabelecimento permitisse a divulgação s

obre a qualidade do ar, onde após os resultados obtidos retornássemos ao local para

correlacionar com problemas de saúde.

O CDTN possui uma estação meteorológica localizada nas coordenadas longitude

UTM: 608065 e latitude UTM: 7802441 na zona 23K, para estudos de dispersão atmosférica e

qualidade do ar, onde são coletados alguns parâmetros como temperatura, velocidade e

direção do vento, umidade e pressão atmosférica (CDTN, 2015).

Para este estudo foram utilizadas 13 amostragens no período de 10/04/2014 à

21/11/2014, com um tempo de amostragem de 24 horas para cada filtro, na estação de




7

amostragem localizada nas coordenadas longitude UTM: 607746 e latitude UTM: 7802346 na

zona 23K a aproximadamente 330 metros da estação meteorológica, em frente à Rua

Professor Moacir Gomes de Freitas, localizada no interior do Campus da Universidade

Federal de Minas Gerais (UFMG).

O equipamento utilizado para obtenção do material particulado foi o amostrador de

grande volume com cabeça de separação por impactação inercial para determinação da

concentração de partículas de até 10 micrômetros (MP10) da marca Energética – Qualidade do

ar, com vazão de 1,13 m3/min e com um desvio abaixo de 1% em 24 horas (ENERGÈTICA,

2015).

O filtro utilizado foi o borossilicato sem aglutinantes, tipo patrão WHATMAN GF/A,

de modelo GFA8X10IN da marca Energética – Qualidade do ar, com dimensões de 203 x 254

mm, que é utilizado em amostradores de grande volume para monitoramento da qualidade do

ar para determinação da concentração de particulados, emissões em chaminés e aerossóis na

atmosfera (ENERGÉTICA, 2015).

Os filtros foram aquecidos em uma mufla da marca Quimis, modelo Q318M24, a uma

temperatura a 400 °C pelo período de 4 horas para eliminação de umidade e compostos

orgânicos.

A balança de precisão utilizada para pesagem dos filtros de ar foi da marca Sartorius,

modelo TE214S, com capacidade máxima de 210g e um desvio padrão igual a 0,1 mg (DWS,

2015).

Todos os equipamentos foram calibrados para a realização das amostragens.

Foram selecionadas variáveis não controláveis obtidas pela estação meteorológicas,

onde as medições são realizadas a cada 15 minutos. Em cada amostragem foram utilizados os

dados referentes aos horários de amostragem, e pela grande variação e grande frequência dos

dados, a moda se tornou mais representativa do que a média. As variáveis foram:

a) Umidade relativa;

b) Pressão Atmosférica;




8

c) Época do ano (representada em dias do ano);

d) Velocidade do vento;

e) Temperatura;

f) (Temperatura)2;

A variável temperatura possui distribuição polinomial, por isso foi necessária essa

aplicação no modelo de regressão.

3.1. Modelo de regressão linear

Foi ajustado o modelo de regressão múltipla, tendo como variável resposta a variação

do peso do filtro amostrado (peso do filtro final - peso do filtro inicial) e as variáveis

independentes (Umidade relativa, pressão atmosférica, época do ano, velocidade do vento,

temperatura e temperatura2). A intenção do ajuste desse modelo é identificar as variáveis que

mais influenciam na variação do peso do filtro amostrado. As variáveis utilizadas foram:

a) Y: Variação do peso do filtro amostrado (VAR);

b) X1: Umidade relativa (UMI);

c) X2: Pressão Atmosférica (PAT);

d) X3: Época do ano (EPA);

e) X4: Velocidade do vento (VEV);

f) X5: Temperatura (TP1);

g) X6: Temperatura2 (TP2);

O período de análise abrangeu 225 dias:

Tabela 1: Dados das amostras

VAR PAT

(mmhg)

UMI (%) EPA (dias) VEV (m/s) TP1 (°C) TP2 (°C)

0,0740 688,37 80,90 101 2,20 22,95 526,70

0,0144 689,21 74,20 136 0,66 16,83 283,25

0,0537 690,37 75,60 150 3,39 17,01 289,34

0,0569 690,33 68,29 177 2,16 19,86 394,42

0,1274 689,92 40,47 183 1,92 25,45 647,70




9

0,0591 691,45 73,40 191 2,41 22,62 511,66

0,0488 691,30 71,00 198 1,75 20,89 436,39

0,1260 690,67 25,53 217 0,53 27,65 764,52

0,1736 689,59 25,34 289 5,05 27,14 736,58

0,0806 690,08 63,18 290 5,05 20,24 409,66

0,0594 689,05 33,15 310 1,24 29,68 880,90

0,0508 690,00 70,70 311 2,33 24,28 589,52

0,0785 690,05 45,07 325 1,58 24,29 590,00

Fonte: Dados do pesquisador

O modelo inicial foi realizado da seguinte forma:

