Bruno Jatobá (2020)
Dissertação Versão Final Bruno Jatoba_ENVIAR.pdf
Documento PDF (5.3MB)
Documento PDF (5.3MB)
UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
CURSO DE PÓS GRADUAÇÃO EM METEOROLOGIA
BRUNO RAFAEL GUIMARÃES JATOBÁ
VARIABILIDADE DA COLUNA TOTAL DE GASES (SO2, NO2, CH4 E CO) SOBRE
REGIÕES METROPOLITANAS SUL-AMERICANAS
MACEIÓ - AL
2020
BRUNO RAFAEL GUIMARÃES JATOBÁ
VARIABILIDADE DA COLUNA TOTAL DE GASES (SO2, NO2, CH4 E CO) SOBRE
REGIÕES METROPOLITANAS SUL-AMERICANAS
Dissertação apresentada ao Instituto de
Ciências Atmosféricas – ICAT da
Universidade Federal de Alagoas como
requisito parcial para obtenção do Título
de Mestre em Meteorologia
Área de concentração: Geociências
Orientador: Dr. Glauber Lopes Mariano
MACEIÓ - AL
2020
Catalogação na fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecário: Marcelino de Carvalho Freitas Neto – CRB-4 - 1767
J39v
Jatobá, Bruno Rafael Guimarães.
Validade da coluna total de gases (SO2, NO2, CH4 e CO) sobre regiões metropolitanas
sul-americanas / Bruno Rafael Guimarães Jatobá. – 2021.
95 f. : il.
Orientador: Glauber Lopes Mariano.
Dissertação (mestrado em Meteorologia) – Universidade Federal de Alagoas. Instituto
de Ciências Atmosféricas. Maceió, 2020.
Bibliografia: f. 87-95.
1. Sensoriamento remoto. 2. Regressão quantílica. 3. Mann Kendall. I. Título.
CDU: 551.508.95 (8)
Dedico a Deus, minha família e amigos
AGRADECIMENTOS
A Deus, por ter me sustentado ao longo dessa jornada, pelas bençãos e seu favor na minha vida.
A ti rendo louvores e gratidão por ter finalizado mais essa etapa da minha vida.
Ao meu orientador Prof. Dr. Glauber Lopes Mariano pela confiança e persistência do início ao
fim do mestrado bem como o compartilhamento de conhecimento ao longo da orientação.
À banca (Prof. Dra Ericka Voss Chagas Mariano, Prof. Dr. Heliofabio Barros Gomes e Prof. Dr.
Marcelo Felix Alonso) que aceitou o desafio de avaliar o presente trabalho.
Ao corpo docente da Pós Graduação e coordenação do ICAT.
Aos colegas de turma (Alexsandra, Clovis Isac, Dagmer, Rodrigo e Sherlly) pelo
companheirismo e amizade.
Aos amigos que tive o prazer de conhecer e compartilhar bons momentos desde a graduação
até a presente data: Dhiogo Santiago, Jose Marcelo e Rodrigo Lins
Aos colegas pesquisadores do laboratório: Isabele, Diogo, Paulo Antunes
À CAPES (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior) pela concessão de
bolsa de pesquisa durante o período vigente do mestrado (2018-2020).
Aos meus pais (Gracielle e Marcio), irmãs (Ester, Isis e Lais) e toda minha parentela por terem
compreendido os momentos de ausência por vários momentos.
“Todo ser que respira louve o SENHOR. Aleluia!”
(BIBLIA, Salmos 150, 6)
RESUMO
A poluição atmosférica é uma problemática encarada diariamente em regiões onde há uma
intensificação das emissões de poluentes e diretamente está relacionada com a redução da
qualidade de vida humana, pelo aumento de casos de doenças respiratórias. Dentre as fontes
dos principais gases emitidos, as de origem antropogênica são as que mais impactam em áreas
metropolitanas através das atividades industriais e tráfego de veículos, onde se destacam os
dióxidos de enxofre (SO2) e nitrogênio (NO2), metano (CH4) e monóxido de carbono (CO). As
regiões metropolitanas do presente estudo possuem características distintas (topografia,
vegetação e clima) e os problemas da poluição são atribuídos às concentrações antropogênicas
próximo a Camada Limite Planetária bem como em algumas regiões está inserida em
localidades próximo a cadeias montanhosas (Regiões Metropolitanas de La Paz e SantiagoRMLP e RMS, respectivamente). O objetivo principal do presente trabalho é realizar análise
das concentrações mensais da coluna total de poluentes sob cinco regiões metropolitanas sulamericanas através de sensores acoplados a satélites. A metodologia consiste na utilização dos
métodos de análise interquartílica, que investigará as tendências mensais em três quantis, e
Mann Kendall, para as tendências anuais e mensais, ao longo de 2005 a 2019. Os dados
utilizados deste estudo foram obtidos diretamente dos sensores AIRS e OMI com diferentes
resoluções espacial e temporal (CH4 e CO – 1°x1° e 12h, NO2 – 0,25°x0,25° e diária, SO2 –
0,125°x0,125° e diária). Os resultados mostraram que para a análise interquartílica houve uma
maior quantidade de tendências (negativas e positivas) sob valores máximos (Q90) e mínimos
(Q10) nas concentrações mensais de CH4, CO e SO2, por fim no NO2 foi detectada sazonalidade
de crescimento (março a junho) e diminuição (julho a fevereiro) nas Regiões Metropolitanas de
Buenos Aires, Santiago e São Paulo-RMBA, RMS e RMSP, respectivamente. Para o teste de
Mann Kendall, os resultados indicaram que ocorreu redução das concentrações dos quatro
poluentes nas cinco regiões metropolitanas (anuais e mensais) e o aumento de tendências de
crescimento, em 90% dos dados, algumas regiões podem ser atribuídas podem ser influenciadas
por uma presença de tendências negativas sob os valores extremos.
Palavras-chave: Sensores, Regressão Quantílica, Mann Kendall
ABSTRACT
Air pollution is a problem faced daily in regions where there is an intensification of pollutant
emissions and is directly related to the reduction in the quality of human life, due to the increase
in cases of respiratory diseases. Among the sources of the main gases emitted, those of
anthropogenic origin are those that most impact in metropolitan areas through industrial
activities and vehicle traffic where sulfur dioxide (SO2) and nitrogen (NO2), methane (CH4) and
monoxide are highlighted. carbon (CO). The metropolitan regions of the present study have
different characteristics (topography, vegetation and climate) and the pollution problems are
attributed to anthropogenic concentrations close to the Planetary Boundary Layer as well as in
some regions it is inserted in locations close to mountain ranges (RMLP and RMS). The main
objective of this work is to carry out analysis of the monthly concentrations of the total pollutant
column under five metropolitan South American regions through sensors coupled to satellites.
The methodology consists in the use of interquantial analysis methods, which will investigate
monthly trends in three quantiles, and Mann Kendall, for annual and monthly trends, from 2005
to 2019. The data used in this study were obtained directly from AIRS sensors and OMI with
different spatial and temporal resolutions (CH4 and CO - 1 ° x1 ° and 12h, NO2 - 0.25 °x0.25 °
and daily, SO2 - 0.125 ° x0.125 and daily). The results showed that for the interquartile analysis
there was a greater amount of trends (negative and positive) under maximum (Q90) and
minimum (Q10) values in the monthly concentrations of CH4, CO and SO2, finally in NO2
growth seasonality was detected (March to June) and decrease (July to February) in RMBA,
RMS and RMSP. For the Mann Kendall test, the results indicated that there was a reduction in
the concentrations of the four pollutants in the five metropolitan regions (annual and monthly)
and an increase in growth trends, in 90% of the data, some regions can be attributed can be
influenced by a presence of negative trends under extreme values.
Keywords: Sensors, Quantile Regression, Mann-Kendall
LISTA DE ILUSTRAÇÕES
Figura 1 - Espectro das absorções de vários gases na atmosfera. Fonte: Adaptado de NUNES
(2017). ...................................................................................................................................... 21
Figura 2 - Principais fontes e sumidouros de compostos de enxofre (em Tg/ano). Fonte:
Adaptado de WALLACE e HOBBS (2005)............................................................................. 26
Figura 3 - Principais fontes e sumidouros de compostos de nitrogênio na atmosfera (valores
em Tg/ano). Fonte: Adaptado de WALLACE e HOBBS (2005) ............................................. 29
Figura 4 - Fontes e sumidouros de carbono (valores em 109 T/ano). Fonte: Adaptado de LE
QUÉRÉ et al. (2018) ................................................................................................................ 34
Figura 5 – Localização da área de estudo. ................................................................................ 38
Figura 6 - Área de estudo: América do Sul (a), Argentina (b) e RMBA (c) ............................ 41
Figura 7 - Sistemas sinóticos associados com a precipitação em Buenos Aires. Fonte:
Adaptado de REBOITA et al. (2015). ...................................................................................... 42
Figura 8 - Área de estudo: América do Sul (a), Bolívia (b) e RMLP (c). ................................ 43
Figura 9 - Poluição na RMLP. Fonte: Adaptado de CONSTATINE (2014) ............................ 45
Figura 10 - Área de estudo: América do Sul (a), Rio Grande do Sul (b) e RMPA (c). ............ 46
Figura 11 - Área de estudo: América do Sul (a), Chile (b) e RMS (c). .................................... 47
Figura 12 - Poluição na RMS. Fonte: Adaptado de REUTERS (2020) ................................... 48
Figura 13 - Topografia da RMS. Fonte: Adaptado de JATOBÁ et al. (2015) ......................... 48
Figura 14 - Área de estudo: América do Sul (a), Estado de São Paulo (b) e RMSP (c)........... 50
Figura 15 - Boxplot de dados mensais de SO2 sobre as cinco regiões metropolitanas da
América do Sul e tendência dos quantis superiores e médio. Tendências estatisticamente
significantes são destacadas com asterisco. .............................................................................. 58
Figura 16 - Boxplot de dados mensais de NO2 sobre as cinco regiões metropolitanas da
América do Sul e tendência dos quantis superiores e médio. Tendências estatisticamente
significantes são destacadas com asterisco. .............................................................................. 59
Figura 17 - Boxplot de dados mensais de CH4 sobre as cinco regiões metropolitanas da
América do Sul e tendência dos quantis superiores e médio. Tendências estatisticamente
significantes são destacadas com asterisco ............................................................................... 60
Figura 18 - Boxplot de dados mensais de CO sobre as cinco regiões metropolitanas da América
do Sul e tendência dos quantis superiores e médio. Tendências estatisticamente significantes
são destacadas com asterisco. ................................................................................................... 61
Figura 19 - Concentrações médias anuais de SO2 para as cinco regiões metropolitanas da AS.
Linha azul pontilhada descreve a tendência linear ................................................................... 65
Figura 20 - Gráficos das concentrações anuais de NO2 para as cinco regiões metropolitanas da
AS. Linha azul pontilhada descreve a tendência linear ............................................................ 66
Figura 21 – Gráficos das concentrações anuais de CH4 para as cinco regiões metropolitanas
da AS. Linha azul pontilhada descreve a tendência linear ....................................................... 67
Figura 22 - Concentrações anuais de CO para as cinco regiões metropolitanas da AS. .......... 68
Figura 23 - Valores de percentil 90 da concentração médias anuais de SO2 para as cinco regiões
metropolitanas sul-americanas. Linha de tendência em pontilhado. ........................................ 72
Figura 24 - Valores de percentil 90 da concentração anuais de NO2 para as cinco regiões
metropolitanas sul-americanas. Linha de tendência em pontilhado. ........................................ 73
Figura 25 - Valores de percentil 90 da concentração anuais de CH4 para as cinco regiões
metropolitanas sul-americanas. Linha de tendência em pontilhado. ........................................ 74
Figura 26 - Valores de percentil 90 da concentração anuais de CO para as cinco regiões
metropolitanas sul-americanas. Linha de tendência em pontilhado. ........................................ 75
LISTA DE TABELAS
Tabela 1 - Composição média da atmosfera (desconsiderando a presença do vapor d’agua em
um ambiente não poluído). Fonte: Adaptado de GUIMARÃES (2016) .................................. 19
Tabela 2 - Padrões nacionais de qualidade do ar. Fonte: Adaptado de CONAMA (2018). ..... 22
Tabela 3 - Níveis de atenção, alerta e emergência para poluentes e concentrações. Adaptado
de CONAMA (2018) ................................................................................................................ 23
Tabela 4- Liberação e consumo anual médio de CH4 (Tg=109 g). Fonte: Adaptado de BARRY
e CHORLEY (2013) ................................................................................................................ 31
Tabela 5 - Classificação climática de Köppen-Geiger para Regiões Metropolitanas Sulamericanas. Fonte: Adaptado de KOTTEK et al. (2006) ......................................................... 39
Tabela 6 - Regiões Metropolitanas da América do Sul. Valores em negrito são as regiões que
foram utilizadas neste estudo. Fonte: Adaptado de NATIONS (2018) .................................... 40
Tabela 7 - Média anual de concentrações de PM10 para cidades latino-americanas e caribenhas.
Fonte: Adaptado de RODRÍGUEZ et al. (2016) ...................................................................... 44
Tabela 8 - Média anual de concentrações de PM2,5 para cidades dos continentes americanos.