Y = β0 + X1 + X2 + X3 + X4 + X5 + X62 + ε. (3)

Utilizando o método Stepwise de seleção das variáveis, o melhor modelo para

identificação da variação foi:

Y = β0 + X1 + X3 + X4 + + X5 + X62 + ε. (4)

Considerando o modelo e realizando as análises, concluiu-se que o melhor ajuste é:

VAR = -0,2753 - 0,002146 UMI - 0,000277 EPA + 0,01431 VEV + 0,04384 TP1 -

0,000928 TP2 (5)

A tabela 2, que representa a análise de variância (ANOVA), apresenta o resultado de F

de significação < 0,05, onde foi rejeitado a não-significância dos parâmetros da equação a 5%,

onde demonstra que modelo de regressão foi significativo.




10

Tabela 2: Teste de análise de variância (ANOVA)

ANOVA

GL SOMA DOS

QUADRADOS

MÉDIA DOS

QUADRADOS

F F DE SIGNIFICAÇÃO

Regressão 5,00 0,02 0,0041404849 50,70 0,00239%

Resíduo 7,00 0,00 0,0000816633

Total 12,00 0,02


A estatística F testa os coeficientes para que todos sejam simultâneos, exceto a

constante que é igual a zero, para isso é necessário utilizar os dados de grau de liberdade

(GL), soma dos quadrados e média dos quadrados.

Tabela 3: Estatística de regressão

ESTATÍSTICA DE REGRESSÃO

R múltiplo 99%

R-Quadrado 97%

R-quadrado ajustado 95%

Erro padrão 0,009

Observações 13

Durbin-Watson Statistic 2,21025

COEFICIÊNTES ERRO

PADRÃO

STAT

T

VALOR

P

95%

INFERIORES

95%

SUPERIORES Intercpt -0,2753 0,0875 -

3,1462

1,62% -0,4822 -0,0684

UMI -0,0021 0,0003 -

8,5421

0,01% -0,0027 -0,0016

EPA

(dias)

-0,0003 0,0000 -

6,0437

0,05% -0,0004 -0,0002

VEV

(m/s)

0,0143 0,0021 6,8954 0,02% 0,0094 0,0192

TP1

(°C)

0,0438 0,0085 5,1761 0,13% 0,0238 0,0639

TP2

(°C)

-0,0009 0,0002 -

4,7922

0,20% -0,0014 -0,0005


O modelo de regressão apresenta um coeficiente de determinação R2 no valor de 0,95,

conclui-se que 95% da variação do peso do filtro é explicado pelas variáveis umidade, época

do ano, velocidade do vento e temperatura, e os outros 5% por variáveis desconhecidas. Não

há problemas de multicolinearidade, pois a estatística Durbin-Watson é próxima ao valor 2.




11

3.2. Fatores de transporte de poluentes

Uma breve avaliação dos fenômenos que influenciam no transporte de poluentes em

direção ao ponto de amostragem, ou seja, que influenciam na variação do peso do filtro é feito

por meio da direção e velocidade do vendo.

Na Figura 1 é demostrado a região onde o vento transporta o poluente em direção ao

equipamento de monitoramento da qualidade do ar, que internamente o filtro está inserido

para absorção desses poluentes.

Figura 1: Deslocamento de poluentes (média das amostras)

Fonte: Google Earth (2015)

Nota-se que na rosa dos ventos tem raias representando a velocidade e a direção do vento que

é proveniente da direção sudeste, onde parte dos poluentes provem do anel rodoviário,

caracterizando uma poluição veicular.

Na figura 2 é demostrado as fontes próximas do amostrador de poluição do ar.




12

Figura 2: Fontes próximas ao amostrador

Fonte: Google Earth (2015)

As fontes provenientes próximas ao amostrador são caracterizadas como poluição

veicular e poeiras do solo. Pela grande movimentação automotora dentro do Campus da

UFMG, a poluição é bem característica.

A figura 3 um filtro de ar amostrado.

Figura 3: Filtro amostrado




13

Fonte: Imagem do pesquisador

Nota-se que a poluição proveniente do ar possui uma coloração acinzentada,

decorrente as fontes emissoras, principalmente dos escapamentos dos veículos automotores

que liberam monóxido de carbono, dióxido de enxofre, material particulado e etc.