Fonte: Adaptado de MEAD (2017) .......................................................................................... 44
Tabela 9 - As 10 maiores cidades no mundo. Fonte: Adaptado de NATIONS (2018) ............ 50
Tabela 10 - Fontes dos dados utilizados ................................................................................... 54
Tabela 11 - Informações sobre os sensores e gases analisados ................................................ 54
Tabela 12 - Maiores tendências (negativas/positivas), conforme o quantil, nas cinco regiões
metropolitanas para o SO2. Em parênteses, o mês que as respectivas tendências ocorreram. . 62
Tabela 13 - Maiores tendências (negativas/positivas), conforme o quantil, nas cinco regiões
metropolitanas para o NO2. Em parênteses, o mês que as respectivas tendências ocorreram.. 63
Tabela 14 - Maiores tendências (negativas/positivas), conforme o quantil, nas cinco regiões
metropolitanas para o CH4. Em parênteses, o mês que as respectivas tendências ocorreram. . 63
Tabela 15 - Maiores tendências (negativas/positivas), conforme o quantil, nas cinco regiões
metropolitanas para o CO. Em parênteses, o mês que as respectivas tendências ocorreram. .. 63
Tabela 16 - Tendências mensais de SO2 para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência
(sem asterisco) e maiores em negrito para cada região. ........................................................... 69
Tabela 17 - Tendências mensais de NO2 para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência
(sem asterisco) e maiores em negrito para cada região. ........................................................... 69
Tabela 18 - Tendências mensais de CH4 para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência
(sem asterisco) e maiores em negrito para cada região. ........................................................... 70
Tabela 19 - Tendências mensais de CO para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), ausência de
tendência (sem asterisco) e maiores em negrito para cada região. ........................................... 71
Tabela 20 - Valores do percentil 90% (p90) e quantidade de extremos para SO2 e NO2 nas
regiões analisadas no período de 2005 a 2019. Maiores valores em negrito............................ 76
Tabela 21 - Valores do percentil 90 (p90) e quantidade de extremos para CH4 e CO nas regiões
analisadas no período de 2005 a 2019. Maiores valores em negrito. ....................................... 76
Tabela 22 - Valores extremos para o SO2 e NO2, ambos em molec/cm2. Maiores valores em
negrito ....................................................................................................................................... 77
Tabela 23 - Valores extremos para o CH4 e CO, ambos em ppb. Maiores valores em negrito 77
Tabela 24 - Valores de percentil 90 da concentração mensais de SO2 e NO2 para as cinco
regiões metropolitanas sul-americanas entre 2005 a 2019. Maiores valores em negrito. ........ 78
Tabela 25 – Valores de percentil 90 da concentração mensais de CH4 e CO para as cinco
regiões metropolitanas sul-americanas entre 2005 a 2019. Maiores valores em negrito ......... 80
Tabela 26 – Tendências mensais do p90 de SO2 para as cinco regiões metropolitanas sulamericanas. Tendências sem significância estatística (*), tendências significativas (**), sem
tendência (sem asterisco) e maiores em negrito para cada região. ........................................... 80
Tabela 27 – Tendências mensais do p90 de NO2 para as cinco regiões metropolitanas sulamericanas. Tendências sem significância estatística (*), tendências significativas (**), sem
tendência (sem asterisco) e maiores em negrito para cada região. ........................................... 81
Tabela 28 – Tendências mensais do p90 de CH4 para as cinco regiões metropolitanas sulamericanas. Tendências sem significância estatística (*), tendências significativas (**), sem
tendência (sem asterisco) e maiores em negrito para cada região. ........................................... 82
Tabela 29 – Tendências mensais do p90 de CO para as cinco regiões metropolitanas sulamericanas. Tendências sem significância estatística (*), tendências significativas (**), sem
tendência (sem asterisco) e maiores em negrito para cada região. ........................................... 82
LISTA DE ABREVIAÇÕES E SIGLAS
AIRS - Atmospheric Infra-Red Sounder
ASPS - Anticiclone Subtropical do Pacífico Sul
AS – América do Sul
CLP - Camada Limite Planetária
CH4 - Metano
CO – Monóxido de Carbono
CO2 - Dióxido de Carbono
COP21 - Conferência das Partes (Paris – França)
COP25 - Conferência das Partes (Madrid -Espanha)
CCM - Complexos Convectivos de Mesoescala
COV - Compostos Orgânicos Voláteis
CETESB – Companhia de Tecnologia de Saneamento Ambiental
ENVISAT - ENVIronmental SATellite
EPA - Environmental Pollution Agency
EUA – Estados Unidos da América
GOME - Global Ozone Monitoring Experiment
GrADS - Grid Analysis and Display System
GEE – Gases de Efeito Estufa
GOSAT - Greenhouse Gases Observing SATellite hv hv - Radiação solar
H20 – Água
HCHO – Formaldeído
HDF-EOS5 - Hierarchical Data Format - Earth Observing System Version 5
HNO3 - Ácido Nítrico
HPA - Hidrocarbonetos Policíclicos Aromáticos
HSO3 – Sulfato de hidrogênio
H2SO4 – Ácido sulfúrico
IPCC – International Panel of Climate Changes
MAPS - Measurements of Atmospheric Pollution from Space
MOPPIT - Measurements of Pollution in the Troposphere
NASA - National Aeronautics and Spatial Administration
NCAR – National Center for Atmospheric Research
NCL – NCAR Command Language
NCDC - National Centers for Environmental Information
NetCDF - Network Common Data Form
NH3 – Amônia
NO – Oxido de Nitrogênio
NOx – Óxidos de Nitrogênio
NO2 – Dióxido de Nitrogênio
NOAA - National Oceanography and Atmospheric Administration
OH - Radical hidroxila
OMI - Ozone Monitoring Instrument
OMM - Organização Mundial da Meteorologia
O2 – Oxigênio
O3 – Ozônio
PAN - Nitratos de peroxiacil
PM - Materiais Particulados
PM2,5 – Material particulado fino PM10 – Material particulado grosso
ppb – Parte por bilhão
ppm – Parte por milhão
RMBA – Região Metropolitana de Buenos Aires
RMLP – Região Metropolitana de La Paz
RMPA – Região Metropolitana de Porto Alegre
RMS - Região Metropolitana de Santiago
RMSP - Região Metropolitana de São Paulo
SCIAMACHY - SCanning Imaging Absorption SpectroMeter for Atmospheric
CHartographY
SO2 - Dióxido de Enxofre
SO3 – Trióxido de Enxofre
VCAN - Vórtices Ciclônicos de Altos Níveis
ZCAS – Zona de Convergência do Atlântico Sul
SUMÁRIO
1. INTRODUÇÃO .................................................................................................................. 16
1.1 Objetivos ........................................................................................................................... 18
1.1.1 Geral ............................................................................................................................. 18
1.1.2 Específicos ................................................................................................................... 18
2. REVISÃO BIBLIOGRAFICA .......................................................................................... 19
2.1 Atmosfera .......................................................................................................................... 19
2.2 Poluição atmosférica ........................................................................................................ 21
2.2.1 Poluição urbana ............................................................................................................ 21
2.2.2 Principais poluentes atmosféricos ................................................................................ 25
2.2.2.1 Dióxido de Enxofre (SO2) ................................................................................ 25
2.2.2.2 Dióxido de Nitrogênio (NO2) ........................................................................... 28
2.2.2.3 Metano (CH4).................................................................................................... 30
2.2.2.4 Monóxido de Carbono (CO) ............................................................................. 33
2.3 Sensores acoplados a satélites.......................................................................................... 36
2.3.1 AIRS ............................................................................................................................. 36
3.3.2 OMI .............................................................................................................................. 36
3. METODOLOGIA .............................................................................................................. 38
3.1 Área de estudo .................................................................................................................. 38
3.1.1 América do Sul ............................................................................................................. 38
3.1.3. Região Metropolitana de La Paz (RMLP)................................................................... 42
3.1.4. Região Metropolitana de Porto Alegre (RMPA)......................................................... 45
3.1.5. Região Metropolitana de Santiago (RMS) ................................................................. 47
3.1.6. Região Metropolitana de São Paulo (RMSP) .............................................................. 49
3.2 Regressão Quantílica (RQ) .............................................................................................. 51
3.3 Mann Kendall ................................................................................................................... 52
3.3.1 Percentil, tau-kendall e p-valor .................................................................................... 53
3.4 Dados utilizados ................................................................................................................ 54
4. RESULTADOS E DISCUSSÕES ..................................................................................... 57
4.1 Análise Interquantílica .................................................................................................... 57
4.1.1 Análise dos boxplots .................................................................................................... 57
4.1.2 Tendências das concentrações ...................................................................................... 62
4.2 Mann Kendall ................................................................................................................... 64
4.2.1 Concentrações anuais ................................................................................................... 64
4.2.2 Tendências mensais ...................................................................................................... 68
4.2.3 Percentil 90 (p90) ......................................................................................................... 71
5. CONCLUSÕES .................................................................................................................. 83
6. REFERÊNCIAS BIBLIOGRAFICAS ............................................................................. 85
16
1. INTRODUÇÃO
A América do Sul (AS) é caracterizada de forma heterogênea (vegetação, topografia e
clima) o que favorece a atuação de vários sistemas meteorológicos sinóticos com a formação
de diferentes regimes de precipitação (REBOITA et al., 2015). Os regimes climáticos da AS,
conforme Köppen e Geiger, são classificados em três tipos: a) Equatorial com os regimes de
precipitação (úmido, verão seco e inverno seco), b) Árido com precipitações (estepe e
desértico) e temperatura (árido frio), c) Temperado quente com as precipitações (úmido) e
temperatura (verão quente e quente amenos) (KOTTEK et al., 2006).
A alteração da composição na atmosfera causa impacto sob a saúde humana, devido a
prolongação de dias com valores extremos de poluentes nas regiões metropolitanas e ao
aumento de focos de queimadas (FREITAS et.al, 2009). A intensificação da emissão de
poluentes afeta diretamente a qualidade de vida da população e motiva desenvolvimento de
metodologias que visem o controle dos índices de qualidade do ar e o combate à exposições
prolongadas (MELO LISBOA, 2007a). Os principais centros metropolitanos sul-americanos
registraram altas taxas de emissões de poluentes e causam problemas adversos à saúde
(RODRÍGUEZ et al., 2016; MEAD, 2017).
Diante desse contexto, a análise de diferentes gases para estudos de poluição urbana é
fundamental na investigação das emissões antropogênicas (indústrias e veículos) e suas
consequências. Possibilita também conhecer as peculiaridades de cada poluente em relação à
capacidade da formação de gases secundários, aos níveis críticos, à correlação direta com o
aumento de problemas cardiorrespiratórios e à redução da visibilidade quando em altas
concentrações (WALLACE e HOBBS, 2005; LEE et al., 2011; NUNES et.al, 2015;
GUIMARÃES, 2016)
Os principais poluentes nos ambientes urbanos são emitidos naturalmente, através da
queima de biomassa (incêndios florestais) e de atividades biológicas (mangues), e de forma
antropogênica por indústrias e automóveis (GUIMARÃES, 2016). Dentre os principais
poluentes primários antropogênicos que afetam diretamente os ambientes urbanos destacam-se
os dióxidos de enxofre (SO2) e de nitrogênio (NO2), metano (CH4) e monóxido de carbono
(CO), tendo em vista que são emitidos através das atividades industriais e combustão veicular.
17
O SO2 é o principal óxido de enxofre e é emitido de forma antropogênica (emissões
industriais) e natural (atividades vulcânicas) (GEORGOULIAS et al., 2009) sendo altamente
adverso a saúde devido aos efeitos relacionados à problemas cardiovasculares e respiratórios
(CHEN et al., 2007). A formação do ozônio próximo à superfície causa efeitos adversos a saúde
humana e está relacionada com intensidade da radiação solar em conjunto com a quantidade da
concentração do dióxido de nitrogênio (NO2) e os Compostos Orgânicos Voláteis (COV) (HAN
et al., 2011). O NO2 é um dos principais poluentes emitidos sob os centros urbanos, tendo como
fonte principal as emissões veiculares (LAMSAL et al., 2013) e a exposição à altas taxas
influencia na ocorrência de falecimentos por problemas cardiovasculares (CHEN et al., 2007).
O CH4 está presente na atmosfera pelas emissões de forma antropogênica (queima de biomassa
e lixões/aterros sanitários) e de forma natural (plantações de arroz e em pântanos e mangues)
(BARRY e CHORLEY, 2013). O CO é um importante óxido de carbono, emitido através do
processo de combustão incompleta e pela reação química com o CH4 (HEALD et al., 2004)
com os problemas causados pela intensificação das emissões dessa espécie química impactando
a saúde (problemas cardiovasculares) (CHEN et al., 2007).
O rápido crescimento econômico, associado às atividades industriais e o processo de
urbanização tem como consequência a deterioração da qualidade do ar, causada pela
intensificação das emissões veiculares nos grandes centros urbanos sul-americanos com
população superior a 10 milhões de habitantes (KLUMPP et al., 2002; AKIMOTO, 2003).
Diversos centros urbanos carecem de maiores informações de qualidade do ar através de
monitoramento in situ sendo o sensoriamento remoto uma ferramenta utilizada para tentar sanar
esses problemas.
Os sensores acoplados à satélites são ferramentas de sensoriamento remoto com grande
aplicação na área de poluição atmosférica, pela utilidade na mensuração da concentração de
poluentes sob grandes áreas. Possibilita realizar estudos para adquirir dados em regiões com
ausência de uma rede de monitoramento (DUNCAN et al., 2016), além de complementar as
demais formas de obtenção de dados (modelos computacionais e instrumentos específicos)
(ZHAO e WANG, 2009).
A utilização de métodos estatísticos possibilita compreender as características das
séries de dados e diagnosticar a variabilidade e as tendências de crescimento e de diminuição
em diferentes regiões de estudo.
18
1.1 Objetivos
1.1.1 Geral
Analisar as concentrações mensais da coluna total de poluentes sob regiões
metropolitanas da América do Sul através de sensores acoplados a satélites
1.1.2 Específicos
•
VERIFICAR a variabilidade das concentrações de SO2, NO2, CH4 e CO
•
ANALISAR a variabilidade das tendências mensais nas regiões metropolitanas
analisadas em três quantis (Q90, Q50 e Q10)
•
IDENTIFICAR os meses com maiores tendências negativas e positivas nas cinco
regiões metropolitanas (Buenos Aires, La Paz, Porto Alegre, Santiago e São Paulo)
•
COMPARAR as tendências obtidas através de dois métodos estatísticos (Análise
Interquantílica e Mann Kendall)
19
2. REVISÃO BIBLIOGRAFICA
2.1 Atmosfera
A atmosfera é um fluido composto por diferentes gases, que se mantém constante até
70 km de altura. Na troposfera, camada mais próxima à superfície terrestre, 99,9% do volume
total da atmosfera é composto por nitrogênio e oxigênio (Tabela 1), devido ao longo tempo de
residência (milhares de anos), enquanto outros gases que são variáveis correspondem a 0,01%
e possui um menor tempo de vida na atmosfera (horas a centenas de anos) (WALLACE e
HOBBS, 2005).