4. Conclusão

O modelo de regressão evidencia que as variáveis umidade, velocidade do vento,

época do ano e temperatura foram os que mais influenciaram na variação do peso do filtro de

ar, por serem variáveis não-controláveis, provenientes da natureza, é impossível o controle

das mesmas.

Como sugestão de continuação deste trabalho, seria a consideração da variação da

carga de emissão de efluentes veiculares na região de estudo. Isto pode ser realizado por meio

de um estudo do tráfego automotivo urbano da região para quantificar o fluxo veicular e outro

estudo sobre a determinação dos elementos químicos e compostos presentes nessa poluição.

5. Referências

Filtro em branco Poluição do ar (MP10)




14

CASTANHO, Roberto B.. CANDEIRO, Carlos Roberto A.. Ensaios Geográficos. Rio de

Janeiro: Letra Capital, 2013.

CASTRO, Hermano Albuquerque de. Jornal Brasileiro de Pneumologia. V.32, suplemento

2, p.S 19-S 134. Maio, 2006.

CDTN. Centro de Desenvolvimento da Tecnologia Nuclear. <www.cdtn.br> . Acesso em:

2015.

DWS. Data Weighing Systems. <http://www.dataweigh.com/products/sartorius/te-series-

analytical-balance/te-214s/>. Acesso em: 2015.

ENERGÉTICA. Energética – Qualidade do ar. <http://www.energetica.ind.br/>. Acesso

em: 20015.

HAIR, Joseph F. Jr.; BLACK, William C; BABIN, Barry J.; ANDERSON, Rolph E.;

TATHAM, Ronald L.. Análise Multivariada de Dados. 6. Ed. Porto Alegre, Bookman,

2009.

JÚNIOR, João Andrade de Carvalho. LACAVA, Pedro Teixeira. Emissões de processos de

combustão. São Paulo: Editora UNESP, 2003.

MARIANO, Fabrício. MENESES, Anderson. Noções de estatística para concursos: teoria,

questões resolvidas e mais de 230 questões com gabarito. Rio de janeiro: Elsevier, 2010.

MMA (Ministério do meio Ambiente) - <http://www.mma.gov.br>. Aceso em: Abril, 2015.

NETO, José Antônio de Souza. MARTINS, Henrique Cordeiro. Finanças e governança

corporativa. Rio de Janeiro: Elsevier, 2011.

PEDRINI, Danilo Cuzzuol. ANNA, Angelo Marcio Oliveira Sant. CATEN, Carla

Schwengber tem. Sistemática para aplicação do gráfico de controle de regressão múltipla

no monitoramento de processos. XXIX Encontro Nacional de Engenharia de Produção.

Salvador, 2009.

QUEIROZ, P. G. M., JACOMINO, V. M. F., MENEZES, M. Â. B. C. Composição

elementar do material particulado presente no aerossol atmosférico do município de

Sete Lagoas, Minas Gerais. Quim. Nova, v. 30, No. 5, 1233-1239, 2007.

RAGSDALE, Cliff T.. Modelagem e análise de decisão. São Paulo: Cengage Learning,

2009.

REBELATTO, Daisy Aparecida do Nascimento ... [et al]. Marketing para cursos de

engenharia. 1. Ed. Rio de Janeiro: Elsevier, 2014.

RUMSEY, Deborah. Estatística II para leigos. Rio de Janeiro: Alta Books, 2014.




15

RYAN, Thomas P. Estatística moderna para engenharia. Rio de Janeiro: Elsevier, 2011.

SALGADO, Paulo Eduardo de Toledo. Série Cadernos de Referência Ambiental, v. 14:

Informações gerais e ecotoxicológicas de material particulado. Salvador, 2002.

SILVA, Ademiro de Barros [1]. Sistema de Informações Geo-referenciadas: conceitos e

fundamentos. São Paulo: Editora da Unicamp, 2003.

SILVA, André Luiz Carvalhal da [2]. Introdução à análise de dados. Rio de Janeiro: E-

papers, 2011.

VIEIRA, Neise Ribeiro. Poluição do ar: indicadores ambientais. Rio de janeiro: E-papers,

2009.

Documents

AVALIAÇÃO A PARTIR DA ANÁLISE DE REGRESSÃO DA …abepro.org.br/biblioteca/TN_STO_214_266_27527.pdf · do ano e velocidade do tempo. Demais variáveis (geográficas, emissões,