Tabela 1 - Composição média da atmosfera (desconsiderando a presença do vapor d’agua em
um ambiente não poluído). Fonte: Adaptado de GUIMARÃES (2016)
Gás
Símbolo Concentração (ppm)
%
Nitrogênio
N2
7,80900 x 105
78,09
Oxigênio
O2
2,09400 x 105
20,94
Argônio
Ar
9,3 x 103
0,93
Dióxido de Carbono
CO2
365
0,04
Neônio
Ne
18,2
Hélio
He
5,2
Metano
CH4
2
Criptônio
Kr
1,2
Hidrogênio
H2O
0,5
Oxido Nitroso
N2O
0,5
Monóxido de Carbono
CO
0,1
Ozônio
O3
0,02
Dióxido de Enxofre
SO2
0,001
Dióxido de Nitrogênio
NO2
0,001
Os gases que constituem a atmosfera são classificados de acordo com a fonte de
emissão. Os de origem natural são emitidos principalmente através das atividades biológicas
20
(microrganismos), processo de digestão (gado), processo de polinização (vegetação), atividades
vulcânicas, raios, suspensão de partículas (solo) e sais marinhos (oceanos), enquanto os
antropogênicos são atribuídos ao consumo de combustíveis fosseis (veículos) e atividades em
indústrias (MELO LISBOA, 2007b).
As emissões industriais e veiculares são as fontes antropogênicas que usualmente mais
causam alterações na composição química da atmosfera, pela modificação do percentual padrão
dos gases, além de reagir com os gases já presentes. O aumento da formação de gases
secundários (ex.: ozônio - O3 e ácido sulfúrico - H2SO4) é resultado da intensificação dos
processos industriais e do tráfego urbano sob grandes metrópoles globais e agravado pelas
características topográficas (montanhas) e localização (áreas acima do nível médio do mar e
declives) (SHARMA et.al, 2009).
O efeito estufa é um processo atmosférico natural fundamentado pela interação de
determinados gases que absorvem a radiação nas bandas do espectro infravermelho,
principalmente dentro da janela atmosférica (8,5 a 13 µm), e são responsáveis pela regulação
do aquecimento da atmosfera (HARTMANN, 1994). Detalhes da relação entre as bandas de
radiação absorvidas pelos gases de efeito estufa pode ser visualizada na Figura 1. Destaca-se
que o O3 acima de 30 km (estratosfera) e abaixo de 25 km (troposfera) absorvem,
respectivamente, radiação de onda curta e longa causando redução e aumento da temperatura
em superfície.
21
Figura 1 - Espectro das absorções de vários gases na atmosfera. Fonte: Adaptado de NUNES
(2017).
A presença do vapor d’agua (H2O) varia conforme a condição do ar (0% para ar seco e
entre 0 a 4% para ar úmido), a localização (4% para latitudes tropicais e de alguns décimos em
polos e desertos) e a altitude (MELO LISBOA, 2007c). O vapor d'água tem um papel
fundamental na composição da atmosfera por ser o principal responsável pelo efeito estufa
natural e corresponde a 1% da composição total na atmosfera. Possui alta variabilidade espaçotemporal e é um elemento importante no ciclo hidrológico planetário, absorvendo a radiação
solar nos espectros compreendidos entre 2,4-3,1 µm, 4,5-6,5 µm e maior do que 16 µm (BARRY
e CHORLEY, 2013).
2.2 Poluição atmosférica
2.2.1 Poluição urbana
A poluição urbana é um grave problema ambiental enfrentado mundialmente nas
grandes metrópoles urbanas, devido à intensificação das atividades industriais e das emissões
veiculares, e representa um grande risco à saúde humana (KUMAR et al., 2004). O aumento
anual do número de veículos é um dos principais fatores para o crescimento dos problemas
22
causados pela concentração de poluentes próxima a superfície pela superação constante dos
limites estabelecidos pelos órgãos de meio ambiente (Tabela 2).
O aumento das emissões de poluentes atmosféricos afeta diretamente a qualidade de
vida da população, pelo crescimento anual dos casos de doenças respiratórias, motivando
diversos órgãos ambientais a desenvolverem metodologias que visam o controle dos valores
extremos através da observação dos índices de qualidade do ar para cada espécie química e o
combate à exposição prolongada (MELO LISBOA, 2007c).
A atualização dos padrões nacionais de qualidade do ar e dos níveis de valores extremos
(atenção, alerta, emergência) ocorreram após 28 anos da Resolução CONAMA n° 03 de
28/06/1990 com a publicação da n° 491 de 19/11/2018 que houve aumento dos índices e das
situações críticas (Tabela 3) de poluição (da ordem de µg/m3 para mg/m3) sendo agora listados
na forma de Padrões de Qualidade do Ar Intermediários – P1 (anteriormente classificados na
forma de padrões primário e secundário) e Final – PF, definido os apontados pela Organização
Mundial de Saúde (OMS) (Tabela 2) (INEA, 2016; CONAMA, 2018).
Tabela 2 - Padrões nacionais de qualidade do ar. Fonte: Adaptado de CONAMA (2018).
Poluente Atmosférico
Período PI-1
PI-2
PI-3
PF
mg/m3 mg/m3 mg/m3 mg/m3 ppm
Material Particulado - PM10
24 h
120
100
75
50
-
Anual1*
40
35
30
20
-
24 h
60
50
37
25
-
Anual1*
20
17
15
10
-
24 h
125
50
30
20
-
Anual
40
30
20
-
-
1 h2*
260
240
220
200
-
Anual1*
60
50
45
40
-
Ozônio - O3
8 h3*
140
130
120
100
-
Fumaça
24 h
120
100
75
50
-
Anual1*
40
35
30
20
-
8 h3*
-
-
-
-
9
Material Particulado - PM2,5
Dióxido de Enxofre - SO2
Dióxido de Nitrogênio - NO2
Monóxido de Carbono - CO
23
Partículas Totais em
24 h
-
-
-
240
Anual4*
-
-
-
80
Anual5*
-
-
-
0,5
Suspensão - PTS
Chumbo - Pb
PI – Padrões de qualidade do ar intermediários e PF – Padrão de qualidade do ar final.1* - Média
aritmética anual, 2* – Média horaria, 3* – Máxima média móvel obtida no dia, 4* - Média geométrica
anual, 5* – Medido nas partículas torais em suspensão
Tabela 3 - Níveis de atenção, alerta e emergência para poluentes e concentrações. Adaptado de
CONAMA (2018)
Nível
Poluentes e concentrações
Material Particulado
PM10
CO
O3
NO2
SO2
PM2,5
mg/m3 (24h)
ppm (8h) mg/m3 (24h)
mg/m3 (24h)
mg/m3 (24h)
Atenção
800
250
125
15
200
1.130
Alerta
1.600
420
210
30
400
2.260
Emergência
2.100
500
250
40
600
3.000
Os poluentes mais estudados, do ponto de vista da sua influência no ambiente urbano e
diretamente emitidos para a atmosfera, são os Óxidos de Nitrogênio (NOx = NO + NO2),
Dióxido de Enxofre (SO2), Monóxido de Carbono (CO), Dióxido de carbono (CO2), Metano
(CH4), Compostos Orgânicos Voláteis (COV), Hidrocarbonetos Policíclicos Aromáticos (HPA)
e Materiais Particulados (PM) que sofrem ação pela dispersão e interagem com os elementos
meteorológicos (precipitação e radiação solar) os quais reagem formando gases secundários
como o ozônio (O3), ácido sulfúrico (H2SO4) e nitratos de peroxiacil (PAN) (GUIMARÃES,
2016).
Diversos encontros e conferências sobre meio ambiente, reunindo representantes
governamentais e cientistas, ocorreram nos últimos anos para elaborar e revisar metas a serem
atingidas para redução dos níveis extremos dos poluentes emitidos sobre os centros urbanos.
Pode-se destacar, dentre diversas conferências, o Acordo de Paris - França (COP21), realizado
em 2015, o qual mostrou a necessidade da elaboração de um acordo que vise reduzir as emissões
de Gases de Efeito Estufa (GEE) pelos países desenvolvidos e em desenvolvimento
24
(RAJAMANI, 2016). Na COP 24 (Katowice – Polônia), realizada três anos após a conferencia
anterior, reafirmaram a necessidade de limitar para um aumento da temperatura inferior a 2°C
contando com a ratificação de um acordo por 185 membros da UNFCC (United Nations
Framework Convention on Climate Changes) e firmaram compromisso conjunto para redução
das emissões dos GEE, com a elaboração de relatório até o ano de 2024 de forma que contribua
para a minimização do impacto do aquecimento global (ANDRADE, 2018; COZIER, 2019).
No ano de 2019, ao final da COP 25 (Madri – Espanha) os representantes de 200 países
desejavam expor compromissos mais ousados para a redução dos GEE mas não chegaram a um
consenso, perante os anseios de cientistas e ativistas ambientais; o fracasso dessa reunião se
deveu principalmente à regulação dos créditos de carbono (G1, 2019). Estudos em diferentes
regiões globais mostraram que o maior uso de transporte individual (carros) em detrimento do
o transporte coletivo (ônibus, trem e metrô) influencia no aumento da poluição atmosférica
devido à intensidade do tráfego (SILVA et al., 2018). No Brasil, o incentivo para o uso do
biodiesel em 2007 influenciou na diminuição das emissões de dióxido de carbono (CO2)
(CORONADO et.al, 2009).
Cenários futuros mostraram que até o ano de 2050, as emissões urbanas de CO2 na China
irão atingir 2,384 x 108 toneladas, 5 vezes maior do que em relação a 2007, e sugere-se o
investimento no uso de carros elétricos e biocombustível (OU et.al, 2010). Na Índia, os cenários
para 2050 de emissão de O3 mostraram que haveria um aumento de 2 ppb (4%) na parte norte
e diminuição de 1,4 ppb (3%) na parte sul (POMMIER et al., 2018).
A poluição do ar nos EUA causa, em média, 200.000 mortes anuais pelas emissões de
material particulado fino com diâmetro menor do que 2,5 µm (PM2,5) e pela concentração
elevada de ozônio troposférico (CAIAZZO et al., 2013) e na Índia causa 600.000
falecimentos/ano (LIU et al., 2018). No Brasil, segundo o relatório elaborado pelo Copenhague
Consensus Center em 2015, a poluição causa anualmente 490.000 mortes (LARSEN, 2015).
A redução da qualidade de vida da população, em centros densamente urbanizados, é
impactada através da intensidade das emissões antropogênicas e motiva a elaboração de
relatórios para diagnosticar os níveis de cada poluente, com o objetivo de prevenir a ocorrência
de valores extremos (SHARMA et.al, 2009). O agravamento dos problemas de saúde na Índia
é motivado pela maior exposição de PM10, SO2 e CO2 com destaque ao material particulado
grosso, diâmetro maior do que 10 µm, o qual já possui valores anuais elevados na região
(HOSAMANE e DESAI, 2013).
25
Recentemente, problemas causados pela intensificação da poluição atmosférica
representam uma adversidade quanto aos impactos na economia e na sociedade, tendo em vista
a correlação direta com doenças que afetam a saúde humana (LI et.al., 2020). Um estudo
realizado em 2016 pela Organização Mundial de Saúde mostrou que houve um aumento de 8%
na poluição do ar global entre 2008 a 2013 e anualmente causa 1,8 milhões de falecimentos por
doenças pulmonares (SAMAD e VOGT, 2020).
O melhoramento da qualidade do ar, causada pela redução drástica das emissões
veiculares e industriais no ano de 2020, devido a pandemia do Covid 19, foi observada em um
estudo realizado pelo Centro de Pesquisa de Energia e Ar Limpo que compararam os níveis
pré-pandêmico (antes de fevereiro/2020) e pós-pandemia (até abril/2020) na China. Quando
comparado com os dados de 2019, os níveis de NO2 e PM2,5 decaíram (38% e 34%) e nos países
europeus houve registros de diminuição de fevereiro a maio (THE GUARDIAN, 2020).
2.2.2 Principais poluentes atmosféricos
2.2.2.1 Dióxido de Enxofre (SO2)
Poluente atmosférico emitido por fontes naturais (erupções vulcânicas) e
antropogenicamente (combustíveis fósseis e queima de biomassa). Devido à reações químicas
que ocorrem na atmosfera, possui a capacidade de formar gases secundários (H2SO4 e SO3),
com influência das condições meteorológicas (interação com a precipitação) sendo um dos
principais responsáveis pela ocorrência de chuva ácida (NUNES et.al, 2015). O rápido processo
de oxidação na atmosfera (Eq. 1 a 3) influencia na formação de aerossóis e na deposição ácida
que resulta numa maior exposição da população urbana à problemas de saúde e na redução da
visibilidade (LEE et al., 2011). As fontes e sumidouros dos compostos de enxofre podem ser
visualizados através da Figura 2.
26
Figura 2 - Principais fontes e sumidouros de compostos de enxofre (em Tg/ano). Fonte: Adaptado de
WALLACE e HOBBS (2005).
SO2 + H20 → SO2 +H20
(Equação 1)
SO2 + H20 → HSO3 + H
(Equação 2)
HSO3 → SO3 + H
(Equação 3)
A realização de estudos com o SO2 é essencial para a identificação das consequências,
devido ao tempo de residência na atmosfera e à interação com a radiação solar, e permite
projetar sua influência no clima (MARIANO et.al, 2010). A concentração junto a superfície é
altamente prejudicial à saúde humana (problemas respiratórios) além de afetar o crescimento
de plantas, de alterar o solo e degradar monumentos (GEORGOULIAS et al., 2009).
É caracterizado por ter um longo tempo de vida na estratosfera (maior que 1 mês) e
baixo na troposfera (até 2 dias), com maior parte das emissões urbanas realizadas na Camada
Limite Planetária (CLP) concentrando-se majoritariamente próximo a superfície (KROTKOV
et al., 2008).
A grande disponibilidade do SO2 na atmosfera está atrelada a distribuição temporal e
espacial dessa espécie química que causa impacto ao meio ambiente e ao clima (YANG et al.,
27
2007). Metade das emissões globais sofre oxidação na forma de sulfato enquanto a outra é
perdida na forma de deposição seca e úmida, tornando-se importante para os processos de
precipitação (chuva e neblina), devido à permanência na camada limite (até 1 km de altura) que
varia conforme a localização da medição, a estação climática e a hora do dia (AMIRI et al.,
2018).
As emissões vulcânicas são grandes fontes de gases (efeito estufa, traços, aerossóis)
sendo o SO2 um precursor dos aerossóis de sulfato (CARN et al., 2005). Os vulcões são os
principais contribuintes de dióxido de enxofre natural e emitem anualmente entre 30 e 110 Tg.
Grandes erupções vulcânicas, como as que ocorreram em 1982 (El Chichón no México) e 1991
(Pinatubo nas Filipinas), lançaram grande quantidade para a atmosfera e fez aumentar o
interesse científico no monitoramento desse gás (GEORGOULIAS et al., 2009).
Estudos anteriores, através do monitoramento por satélite, mostraram que as erupções
vulcânicas citadas anteriormente acrescentaram na baixa estratosfera da ordem de 106 toneladas
influenciando no resfriamento de 1°C na temperatura superficial global (VERNIER et al., 2011;
NEELY et al., 2013). MARIANO et.al, (2010) ressaltaram a sua influência no processo de
formação das nuvens na estratosfera, dando origem a aerossóis de sulfato que reflete a radiação
solar nesta região atmosférica, absorvendo a radiação de onda longa (ROL), e causa o
resfriamento em superfície
O aumento das emissões antropogênicas na troposfera impacta diretamente a saúde
humana (problemas respiratórios) bem como na contaminação do solo e degradação de
monumentos, causado pela deposição úmida na forma de chuva ácida (através do processo de
reação da água com o H2SO4) (BARRY e CHORLEY, 2013). Estudos mostraram que as
emissões globais de SO2 diminuíram na década de 1970 porém aumentaram entre os anos de
2000 a 2005, gerando impactos que tem liderado uma imposição no controle das emissões nos
países desenvolvidos (GEORGOULIAS et al., 2009; KLIMONT et.al, 2013). Entre os anos de
2005 a 2014, as concentrações globais de SO2 variaram de 3 x 104 ton/ano a 4 x 106 ton/ano
abrangendo fontes naturais e antropogênicas (FIOLETOV et al., 2016).
28
2.2.2.2 Dióxido de Nitrogênio (NO2)
Poluente atmosférico, oriundo da conversão do óxido de nitrogênio (NO), emitido de
forma natural (raios e oxidação da amônia - NH3) quanto de forma antropogênica (combustíveis
fosseis, queima de biomassa e aviões) (WALLACE; HOBBS, 2005).
O NO2 é formado através da reação fotoquímica do NO com o O3 troposférico (Eq. 4) e
as altas concentrações são atribuídas à maior incidência da radiação ao meio-dia. O dióxido de
nitrogênio corresponde à metade das emissões dos óxidos de nitrogênio (NOx)
(CASTELLANOS e BOERSMA, 2012).
O3 + NO → NO2 + O2
(Equação 4)
O NO2 desempenha uma importante função em vários processos atmosféricos e traz
consequências na estabilidade do meio ambiente, devido à influência nas mudanças climáticas
e na saúde da população (WALLACE e HOBBS, 2005). As principais fontes e sumidouros de
nitrogênio podem ser visualizadas na Figura 3
O dióxido de nitrogênio é caracterizado como um gás altamente reativo na atmosfera
com curto tempo de residência e lidera a produção de aerossóis de nitrato na CLP (KROTKOV
et al., 2016). Esses fatores tornam necessário sua quantificação de concentração mais precisa
para compreender a influência sobre a qualidade do ar e de sua contribuição para o efeito estufa
(BOERSMA et al., 2008).
29
Figura 3 - Principais fontes e sumidouros de compostos de nitrogênio na atmosfera
(valores em Tg/ano). Fonte: Adaptado de WALLACE e HOBBS (2005)
A emissão de NO2 para a atmosfera é proveniente de fontes natural (plantas) e antrópica
(veículos automotores). Destaca-se que as emissões veiculares e da quantidade de radiação solar
incidente implica numa grande variabilidade diurna (HERRON-THORPE et al., 2010). Dentre
as consequências causadas pela intensificação das emissões, tem-se como consequência a
formação da chuva ácida através do ácido nítrico (HNO3) (Eq. 5), do smog fotoquímico e na
depleção do ozônio estratosférico (MELO LISBOA e SCHIRMER, 2008; GUIMARÃES,
2016).
NO2 + OH → HNO3
(Equação 5)
A obtenção de dados das emissões mundiais dos óxidos de NOx, através de sensores
acoplados à satélites, vem sendo uma ferramenta extremamente útil para a quantificação dessa
espécie química, principalmente quando há ausência de uma rede de monitoramento em
superfície (DUNCAN et al., 2016) e ao longo das últimas décadas vem sendo aplicado na
implementação de inventários (ZHAO e WANG, 2009). Os dados de coluna total de NO2 têm
sido amplamente utilizados para detectar mudanças na concentração, em escala regional e
global, sendo bem comparado com dados observacionais, obtidos por estações e instrumentos
acoplados à aeronaves ( MELO LISBOA e SCHIRMER, 2008; LAMSAL et al., 2014).
30
Estudos com dados de coluna atmosférica mostraram que durante 10 anos (Janeiro/1997
a dezembro/2006), através do uso de sensores a bordo dos satélites GOME (Global Ozone
Monitoring Experiment) (1997 a 2002) e SCIAMACHY (SCanning Imaging Absorption
SpectroMeter for Atmospheric CHartographY) (2003 a 2006), os resultados mostraram que
houve aumento das emissões extremas na cidade de Pequim - China (+9,6%/ano) enquanto de
diminuição em Ohio – EUA (-4,3%/ano), Alemanha (-1.4%/ano) e na bacia do rio Pó - Itália (1,0%/ano) (STAVRAKOU et al., 2008). As comparações entre dados obtidos por satélites
comparado com os de estações nos Estados Unidos mostraram que os dados de coluna
troposférica indicaram que a concentração foi 35% menor em relação aos dados observados
entre 2004 e 2007 (GRUZDEV e ELOKHOV, 2009).
A utilização dos dados de NO2 diretamente do sensor OMI/Aura, quando comparado
com os dados observacionais de 25 estações do EPA (Environment Pollution Agency) na costa
leste da Califórnia (EUA), resultou em uma forte correlação (r=0,93) e mostrou uma grande
confiabilidade na aplicação em estudos para detectar a variabilidade espacial em áreas urbanas
(BECHLE et.al, 2013). Entre 2005 a 2015 foram detectados diminuição e aumento nas
concentrações de NO2, respectivamente, nos Estados Unidos (-80%) e na Índia (+50%)
(KROTKOV et al., 2016). Em um estudo realizado no continente asiático, foram detectadas
taxas de aumento e diminuição das concentrações de NO2 em diferentes cidades de Bangladesh,
Índia, Paquistão, China, Japão e Coreia do Sul (DUNCAN et al., 2016). Entre 2004 e 2015
foram analisados dados da coluna troposférica e os resultados apresentaram tendência positiva
(+10.6%/ano), de 2005 a 2011, e negativa ( -6.4%/ano) entre 2012 a 2015 (ZHANG et al.,
2017).
2.2.2.3 Metano (CH4)
O metano é um composto carbônico orgânico e hidrocarboneto com estrutura simples e
baixa reatividade, quando comparado com os compostos orgânicos voláteis (COV), sendo
emitido de forma natural (bactérias, ruminantes, decomposição anaeróbia em regiões
pantanosas e depósitos fosseis) e antropogênica (lixo, queimadas, plantações de arroz, extração
de carvão, petróleo e gás natural) (ZHANG et al., 2017). As plantações de arroz e áreas
altamente úmidas representam 40% do total das emissões (Tabela 4) enquanto de forma
antropogênica correspondem a 60% (BARRY e CHORLEY, 2013) As Equações 6 a 11
31
descrevem o processo de oxidação do CH4 pela influência do radical hidroxila (OH), NOx e
radiação solar (hv) enquanto na Equação 12 mostra a sumarização das reações anteriores
(GUIMARÃES, 2016)
CH4 + OH → CH3 + H2O
(Equação 6)
CH3 + O2 → CH3O + NO2
(Equação 7)
CH3O + O2 → HCO + HO2
(Equação 8)
HO2 + NO → OH + NO2
(Equação 9)
2(NO2 + hv → O + NO)
(Equação 10)
2(O2 + O→ O3)
(Equação 11)
CH4 + 4O2 + 2hv → HCHO + 2O3 + H2O
(Equação 12)
Conforme o relatório do Painel Intergovernamental de Mudanças Climáticas (IPCC), o
metano é um importante gás de efeito estufa com alto poder reativo e influência no aquecimento
global a uma taxa de absorção de calor de 25 vezes maior do que o CO2 (GUIMARÃES, 2016).
Estimativas recentes mostraram que o total emitido anualmente varia entre 5 e 6 x 108 toneladas,
tendo como mecanismo principal de remoção na atmosfera o radical hidroxila (OH-)
(GUIMARÃES, 2016). A destruição do CH4 pelo OH- na troposfera representa uma perda de
90% e mostra a sensibilidade quanto às mudanças de valores do radical hidroxila (BOUSQUET
et al., 2011).
Tabela 4- Liberação e consumo anual médio de CH4 (Tg=109 g). Fonte: Adaptado de BARRY e
CHORLEY (2013)
Média Variação
Liberação (Fontes)
Áreas Úmidas
115
100-200
32
Arrozais
110
25-170
Digestão de mamíferos
50
65-110
Prospecção do gás
45
25-50
Queima de biomassa
40
20-80
Térmites
40
10-100
Lixões e aterros
40
20-70
Total
530
265-780
Solo
30
15-30
Reação com OH-
500
400-600
Total
530
415-630
Consumo (Sumidouros)
O CH4 possui um tempo de vida na atmosfera de 10 anos e tem um papel importante
nas mudanças climáticas, devido a influência das atividades humanas, e abrange uma escala
temporal longa que varia de séculos a milênios (BERGAMASCHI et al., 2013).
O projeto EDGAR4, inventário para emissões antropogênicas, mostrou redução das
emissões no continente europeu, mantendo os níveis nos Estados Unidos e aumento nos países
emergentes, especialmente na China de 1990 a 2005 (BOUSQUET et al., 2011).
Medições por aviões mostraram que na troposfera (até 4 km) houve aumento das
emissões de metano; no leste da Amazônia (Santarém e Manaus) registraram em média 34 ppb,
máximo de 200 ppb com emissões médias diárias de 27 mg/m2 (MILLER et al., 2007).
Estudos com dados observacionais verificaram que houve uma redução da concentração
global de CH4 entre as décadas de 1980 e 1990 onde na região tropical teve máximo em 1991,
enquanto em 1992 houve uma queda bem acentuada em áreas úmidas (pântanos) que tem uma
grande contribuição na variabilidade interanual das emissões de metano, em torno de 12 Tg/ano
(BOUSQUET et al., 2006). Entre 2007 e 2008, foram detectados aumento e diminuição,
consecutivamente, em regiões do hemisfério Norte (+7,7 e -3,8 ppb/ano) e de latitudes tropicais
(+8,9 e -5 ppb) (DLUGOKENCKY et al., 2009). De 2006 a 2008 as emissões globais
apresentaram diminuição e aumento, respectivamente, no ano de 2006 (-7 Tg) e nos dois anos
33
seguintes (+21 e +18 Tg), quando comparado ao período de 1999 a 2006 (BOUSQUET et al.,
2011).
A utilização do sensor SCIAMACHY, a bordo do satélite ENVISAT (ENVIronmental
SATellite), mostraram aumento das emissões de CH4 sob o continente sul-americano e africano
associadas a queimadas e em áreas úmidas na região tropical, enquanto na Ásia (Índia, China e
sudeste asiático) é relacionada com as emissões em culturas de arroz no terceiro trimestre a
cada ano (FRANKENBERG et al., 2006; DLUGOKENCKY et al., 2009).
Entre junho de 2009 a dezembro de 2010, foram utilizadas estimativas da concentração
de metano pelo sensor GOSAT (Greenhouse Gases Observing SATellite) para detecção das
emissões globais e os resultados variaram entre 510 a 2.016 Tg/ano (FRASER et al., 2013). A
comparação entre os dados do sensor SCIAMACHY e duas fontes observacionais (projeto de
inventário global EDGAR e da EPA) mostraram que as concentrações de CH4 do sensor (30
±1,3 Tg/ano) foram maiores do que as do EDGAR (25,8 Tg/ano) e do EPA (28,3 Tg/ano)
(WECHT et al., 2014). Dados de coluna total obtidos do GOSAT em 2015 em um estudo para
detectar queima de biomassa na região da Indonésia durante o período de El Niño mostraram
que a maior quantidade de focos de queimadas aumentou a concentração regional de gases de
efeito estufa com valores maiores do que 35 ppb em condições de céu claro (PARKER et al.,
2016).
2.2.2.4 Monóxido de Carbono (CO)
O CO é um poluente emitido de forma natural (queimadas florestais) e antropogênica
(atividades industriais e consumo de combustível fóssil) (GUIMARÃES, 2016). Em alta
concentração afeta a composição química da troposfera pela fácil oxidação na atmosfera,
associada a reação com NOx e é um dos responsáveis para a formação do O3 troposférico que
influencia na ocorrência de problemas relacionados à doenças respiratórias (EDWARDS et al.,
2004). A causa de falecimentos é motivada pela interação do CO com a hemoglobina que
dificulta o transporte de oxigênio da corrente sanguínea para outras partes do corpo
(GUIMARÃES, 2016).
A formação dessa espécie química na atmosfera ocorre através da reação de oxidação
com o CH4 e hidrocarbonetos não-metano, além de um importante sumidouro de OH- e
34
contribui na concentração dos gases de efeito estufa (O3 e CH4) (GEORGE et al., 2009). Tem
papel fundamental na distribuição dos demais oxidantes atmosféricos com importantes
implicações na climatologia devido ao tempo de residência (semanas a meses) que varia
conforme a localização e o período do ano, além de ser importante traçador de transporte de
poluentes (LOGAN et al., 1981; NOVELLI et.al., 1998). As principais fontes e sumidouros do
carbono podem ser visualizados na Figura 4.
Figura 4 - Fontes e sumidouros de carbono (valores em 109 T/ano). Fonte: Adaptado de LE QUÉRÉ et
al. (2018)
De acordo com o IPCC (International Panel on Climate Changes), o CO é classificado
como um GEE indireto que forma secundariamente o smog fotoquímico, cujo poluente formado
mais importante é o O3 (Eq. 13 a 18) (GUIMARÃES, 2016).
As Equações 13 e 14 descrevem o processo de oxidação do CO pelo radical hidroxila
(OH-).
35
Equações 15 a 17 descrevem a formação do ozônio troposférico através dos NOx. Por
fim, a Eq. 18 mostra a reação de formação do dióxido de carbono e ozônio através do monóxido
de carbono e oxigênio.
CO + OH-→ CO2 + H
(Equação 13)
H + O2 + M → HO2 + M
(Equação 14)
HO2 + NO → OH + NO2
(Equação 15)
NO2 + hv→ O + NO
(Equação 16)
O + O2→ O3
(Equação 17)
CO + 2O2 → CO2 + O3
(Equação 18)
A interação do CO com a radiação solar compreende na absorção dos espectros
infravermelho termal (4,7 µm) e de onda curta (2,3 µm) (KOPACZ et al., 2010). As primeiras
medições desse gás por sensores acoplados a satélite foram iniciadas com o MAPS
(Measurements of Atmospheric Pollution from Space) e posteriormente pelo MOPITT
(Measurements of Pollution in The Troposphere) que resultou numa melhora (cerca de 10%)
em relação ao anterior (YURGANOV et al., 2008).
Medições de satélite mostraram que as altas concentrações de CO sob a América do Sul
e a África são atribuídas a queima de biomassa (incêndios florestais), enquanto na Austrália e
no sudeste da Ásia estão relacionadas, respectivamente, as plumas vulcânicas que viajam ao
longo do hemisfério Sul na estação seca (verão) e as emissões industriais (WALLACE e
HOBBS, 2005).. Entre 2002 a 2011, os resultados de tendências anuais da coluna total global
de CO, através do MOPITT, foram de -4,0%/ano (Oeste da Europa), -4,6%/ano (Estados
Unidos), 1,2%/ano (Leste da Ásia), -5,3%/ano (Austrália), -5,6%/ano (Peninsula Indo-China),
-6,7%/ano (Indonésia) e -3%/ano (América do Sul) (YIN et al., 2015).
36
2.3 Sensores acoplados a satélites
2.3.1 AIRS
O sensor AIRS (Atmospheric Infra-Red Sounder) está acoplado ao satélite Aqua da
NASA (National Aeronautics and Spatial Administration) inicialmente projetado para o
melhoramento da previsão do tempo bem como no estudo do ciclo hidrológico e balanço de
energia. Desde 2002 fornece informações sobre vários gases de efeito estufa e são úteis para a
realização de estudos que possibilitem a compreensão dos processos dinâmicos, radiativos e
químicos da atmosfera (CHAHINE et al., 2006).
No estudo da poluição, o AIRS fornece um banco de dados diários de concentração da
coluna total de CO, CH4 e CO2 cobrindo o espectro do infravermelho (3,74 a 4,61 μm, de 6,20
a 8,22 μm e de 8,8 a 15,4 μm). O satélite se encontra em órbita polar a 1650 km de altura,
cruzando nos horários de 1h30 e 13h30 (HERRON-THORPE et al., 2012).
Devido ao aumento da cobertura de monitoramento global do satélite, houve a
necessidade de diminuir a resolução espacial através da alteração no algoritmo do sensor, com
a inclusão dos processos de céu claro, reduzindo de 13,5 x 13,5 km para 45 x 45 km (WORDEN
et al., 2013). Maiores detalhes acerca do sensor AIRS (estruturas física e matemática,
parâmetros utilizados) podem ser obtidos em AUMANN et al. (2003) e JIANG et.al. (2009).
3.3.2 OMI
O sensor OMI (Ozone Monitoring Instrument) está a bordo do satélite Aura da NASA
e monitora diariamente alguns poluentes (SO2, NO2 e O3) e aerossóis (NASA, 2019a).
Inicialmente, o desenvolvimento de produtos foi motivado para a compreensão de diversas
mudanças no clima do planeta (balanço da radiação terrestre, qualidade do ar, camada de ozônio
e composição na atmosfera) e colabora para a definição de estratégias para a elaboração de
pesquisas científicas que culminem na redução dos efeitos adversos a saúde devido aos valores
extremos dos poluentes (NASA, 2019b). O sensor possui um banco de dados, disponível a partir
de 2004 e está localizado numa órbita a 705 km de altura. Possui passagem a cada 100 min
entre 13h40 a 13h50 com uma resolução espacial de 13 km x 24 km obtendo dados de 1300 a
1445 estações a cada hora (BOERSMA et al., 2008; LAMSAL et al., 2014).
37
No monitoramento de coluna total do SO2 pelo sensor OMI na CLP são utilizados quatro
comprimentos de onda e configurado no algoritmo do sensor, devido a presença de ruídos
atribuídos à alta sensibilidade. Houve uma atualização em 2014, que incluiu a análise de
componentes principais, e reduziu os erros, quando filtrado nas bandas espectrais de 310,5 a
340 nm (KROTKOV et al., 2016).
Para o NO2, o sensor cobre as bandas espectrais do ultravioleta ao visível (264 e 504
nm) (LAMSAL et al., 2014) e no ano de 2017 houve uma atualização no algoritmo para os
produtos de dióxido de nitrogênio que possibilitou o ajuste nas bandas espectrais para a
densidade da coluna e a implementação de alta resolução espacial a partir de um modelo global
de transporte químico (KROTKOV et al., 2017).
38
3. METODOLOGIA
3.1 Área de estudo
3.1.1 América do Sul
O continente sul-americano está localizado entre latitudes baixas e médias (12°N a
55°S), com uma área de 17.850.568 km2 (Fig. 5) e apresenta topografia e vegetação
diversificadas, com destaque a Cordilheira dos Andes (Chile) que abrange boa parte da costa
oeste do continente e o deserto do Atacama (Chile), onde a atuação de diferentes sistemas
sinóticos colaboram para a heterogeneidade climática e consequentemente o regime
pluviométrico (REBOITA et al., 2015).
Figura 5 – Localização da área de estudo.
39
A classificação de Koppen e Geiger são descritos em siglas que contém informações
quanto ao clima (primeira letra), precipitação (segunda letra) e temperatura (terceira letra).
Maiores detalhes sobre os regimes climáticos em diferentes regiões da AS pode ser obtidos em
KOTTEK et al. (2006).
Para o presente estudo serão analisadas cinco regiões metropolitanas situadas na
América do Sul, tendo em vista que se espera uma grande quantidade da concentração e
emissões dos poluentes a serem analisados. A saber:
• Região Metropolitana de Buenos Aires - Argentina (RMBA);
• Região Metropolitana de La Paz - Bolívia (RMLP);
• Região Metropolitana de Porto Alegre - Brasil (RMPA);
• Região Metropolitana de Santiago – Chile (RMS);
• Região Metropolitana de São Paulo - Brasil (RMSP).
A utilização dessas cinco regiões metropolitanas, no presente estudo, é motivada pelas
características climáticas (Tabela 5) e topográficas diferentes (ex: RMLP e RMS estão situadas
próximo a cadeias montanhosas). Os climas subtropicais e mediterrâneo, segundo a
classificação Koppen-Geiger, são caracterizados por precipitações mínimas no verão inferior a
40 mm com temperaturas mínimas entre -3°C a 18°C enquanto para o clima equatorial são
respectivamente 60 mm e maior do que 18°C.
Tabela 5 - Classificação climática de Köppen-Geiger para Regiões Metropolitanas Sul-americanas.
Fonte: Adaptado de KOTTEK et al. (2006)
Região
Clima
Descrição
Metropolitana
RMBA
Subtropical Cfb
C (Temperado), f (Úmido), b (Verão curto e fresco)
RMLP
Equatorial Af
A (Árido), f(Úmido)
RMPA
Subtropical Cfa
C (Temperado), f (Úmido), a (Verão quente)
RMS
Mediterrâneo Csb
C (Temperado), s (Chuvas de inverno), b (Verão curto
e fresco)
RMSP
Subtropical Cfb
C (Temperado), f (Úmido), b (Verão curto e fresco)
40
Tabela 6 - Regiões Metropolitanas da América do Sul. Valores em negrito são as regiões que foram
utilizadas neste estudo. Fonte: Adaptado de NATIONS (2018)
Classificação
Cidade
População (em 106 hab)
1°
São Paulo (Brasil)
21,695
2°
Buenos Aires (Argentina)
14,967
3°
Bogotá (Colômbia)
10,574
4°
Lima (Peru)
10,391
5°
Santiago (Chile)
6,680
6°
Belo Horizonte (Brasil)
5,972
7°
Brasília (Brasil)
4,470
8°
Porto Alegre (Brasil)
4,094
9°
Fortaleza (Brasil)
3,977
10°
Medelin (Colômbia)
3,934
11°
Manaus (Brasil)
3,754
12°
Curitiba (Brasil)
3,579
13°
Assunção (Paraguai)
3,222
14°
Campinas (Brasil)
3,210
15°
Caracas (Venezuela)
2,935
16°
Guayaquil (Equador)
2,899
17°
Cali (Colombia)
2,726
18°
Goiânia (Brasil)
2,565
19°
Belém (Brasil)
2,280
20°
Barranquila (Colômbia)
2,218
21°
Maracaibo (Venezuela)
2,179
22°
Manaus (Brasil)
2,171
23°
Vitória (Brasil)
2,003
24°
Valência (Venezuela)
1,860
25°
Baixada Santista (Brasil)
1,853
26°
Quito (Equador)
1,822
27°
La Paz (Bolívia)
1,814
28°
Montevidéu (Uruguai)
1,737
41
3.1.2. Região Metropolitana de Buenos Aires (RMBA)
A RMBA (34°35'59'' S, 58°22'55'' W) (Fig. 6) é o 2° maior centro metropolitano sulamericano (Tabela 6) e, conforme o último relatório das Nações Unidas em 2018, possui uma
população de 14.967.000 de habitantes (NATIONS, 2018) numa área de 3.627 km2
(VENEGAS et.al, 2016) com uma densidade de 4.126,55 hab/km2.
A classificação climática da RMBA, conforme Köppen-Geiger, é o clima subtropical
Cfb e descrito com mais detalhes na Tabela 5. A precipitação apresenta um regime de grande
variabilidade regional com médias mensais máximas em outubro-março e mínimas em junhoagosto (SCARDILLI e LLANO, 2018). Durante o verão apresenta intensificação da convecção,
devido a maior incidência da radiação solar e consequentemente maior aquecimento na
superfície. Esta convecção é influenciada pela atuação de sistemas sinóticos associados a
precipitação: Ciclones Extratropicais e Frentes Frias (Fig. 7) (REBOITA et al., 2015).
Figura 6 - Área de estudo: América do Sul (a), Argentina (b) e RMBA (c)
O aumento da taxa de concentração dos poluentes na região está relacionado às emissões
por fontes estacionárias (indústrias) e móveis (veículos), desfavorecida pela topografia no
interior da região e favorecida pelo aumento da dispersão próximo ao litoral, com as
concentrações diárias normalmente não ultrapassando os valores limites estabelecidos pelos
órgãos de meio ambiente (ABRUTZKY et al., 2013).
42
Estudo realizado para a análise de emissões de CO e NOx, comparando os dados por
modelos numéricos observados em 4 estações na cidade de Buenos Aires, mostraram que
durante a tarde os picos das concentrações horárias médias foram, respectivamente, 4,5 ppm e
0,42 mg/m3 (VENEGAS et.al, 2016) Entre 2010 e 2014, dados de três estações para NO2
registraram nos horários de tráfego veicular mais intenso um aumento de 20% na concentração
desse gás, quando comparado os dias de semana com os de final de semana. Foi constatado
ainda que o período do inverno apresentou maiores concentrações devido ao desfavorecimento
da dispersão dos poluentes nesse período (MATARAZZO et.al, 2018).
Figura 7 - Sistemas sinóticos associados com a precipitação em Buenos Aires. Fonte: Adaptado de
REBOITA et al. (2015).
3.1.3. Região Metropolitana de La Paz (RMLP)
A RMLP (16°29′39" S, 68°8′ 51" W) (Fig. 8) é a 27ª maior região metropolitana da
América do Sul (Tabela 6) com uma população de 1.814.000 habitantes (NATIONS, 2018) em
uma área de 3.240 km2 com uma densidade demográfica de 559,88 hab/km2.
A classificação climática da RMBA, conforme Köppen-Geiger, é o equatorial Af e
descrito com mais detalhes na Tabela 5. A precipitação varia entre 350 a 700 mm/ano e durante
43
o verão aumenta a incidência da radiação solar em superfície e intensifica a convecção
influenciada pelo levantamento topográfico do ar úmido a oeste da Cordilheira dos Andes
oriundo da bacia amazônica. Os sistemas sinóticos atuantes nessa região são os Complexos
Convectivos de Mesoescala (CCM) que aumentam os índices de precipitação durante o verão
e na primavera, Frentes Frias e VCANs durante todo o ano (REBOITA et al., 2015).
Estudo realizado entre 2010 a 2014, para várias cidades da América Latina e Caribe,
destacou que a cidade de La Paz foi o 5° maior emissor de PM10 entre os países da América do
Sul em 2013 (Tabela 7) e o segundo maior poluidor de PM2,5 entre os centros metropolitanos
das Américas em 2017 (Tabela 8). O problema da poluição (Fig. 9) nessa região de estudo é
caracterizado pelo aumento do número de veículos entre 2007 a 2017 o que motivou a
elaboração de estratégias que visassem à redução das emissões. A topografia nesta região
(cercada por montanhas) desfavorece a dispersão dos poluentes para camadas superiores devido
a circulação do vento ocorrer no interior do vale aumentando assim a concentração próxima a
superfície. A restrição do uso de veículos em algumas datas especificas no ano e com o aumento
no uso de bicicletas resultou na queda da taxa de poluição (60- 70%) (FARTHING, 2017;
PELEGI, 2017).
Figura 8 - Área de estudo: América do Sul (a), Bolívia (b) e RMLP (c).
44
Tabela 7 - Média anual de concentrações de PM10 para cidades latino-americanas e caribenhas. Fonte:
Adaptado de RODRÍGUEZ et al. (2016)
Classificação
Cidade
Valor (µg/m3)
1°
Cuidad Juarez (Mexico)
130
2°
Lima (Peru)
94
3°
Nuevo Leon (Mexico)
88
4°
Jalisco (Mexico)
87
5°
Toluca (Mexico)
82
6°
La Paz (Bolivia)
82
Tabela 8 - Média anual de concentrações de PM2,5 para cidades dos continentes americanos. Fonte:
Adaptado de MEAD (2017)
Classificação
Cidade
Valor (µg/m3)
1°
Lima (Peru)
48
2°
La Paz (Bolivia)
44
3°
Santiago (Chile)
29
4°
Caracas (Venezuela)
25
5°
Bogotá (Colômbia)
24
45
Figura 9 - Poluição na RMLP. Fonte: Adaptado de CONSTATINE (2014)
3.1.4. Região Metropolitana de Porto Alegre (RMPA)
A RMPA (Fig. 7) (30°1'58'' S, 51°13'48'' W) é o 4° maior centro urbano no Brasil e o
8° maior da América do Sul (Tabela 6). Localizada no centro-leste do estado do Rio Grande do
Sul na região Sul do Brasil é composta por 31 cidades e cobre uma área de 9.825,61 km2
(TEIXEIRA et.al, 2008) com 4.094.000 de habitantes (NATIONS, 2018) e densidade
demográfica de 416,66 hab/km2. A classificação climática da RMPA, conforme KöppenGeiger, é o clima subtropical úmido Cfa (Tabela 5)
46
Figura 10 - Área de estudo: América do Sul (a), Rio Grande do Sul (b) e RMPA (c).
Como característica climatológica, por estar entre latitudes médias e tropicais, destacase o contraste nos regimes de precipitação e de temperatura em diferentes estações. A presença
de topografia irregular, além de eventos interanuais (ex.: La Niña e El Niño) causam oscilações
da precipitação sob a região (GRIMM, 2009). No estado do Rio Grande do Sul, a precipitação
é praticamente homogênea e bem distribuída ao longo do ano. A precipitação tem maior
intensidade no inverno, devido ao aumento da atividade convectiva sobre a topografia da região
e a influência de frentes pelas condições baroclínicas, que intensifica os centros de baixa
pressão. No verão, a intensificação da precipitação é influenciada pela formação da ZCAS sobre
a região Sul, associada a um sistema de monção (GRIMM, 2009).
Na maior parte do Rio Grande do Sul, o regime de precipitação possui maiores valores
na parte sudeste do estado, onde os máximos de precipitação ocorrem entre julho a setembro
(GRIMM, 2009). Os problemas de poluição na RMPA estão associados às atividades industriais
e mais importante pelas fontes móveis (veículos) (TEIXEIRA et.al, 2008).
47
3.1.5. Região Metropolitana de Santiago (RMS)
A RMS (Fig. 11) é o 5° maior centro metropolitano da AS (33°26'16''S, 70°39'1''W),
com uma população de 6.680.000 de habitantes (Tabela 6) e cobre uma área de 1.400 km2 com
densidade demográfica de 4.771,43 hab/km2. A região está situada a 500 m acima do nível do
mar, localizada na zona central do Chile sob um vale entre os rios Maipo e Mapocho. A leste é
cercada pela Cordilheira dos Andes (4500 m) e a oeste por outras cadeias montanhosas (1500
m) (ARAYA. et al., 2014).
Figura 11 - Área de estudo: América do Sul (a), Chile (b) e RMS (c).
A classificação climática da RMS, conforme Köppen-Geiger, é do tipo Mediterrâneo
Csb (Tabela 5). O regime de precipitação nessa região é influenciado principalmente pela
atuação do Anticiclone Subtropical do Pacífico Sul, caracterizado pelos movimentos
subsidentes durante o inverno à oeste dos Andes. No verão este sistema está localizado mais a
norte e faz com que seja maior a quantidade de eventos de precipitação. Entretanto, durante o
inverno com o deslocamento da ASPS mais ao sul há o impedimento dos movimentos
convectivos resultando no desfavorecimento da precipitação, dificultando a atuação de frentes
frias e ciclones durante esse período (REBOITA et al., 2015).
48
A poluição na RMS (Fig.12) é influenciada pela localização geográfica entre montanhas
(Fig. 13), que dificulta a circulação do ar nessa região. No período do inverno (abril a agosto),
em conjunto com as condições atmosféricas, ocorre a inibição da dispersão dos poluentes
emitidos por fontes móveis (veículos) e fixas (indústrias e uso de chaminés em residências)
(GARCIA-CHEVESICH et al., 2014).
Figura 12 - Poluição na RMS. Fonte: Adaptado de REUTERS (2020)
Figura 13 - Topografia da RMS. Fonte: Adaptado de JATOBÁ et al. (2015)
49
3.1.6. Região Metropolitana de São Paulo (RMSP)
A RMSP (23°33'1'' S, 46°38'2'' W) (Fig. 14) é o maior centro urbano do Brasil e da
América do Sul (Tabela 6) e o quarto maior do mundo (Tabela 9). Localizada na região sudeste
do Brasil, cobre uma área de 7.976,46 km2, com uma população aproximada de 22 milhões de
habitantes (21.571.281). Essa região é composta por 39 cidades e possui densidade demográfica
de 2.704,27 hab/km2 (EMPLASA, 2019).
A RMSP é influenciada pela formação de um centro de alta pressão durante o inverno
sobre o Oceano Atlântico o que causa ventos fracos próximos ao litoral (DA SILVA JUNIOR
e ANDRADE, 2013). A classificação climática da RMSP, conforme Köppen-Geiger, é de clima
subtropical Cfb (Tabela 5). Em relação ao regime de chuva na cidade de São Paulo, a
precipitação gira em torno de 2.000 mm/ano (costa) e entre 1250 a 1400 mm/ano (interior),
motivado pela atuação da Zona de Convergência do Atlântico Sul (ZCAS) e de frentes frias no
início da estação chuvosa (verão). No inverno a precipitação é reduzida e ocorre em regiões
próximas ao litoral e no interior (NUNES et.al, 2009).
50
Figura 14 - Área de estudo: América do Sul (a), Estado de São Paulo (b) e RMSP (c).
A poluição nesta região é um desafio, devido às altas concentrações causadas pelas
emissões veiculares que frequentemente excedem os valores padrões, e motiva o
desenvolvimento de pesquisas e monitoramento para análise dos níveis dos poluentes
atmosféricos (DA SILVA JUNIOR e ANDRADE, 2013) atribuído à condições anticiclônicas
que desfavorece a dispersão de poluentes na camada próxima à superfície pela limitação do
processo de convecção e, consequentemente, ocorre diminuição da concentração de poluentes
(NUNES et.al., 2009).
Tabela 9 - As 10 maiores cidades no mundo. Fonte: Adaptado de NATIONS (2018)
Classificação
Cidade
População (em 107 hab)
1°
Tóquio (Japão)
3,7468
2°
Delhi (Índia)
2,8514
51
3°
Shangai (China)
2,5582
4°
São Paulo (Brasil)
2,1650
5°
Cidade do Mexico (México)
2,1581
6°
Cairo (Egito)
2,0076
7°
Mumbai - Bombaim (Índia)
1,9980
8°
Pequim (China)
1,9618
9°
Dhaka (Bangladesh)
1,9578
10°
Osaka (Japão)
1,9281
3.2 Regressão Quantílica (RQ)
A regressão quantílica visa observar mudanças na distribuição dos dados em uma série
temporal, fornecendo detalhes que vão além das análises realizadas em cima dos valores médios
(FAN e CHEN, 2016). A importância de se utilizar essa técnica consiste na vantagem em não
pressupor nenhuma distribuição de probabilidade, não sofrendo influência de correlações
seriais e permitindo uma análise integral da mudança da distribuição dos dados (DHAKAL e
THARU, 2018)
RQ é um método estatístico frequentemente utilizado em estudos climatológicos para
fornecer informações em relação a uma série temporal de forma completa, obtendo diversas
vantagens quanto a maior robustez quando comparado a testes clássicos (Regressão simples e
teste de Mann-Kendall), tendo em vista que somente realizam tendência em relação à média e
assumindo que os dados sigam uma distribuição normal (LIJUN e ZHE, 2015; FAN e CHEN,
2016; HUANG et al., 2017). Algumas aplicações voltadas à poluição podem ser lidas em XU
e LIN (2018) e RAHMATI et al. (2019).
A equação 19, representa a função quantil condicional linear, onde Y é a amostra da
variável, i é o nível do quantil (Q05, Q25, Q50, Q75, Q99), βi e Xi são os coeficientes de
regressão linear relativo ao nível do quantil expressado por 𝛽𝑖 = 𝛽1(𝑖) + 𝛽2(𝑖)+. . . +𝛽𝑚(𝑖).
A equação 20 apresenta a função que descreve a minimização da RQ linear onde 𝑝𝑖é o
valor absoluto que é definido por 𝑝𝑖 = (𝑖/𝑧) − (1 − 𝑖) e n é o tamanho da série temporal analisada.
Na equação 21 o quantil como sendo uma função linear temporal onde β0(i) é a
interceptação, β1(i) é o coeficiente de tendência, t é o período e ε o erro
52
𝑄𝑌(𝑖, 𝑥𝑖) = 𝑋𝑖 + 𝛽𝑖
(Equação 19)
(Equação 20)
𝑄(𝑖𝑉𝑡) = 𝛽0(𝑖) + 𝑡𝛽1(𝑖) + 𝜀
(Equação 21)
Esta metodologia é usada para fornecer tendências de valores extremos em uma amostra
de dados entre 0,01 (Q1) e 0,99 (Q99), representando respectivamente os quantis inferior e
superior (DHAKAL e THARU, 2018). A aplicação desse método em estudos de poluição
consiste na realização de tendências das concentrações, analisando possíveis mudanças ao
longo do tempo com o aumento (tendência positiva) ou o decréscimo (tendência negativa)
(MUNIR et al., 2013).
3.3 Mann Kendall
Teste estatístico largamente utilizado em vários estudos de climatologia e aconselhado
para estudos de tendências de precipitação pela Organização Mundial da Meteorologia (OMM).
Consiste em um método não-paramétrico para determinar a tendência temporal e a significância
de uma série de dados, cuja vantagem é a não-dependência de uma distribuição normal e não
sofrer influência de mudanças repentinas em séries não-homogêneas (SALVIANO et.al, 2016)
Este método é construído com base no cálculo da variável S (desvio padrão), para n
quantidade de dados, sendo calculada a partir da soma dos sinais (sgn) da diferença entre os
dados futuros (xj) e presentes (xi) (Eq. 22 e 23). Para uma quantidade de dados maior ou igual
a 10 (n≥10), o desvio padrão pode ser aferido com a distribuição normal, no qual a variância
(Eq. 24) em que ti é a quantidade de repetições de determinada extensão i. Por fim, o índice
ZMK (Eq. 25). para uma distribuição normal, indica o valor médio igual a zero bem como mostra
as tendências de crescimento (positivo) e decrescimento (negativo).
𝑛
𝑆 = ∑𝑛−1
𝑖=1 ∑𝑗=𝑖+1 𝑠𝑔𝑛(𝑥𝑗 − 𝑥𝑖 )
(Equação 22)
53
+1, 𝑥𝑗 > 𝑥𝑖
𝑠𝑔𝑛(𝑥𝑗 − 𝑥𝑖 ) = { 0, 𝑥𝑗 = 𝑥𝑖
−1, 𝑥𝑗 < 𝑥𝑖
𝑉𝑎𝑟(𝑆) =
𝑍𝑀𝐾 =
𝑛(𝑛−1)(2𝑛+5)−∑𝑛
𝑖=1 𝑖(𝑖−1)(2𝑖+5)
18
𝑆−1
√𝑉𝑎𝑟 (𝑆)
{
𝑍𝑀𝐾 =
√𝑉𝑎𝑟 (𝑆)
(Equação 24)
, 𝑝𝑎𝑟𝑎 𝑆 > 0
𝑍𝑀𝐾 = 0, 𝑝𝑎𝑟𝑎 𝑆 = 0
𝑆+1
(Equação 23)
(Equação 25)
, 𝑝𝑎𝑟𝑎 𝑆 < 0
3.3.1 Percentil, tau-kendall e p-valor
Percentil (Eq. 26) é uma variável estatística que consiste em dividir uma amostra (n) em
cem partes (in/100) e calculado de forma que o valor encontrado seja o limite (lpi) de 1% a 99%
dos dados (i=1,2,...,99) com base na soma das frequências (f) anteriores da classe Pi, a amplitude
(h) da classe Pi e a frequência da classe Pi (Fpi) (FONSECA e MARTINS, 2011)
𝑖
( 𝑛 −∑ 𝑓)ℎ
𝑃𝑖 = 𝑙𝑝𝑖 + 100𝐹
𝑝𝑖
(Equação 26)
P-valor consiste em valores que atribuem significância estatísticas ou não de tendências
bem como detectar que não há tendência nas séries de dados descritos pelos seguintes critérios:
p-valor ≤ 0,05 (tendência estatisticamente significante), 0,05<p-valor<0,5 (tendência
estatisticamente insignificantes) e
p-valor ≥ 0,5 (sem tendência) (SALVADOR, 2017),
representando a probabilidade quando uma hipótese Ho seja verdadeira .
Tau de Kendall (τ) é um coeficiente de correlação que relaciona um conjunto (n) de
pares concordantes (nc) e discordantes (nd) (Eq. 27) e associa a probabilidade (Equação 28) de
duas variáveis ordinais e que sejam concordantes, variando de -1 a 1 com as máximas
concordâncias inversa (-1), direta (1) e sem concordância (0), não sendo influenciado pela
variância ou por pontos discrepantes (outliers) (SALVADOR, 2017).
54
𝑛 −𝑛𝑑
𝜏=1 𝑐
2
(Equação 27)
𝑛(𝑛−1)
𝜏 = 𝑝𝑟𝑜𝑏[(𝑥 − 𝑥 ′ ) − (𝑦 − 𝑦′)]
(Equação 28)
3.4 Dados utilizados
Os dados utilizados são do nível 3 (CH4, CO e NO2) e 2G (SO2), disponibilizados
conforme a Tabela 10, nos formatos NetCDF4 (Network Common Data Form) e HDF-EOS5
(Hierarchical Data Format - Earth Observing System Version 5) para o período de 2005 a 2019.
Os dados de dióxido de enxofre se assemelham aos obtidos por NUNES et.al. (2015), motivado
pela ausência de dados nas regiões de estudo na tentativa de usar o nível 3. Foram utilizadas as
variáveis CO_VMR_A_CT, CH4_VMR_A_CT, NO2 Tropospheric Column Density Screened
for Cloud Fraction <30% e ColumnAmountSO2_PBL.
Mais detalhes sobre os sensores utilizados, com detalhes sobre os gases analisados,
comprimentos de onda, resoluções (espacial e temporal), unidades e técnicas implementadas,
podem ser obtidas na Tabela 11.
Tabela 10 - Fontes dos dados utilizados
Poluentes
Links
CH4 e CO
https://disc.gsfc.nasa.gov/datasets/AIRS3STD_006/summary
NO2
https://disc.gsfc.nasa.gov/datasets/OMNO2d_003/summary
SO2
https://disc.gsfc.nasa.gov/datasets/OMSO2G_003/summary
Tabela 11 - Informações sobre os sensores e gases analisados
Sensor
Gases
analisados
AIRS
CH4 e CO
Comprimento Resolução
de onda
Espacial Temporal
6,20 a 8,22 μm
(CH4)
1°x1°
12h
3,74 a 4,61 μm
(CO)
Técnicas
utilizadas
Optimal
Sensitivity
Profile (OSP)
Unidades
ppb
55
OMI
NO2 e SO2
264 e 504 nm
(NO2)
310,8 a 314,4
nm (SO2)
0,25°x
0,25°
0,125°x
0,125°
Diária
Pixel
Averaging
Band Residual
Difference
(BRD)
molec/cm2
Foram utilizados os softwares CDO (Climate Data Operators) (MARTINS, 2014a) e
GrADS (Grid Analysis and Display System) (MARTINS, 2014b) para, respectivamente, juntar
e extrair os dados diários dos poluentes analisados nas cinco regiões metropolitanas sulamericanas selecionadas para este estudo
A plataforma R (https://www.rstudio.com/) foi utilizada para a realização do tratamento
estatístico e composição dos gráficos. Para análise de extremos foram definidos os quantis 10
(mínimo), 50 (médio) e 90 (máximo) para diagnosticar as tendências de aumento e diminuição
da concentração dos valores ao longo da série temporal analisada. A apresentação dos
resultados na forma de boxplot sintetiza essas informações para todos os meses do ano de forma
que seja verificado tanto a questão do aumento/diminuição como também a variabilidade dos
dados. Os valores das tendências estão na forma de porcentagem, em azul para as tendências
positivas e vermelho nas negativas.
O boxplot consiste em um tipo de gráfico na forma de caixas, contendo 50% dos dados
(Q25 e Q75) e uma mediana (Q50), com “caudas” que representam os valores máximos e
mínimos (extremos) além de pontos discrepantes (outliers), os quais decidimos não avaliar
nesse estudo. A significância estatística das tendências foi estimada por amostragem bootstrap,
ao nível de significância de 10%. Para mais detalhes, indicamos a leitura de (DHAKAL e
THARU, 2018).
Os resultados obtidos com esta metodologia consistem primeiramente na apresentação
dos gráficos de boxplot para os quatro poluentes e nas cinco regiões metropolitanas e em
seguida mostrar os meses com maiores valores de tendências (negativas e positivas) para cada
quantil, na forma de tabelas.
Para o Mann Kendall foi utilizado o software ClimAp 3.0, programa desenvolvido em
linguagem Python, voltado para estudos climatológicos de precipitação e temperatura e índices
de extremos (SALVADOR, 2017) tendo como objetivo adapta-los para o estudo de poluição,
56
tendo em vista a possibilidade na utilização neste software de qualquer variável. Foi realizado
a climatologia dos 15 anos de dados para cada sensor.
Os resultados consistem na apresentação de gráficos de linha dos valores das
concentrações anuais de SO2, NO2, CO e CH4 para RMBA, RMLP, RMPA, RMS e RMSP. Os
parâmetros estatísticos utilizados foram o coeficiente de correlação Tau-Kendall (τ), p-valor e
percentil 90 (p90) respectivamente para detectar as tendências (negativas e positivas), verificar
a significâncias e identificar o valor que 90% dos dados estão abaixo do valor encontrado. Os
valores mensais (p-valor e tau-kendall) estão resumidos na forma de tabelas.
Foi adotado o limite de confiança de 95%, representado pelo α=0,05, que indica a
probabilidade de 5% a rejeição de uma hipótese nula quando verdadeira.
57
4. RESULTADOS E DISCUSSÕES
4.1 Análise Interquantílica
4.1.1 Análise dos boxplots
Os gráficos de boxplot para SO2 (Fig. 15) apresentaram um maior alongamento das
caudas superiores mostrando uma maior quantidade com altos valores (acima do 3° quartil –
Q75) e uma menor quantidade de valores mínimos (abaixo do 1° quartil – Q25) de janeiro a
dezembro em todas as regiões metropolitanas entre 2004 a 2019. Observamos que 50% dos
dados (entre o primeiro e terceiro quartil), em todas as regiões metropolitanas, tem uma
variabilidade entre 3-18 x 1035 molec/cm2, com o deslocamento da mediana alcançando maiores
valores nos meses de julho (RMBA e RMLP).
58
Figura 15 - Boxplot de dados mensais de SO2 sobre as cinco regiões metropolitanas da América do Sul
e tendência dos quantis superiores e médio. Tendências estatisticamente significantes são destacadas
com asterisco.
Para a análise das concentrações das colunas totais de NO2 (Fig. 16) é possível notar
uma sazonalidade bem definida das concentrações das regiões RMBA, RMS e RMSP com
maiores valores de abril a setembro. Os meses que apresentaram a cauda superior mais alongada
indicam que os dados médios de concentração de NO2 não estão bem distribuídos, devido a
valores mais altos estarem acima do terceiro quartil.
No boxplot observamos uma alta variabilidade das concentrações onde 50% dos dados
variaram entre 2 e 45 x 1014 molec/cm2, com as medianas alcançando maiores valores nos meses
de junho e julho (RMBA e RMSP). Para as RMBA, RMS e RMSP, houve um aumento das
concentrações e da variabilidade entre os meses de março a junho enquanto diminuição entre
os meses de julho a fevereiro.
59
Figura 16 - Boxplot de dados mensais de NO2 sobre as cinco regiões metropolitanas da América do Sul
e tendência dos quantis superiores e médio. Tendências estatisticamente significantes são destacadas
com asterisco.
Para CH4 (Fig. 17), foi possível observar uma não uniformidade quanto a variabilidade
dos valores de concentração, devido as caudas superiores (RMBA e RMS) e inferiores (RMLP,
RMPA e RMSP) estarem mais alongadas, o que mostra que há um grande número de altos
valores (hastes superiores) e baixos valores (hastes inferiores).
Nota-se que em 50% dos dados, em todas as regiões metropolitanas analisadas, as
concentrações têm variabilidade entre 3 e 18 ppb, com o deslocamento da mediana alcançando
maiores valores no mês de maio e junho (RMLP). Na RMLP, entre os meses de março a julho
houve aumento da concentração e nos demais meses ocorreram diminuição. Na RMS, de abril
a outubro e de novembro a março, respectivamente, houve queda e aumento das concentrações.
Nas RMBA, RMPA e RMSP a variabilidade das concentrações nos meses de novembro e
dezembro possuíram um leve aumento.
60
Figura 17 - Boxplot de dados mensais de CH4 sobre as cinco regiões metropolitanas da América do Sul
e tendência dos quantis superiores e médio. Tendências estatisticamente significantes são destacadas
com asterisco
Para a coluna total de CO (Fig. 18), em todas as regiões metropolitanas analisadas, foi
possível observar uma variabilidade uniforme das concentrações, com alguns meses
apresentando um leve aumento nas hastes superiores, com destaque principalmente nas regiões
RMPA (julho) e RMS (junho a setembro), e inferiores, RMLP (julho e agosto) e RMSP
(novembro e dezembro).
Analisando o boxplot, podemos observar que 50% dos dados tem uma variabilidade
entre 10 e 35 ppb, com o deslocamento da mediana entre 15 e 25 ppb e uma diminuição mais
61
evidente de maio a agosto (RMS). Nas RMLP e RMPA, entre março e maio, ocorreu aumento
da concentração e nos demais meses observa-se uma diminuição.
Figura 18 - Boxplot de dados mensais de CO sobre as cinco regiões metropolitanas da América do Sul
e tendência dos quantis superiores e médio. Tendências estatisticamente significantes são destacadas
com asterisco.
62
4.1.2 Tendências das concentrações
As tabelas a seguir descrevem os maiores/menores valores das tendências mensais
negativas e positivas dos quatro gases sob as cinco regiões metropolitanas. Os valores descritos
nas quatro tabelas foram obtidos através das 4 figuras anteriores, com o objetivo de destacar os
máximos/mínimos valores e quando ocorreram as tendências positivas e negativas. No caso da
RMBA, na primeira linha, para SO2 (Figura 15) as porcentagens enfatizam o aumento
(tendência positiva) ou decréscimo (tendência negativa) dos valores de concentração máximas
(Q90), médias (Q50) e mínimas (Q10). Destaca-se, portanto, nesta região metropolitana, no
quantil 90, a tendência de dobrar as concentrações dos maiores (100%) e mínimos (133%)
valores ao longo da série analisando (Tabela 12).
A análise Interquantílica mensal (Fig. 15-18) implica que nos meses com tendências
maiores no Q10, comparado com os demais quantis (Q50 e Q90), ocorreram aumento da
variabilidade dos mínimos valores além de aumento/diminuição da concentração dos valores
máximos e médios, nos casos de tendências positivas/negativas. Nos meses onde Q50 e Q90 as
tendências foram maiores do que o Q10, indicando que a variabilidade dos maiores e médios
valores está diminuindo, além de aumento (tendência positiva) e diminuição (tendência
negativa) das concentrações. Como exemplo, respectivamente para os dois casos, as tendências
foram maiores no mês de janeiro para RMSP (40,7%) (Fig.17) e RMPA (-23,7% e -34,4%)
(Fig. 15).
Tabela 12 - Maiores tendências (negativas/positivas), conforme o quantil, nas cinco regiões
metropolitanas para o SO2. Em parênteses, o mês que as respectivas tendências ocorreram.
Regiões
Q90
Negativas
Positivas
Maiores tendências
Q50
Q10
Negativas
Positivas
Negativas
Positivas
-24,8%
(jan)
-78,5% (fev)
133% (ago)
RMBA
-39,4% (abr) 100% (jul)
-27,6% (jun)
51% (fev)
RMLP
-28,3% (out) 79,7% (mar)
-44,6% (jun)
26,3% (mar)
RMPA
-55,6%
(mai)
-30,9%
(nov)
61,3% (dez)
-85,7% (mai) 94,6% (dez)
-139% (mai) 279% (fev)
26,4% (fev)
-44,2% (dez)
-90,6% (nov) 335% (mar)
RMS
48,3% (mai)
236% (mai)
63
RMSP
-27,4%
(dez)
72,7% (abr)
-46,9% (mar) 53,4% (ago)
-110% (nov) 42,9% (set)
Tabela 13 - Maiores tendências (negativas/positivas), conforme o quantil, nas cinco regiões
metropolitanas para o NO2. Em parênteses, o mês que as respectivas tendências ocorreram.
Regiões
Maiores tendencias
Q50
Q90
Negativas
Positivas
Q10
Negativas
Positivas
Negativas
Positivas
-
-46,5% (mar)
6,6% (out)
-65% (dez)
48,3% (mai)
-
191% (set)
-52,6% (dez)
70,4% (jun)
RMBA
-47,8% (mar)
RMLP
-
183% (set)
RMPA
-8,5% (mar)
63,6% (mai) -17,2% (mar)
33,2% (mai) -62,3% (set)
54,9% (dez)
RMS
-17,1% (jun)
84,7% (jan) -4,9% (mai)
91,7% (ago) -74,7% (abr)
714% (jun)
RMSP
-69,6% (mar)
29,8% (dez) -68,1% (abr)
15,2% (dez) -37,7% (nov)
40,7% (jan)
Tabela 14 - Maiores tendências (negativas/positivas), conforme o quantil, nas cinco regiões
metropolitanas para o CH4. Em parênteses, o mês que as respectivas tendências ocorreram.
Regiões
Maiores tendências
Q50
Q90
RMBA
RMLP
RMPA
RMS
RMSP
-22,3% (out)
-17,6% (fev)
-23,7% (jan)
-8,2% (nov)
-16,3% (nov)
3% (jan)
-37% (jun)
5,9% (mai) -28% (fev)
13,2% (out) -34,4% (jan)
14,5% (ago) -26% (abr)
5,9% (mai) -25,3% (jun)
Q10
40,4% (set) -46,4% (jan)
8% (set)
-47,5% (fev)
15,2% (ago) -49,1% (jul)
43,4% (ago) -71,6% (jan)
18,1% (dez) -38,6% (jun)
56,1% (ago)
257% (set)
54,5% (out)
23,5% (nov)
37% (set)
Tabela 15 - Maiores tendências (negativas/positivas), conforme o quantil, nas cinco regiões
metropolitanas para o CO. Em parênteses, o mês que as respectivas tendências ocorreram.
Regiões
Q90
Maiores tendências
Q50
Q10
RMBA
RMLP
RMPA
RMS
-6,9% (abr)
-2,3% (fev)
-7,5% (jul)
-6% (out)
7,9% (fev) -21,2% (jul)
2,7% (jul) -4,2% (nov)
4,9% (ago) -12,5% (jan)
3,9% (jul) -14,9% (set)
21,1% (set) -30,2% (jan)
12,4% (jun) -20,1% (fev)
11,8% (jul) -47,2% (fev)
44,6% (jun) -30,2% (abr)
36,4% (ago)
7,3% (dez)
83% (abr)
58,7% (mar)
RMSP
-5,3% (nov)
8,5% (jan) -17,2% (jun)
14,9% (jan) -48,7% (jun)
68,5% (mar)
64
4.2 Mann Kendall
4.2.1 Concentrações anuais
A análise de tendência climática através do teste de Mann Kendall nas concentrações
anuais de dióxido de enxofre (Fig.19) apontaram tendências negativas, com maior valor na
RMPA (τ=-0,56) e somente na RMLP não houve tendência e significância nas concentrações
(p-valor=0,723). Para o NO2 (Fig. 20) houve tendências negativas (RMBA, RMPA e RMSP) e
positiva (RMLP), com maiores valores na RMSP (τ=-0,56) e RMLP (τ=0,71); somente na
RMPA e RMS os dados anuais não foram significativos (p-valor≥0,1). Para o CH4 (Fig. 21)
ocorreram tendências negativas (RMLP, RMPA, RMS e RMSP), com um maior valor na RMLP
(τ=-0,60) dentre as quais somente na RMBA e RMPA não foram significativas. Para o CO (Fig.
22) em todas as regiões metropolitanas não ocorreram tendências (p-valor>0,5).
r=-0,56 p-valor=0,025
tau= -0,47 p-valor=0,015
r=-0,59 p-valor=0, 003
tau= -0,56 p-valor=0, 021
r=-0,20 p-valor=0,473
tau= -0,06 p-valor=0,723
r=-0,50 p-valor=0,057
tau= -0,44 p-valor=0,020
65
r=-0,57 p-valor=0, 025
tau= -0,47 p-valor=0,015
Figura 19 - Concentrações médias anuais de SO2 para as cinco regiões metropolitanas da AS. Linha azul
pontilhada descreve a tendência linear
r=-0,69 p-valor=0,004
tau= -0,52 p-valor=0,006
r=-0,19 p-valor=0,502
tau= -0,28 p-valor=0,151
r=0,89
p-valor=0,000
tau= 0,71 p-valor=0,000
r=0,09 p-valor=0, 755
tau= 0,07 p-valor=0,729
66
r=-0,66 p-valor=0, 005
tau= -0,54 p-valor=0, 004
Figura 20 - Gráficos das concentrações anuais de NO2 para as cinco regiões metropolitanas da
AS. Linha azul pontilhada descreve a tendência linear
r=-0,23
tau= -0,09
p-valor=0,408
p-valor=0,686
r=-0,40 p-valor=0, 039
tau= -0,32 p-valor=0,11
r=-0,72
tau= -0,60
p-valor=0,003
p-valor=0,003
r=-0,55 p-valor=0,039
tau= -0,41 p-valor=0,043
67
r=-0,57
tau= -0,43
p-valor=0,030
p-valor=0, 032
Figura 21 – Gráficos das concentrações anuais de CH4 para as cinco regiões metropolitanas da AS. Linha
azul pontilhada descreve a tendência linear
r=-0,23 p-valor=0, 407
tau= -0,10 p-valor=0, 586
r=0,02 p-valor=0, 948
tau= 0,04 p-valor=0, 804
r=0,10 p-valor=0, 728
tau= 0,07 p-valor=0, 729
r=-0,03 p-valor=0, 920
tau= 0,07 p-valor=0,729
68
r=--0,08 p-valor=0,764
tau= -0,05 p-valor=0, 804
Figura 22 - Concentrações anuais de CO para as cinco regiões metropolitanas da AS.
4.2.2 Tendências mensais
As tabelas abaixo descrevem as tendências (negativas e positivas) mensais, com base os
valores de τ e da significância das concentrações (p-valor) dos quatro gases sob as cinco regiões
metropolitanas. Para o SO2 (Tabela 16), as tendências mensais foram majoritariamente
negativas em todas as regiões metropolitanas sendo maiores (destaque em negrito) nos meses
de maio (RMBA), julho (RMPA), outubro (RMLP) e dezembro (RMS e RMSP). Conforme o
p-valor, as significâncias estatísticas (p-valor≤0,05) estiveram nos meses de janeiro (RMSP),
maio (RMBA e RMPA), junho (RMBA), julho (RMPA) e dezembro (RMSP).
As significâncias estatísticas sob tendências negativas mostram que nestas regiões
metropolitanas as chances das séries de concentrações de dióxido de enxofre de serem aleatórias
é menor que 5%. Destaca-se que estas significâncias estatísticas ocorreram em períodos de
meses quentes (verão - RMSP) e frios (outono e inverno - RMBA e RMPA).
69
Tabela 16 - Tendências mensais de SO2 para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência (sem
asterisco) e maiores em negrito para cada região.
Para o NO2 (Tabela 17), as tendências mensais foram majoritariamente negativas
(RMBA e RMSP), positivas (RMLP, RMPA) e igualmente negativas e positivas (RMS), sendo
maiores (destaque em negrito) nos meses de março (RMBA), abril (RMPA) e maio (RMSP) e
agosto (RMLP, RMS).
As significâncias estatísticas sob tendências negativas (RMBA, RMPA e RMSP) e
positivas (RMLP e RMS) mostram que nestas regiões metropolitanas as chances das series de
concentrações de NO2 de serem aleatórias é menor que o teste de hipótese em 5%. Destaca-se
que estas significâncias estatísticas ocorreram em períodos de meses quentes (verão – RMLP,
primavera – RMBA e RMLP) e frios (outono – RMLP e RMSP, inverno – em todas as regiões
metropolitanas).
Tabela 17 - Tendências mensais de NO2 para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência (sem
asterisco) e maiores em negrito para cada região.
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
τ
-0,35
0,10
-0,56
-0,54
-0,14
-0,24
-0,43
-0,37
-0,16
RMBA
p-valor
0,067*
0,586
0,004**
0,005**
0,458*
0,216
0,026**
0,054*
0,400*
RMLP
τ
p-valor
0,14 0,458*
0,24 0,216*
0,30 0,125*
0,58 0,003**
0,49 0,012**
0,58 0,003**
0,33 0,083*
0,62 0,001**
0,58 0,003**
RMPA
τ
p-valor
-0,16 0,400*
-0,24 0,216*
-0,41 0,033**
-0,43 0,026**
0,35
0,067*
0,05
0,805
0,05
0,805
0,12
0,520
-0,03 0,882
τ
-0,03
-0,05
-0,26
-0,37
-0,20
-0,14
0,10
0,39
0,12
RMS
p-valor
0,882
0,805
0,181*
0,054*
0,299*
0,458*
0,586
0,042**
0,520
RMSP
τ
p-valor
0,09 0,656
-0,01 0,961
-0,20 0,299*
-0,01 0,961
-0,71 0,000**
-0,62 0,001**
-0,07 0,729
-0,56 0,004**
-0,12 0,520
70
Out
Nov
Dez
-0,03
-0,39
-0,35
0,882
0,042**
0,067*
0,56
0,54
0,39
0,004**
0,005**
0,042**
0,12
0,01
0,03
0,520
0,961
0,882
0,35
0,26
0,10
0,067*
0,181*
0,586
-0,26
-0,35
0,07
0,181*
0,067*
0,729
Para o CH4 (Tabela 18) foram observadas tendências mensais majoritariamente
negativas em todas as regiões metropolitanas, sendo maiores (destaque em negrito), em ordem,
nos meses de fevereiro (RMLP), junho (RMSP), agosto (RMPA e RMS) e outubro (RMBA).
De acordo com os p-valor, as significâncias estatísticas estiveram sob fevereiro (RMLP), abril
(RMSP), junho (RMSP), agosto (RMS) e outubro (RMBA).
As significâncias estatísticas sob tendências negativas (RMBA, RMLP e RMSP) e
positivas (RMS) mostram que nestas regiões metropolitanas as chances das series de
concentrações de dióxido de enxofre de serem aleatórias é menor que 5%. Destaca-se que estas
significâncias estatísticas ocorreram em períodos de meses quentes (primavera – RMBA, verão
- RMLP) e frios (outono - RMSP, inverno - RMS e RMSP).
Tabela 18 - Tendências mensais de CH4 para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência (sem
asterisco) e maiores em negrito para cada região.
Para o CO (Tabela 19) as tendências mensais foram negativas (RMBA, RMLP e RMSP),
e igualmente positivas e negativas (RMPA e RMS), sendo maiores (destaque em negrito) nos
meses de janeiro (RMSP), junho (RMLP), agosto (RMPA, RMS) e outubro (RMBA). Somente
no mês de outubro ocorreu significância estatística na RMBA.
71
A significância estatística sob a tendência negativa somente no mês de outubro na
RMBA mostra que as chances da série de concentração de CO de ser aleatória é menor que o
teste de hipótese em 5%.
Tabela 19 - Tendências mensais de CO para as cinco regiões metropolitanas sul-americanas. Tendências
sem significância estatística (*), tendências significativas (**), ausência de tendência (sem asterisco) e
maiores em negrito para cada região.
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
Out
Nov
Dez
RMBA
τ
p-valor
0,14 0,458*
0,31 0,102*
0,14 0,458*
-0,28 0,151*
-0,35 0,067*
-0,12 0,520
-0,24 0,216*
0,30 0,125*
0,12 0,520
-0,47 0,015**
-0,20 0,299*
-0,18 0,347*
RMLP
τ
p-valor
0,12 0,520
-0,12 0,520
-0,03 0,882
0,10 0,586
-0,01 0,961
-0,30 0,125*
0,03 0,882
-0,05 0,805
-0,07 0,729
0,12 0,520
-0,18 0,347*
-0,10 0,586
RMPA
τ
p-valor
-0,20 0,299*
0,14 0,458*
-0,07 0,729
-0,24 0,216*
-0,22 0,255*
0,05 0,805
-0,05 0,805
0,35 0,067*
0,09 0,656
0,03 0,882
0,01 0,961
-0,12 0,520
RMS
τ
-0,14
-0,22
0,10
-0,31
0,18
0,28
0,10
0,35
-0,33
-0,18
0,07
-0,10
p-valor
0,458*
0,255*
0,586
0,102*
0,347*
0,151*
0,586
0,067*
0,083*
0,347*
0,729
0,586
RMSP
τ
p-valor
0,35 0,067*
-0,28 0,151*
-0,20 0,299*
-0,26 0,181*
0,09 0,656
-0,30 0,125*
0,12 0,520
-0,16 0,400*
0,12 0,520
0,16 0,400*
-0,18 0,347*
-0,05 0,805
4.2.3 Percentil 90 (p90)
A utilização do percentil 90 possibilita detectar os períodos com máximos valores das
concentrações dos quatro poluentes do presente estudo para as cinco regiões metropolitanas.
A análise do percentil 90 anual para o SO2 (Fig. 23) mostrou que, conforme os valores
de τ e p-valor, ocorreram tendências negativas em todas as regiões e significâncias estatísticas
somente nas RMBA e RMSP (p-valor≤0,05). Para o NO2 (Fig. 24), as tendências em 90% dos
dados foram negativas (RMBA e RMSP) e positivas (RMLP e RMPA) com significâncias
estatísticas (RMBA e RMSP). Para o CH4 (Fig. 25), exceto na RMBA, ocorreram tendências
negativas sem significância estatística (0,05 ≤ p-valor< 0,5). Para o CO (Fig. 26) as tendências
foram negativas (RMS) e positivas (RMSP), com significância estatística na RMSP (pvalor=0,013).
72
r=-0,51
p-valor=0, 052
tau=-0,43 p-valor=0, 025
r=-0,62
p-valor=0, 013
tau=-0,48 p-valor=0,013
r=-0,30
p-valor=0, 271
tau=-0,24 p-valor=0, 216
r=-0,44
p-valor=0, 098
tau=-0,34 p-valor=0 ,074
r=-0,47
p-valor=0, 077
tau=-0,33 p-valor=0, 083
Figura 23 - Valores de percentil 90 da concentração médias anuais de SO2 para as cinco regiões
metropolitanas sul-americanas. Linha de tendência em pontilhado.
73
r=-0,20
p-valor=0, 481
tau=-0,24 p-valor=0,216
r=0,54
tau=0,31
p-valor=0, 036
p-valor=0, 102
r=0,91
p -valor=0,000
tau=0,77 p-valor=0,000
r=0,51
p-valor=0,051
tau=0,37 p-valor=0,054
r=-0,81
p-valor=0, 000
tau=-0,71 p-valor=0, 000
Figura 24 - Valores de percentil 90 da concentração anuais de NO2 para as cinco regiões metropolitanas
sul-americanas. Linha de tendência em pontilhado.
74
p-valor=0, 253
p-valor=0, 238
r=-0,34
p-valor=0,204
tau= 0,28 p-valor=0,151
r=-0,50
p-valor=0, 054
tau= 0,35 p-valor=0,067
r=--0,37
p-valor=0,176
tau= -0,26 p-valor=0 ,181
r=-0,31
tau=0,26
r=-0,51
p-valor=0,052
tau= -0,33 p-valor= 0,083
Figura 25 - Valores de percentil 90 da concentração anuais de CH4 para as cinco regiões metropolitanas
sul-americanas. Linha de tendência em pontilhado.
75
r=0,21
tau= 0,10
p-valor=0,451
p-valor=0,586
r=-0,08
p-valor=0,767
tau= -0,05 p-valor=0,804
r=-0,13
p-valor= 0,650
tau= -0,10 p-valor=0,586
r=-0,45
p-valor= 0,089
tau= -0,27 p-valor=0,151
r=0,69
p-valor=0,004
tau= 0,48 p-valor=0,013
Figura 26 - Valores de percentil 90 da concentração anuais de CO para as cinco regiões
metropolitanas sul-americanas. Linha de tendência em pontilhado.
Para o SO2 (Tabela 20) foi observado que em 90% dos dados teve como maior valor
(2,28 x 1036 molec/cm2) e identificado 544 casos acima do p90 (extremos) entre 2005 e 2019
na RMS e o menor valor (2,16 x 1036 molec/cm2) com 545 casos na RMSP. Para o NO2 (Tabela
20) apresentou maior valor (44,5 x 1014 molec/cm2) com 441 casos extremos (RMSP) e o menor
(7,13 x 1014 molec/cm2) sendo identificado 480 dados acima do p90 (RMBA). Para o CH4
(Tabela 21) foi notado que em 90% teve como máximo valor (40,19 ppb) e detectado 346
76
valores extremos (RMSP) enquanto menor (31,75 ppb) com 346 casos (RMS). Para o CO
(Tabela 21) na RMLP apresentou maior valor (43,73 ppb), com 473 casos, enquanto na RMBA
houve o menor valor (36,31 ppb) com 506 casos.
Comparando as regiões metropolitanas com cada poluente mostra que há uma maior
quantidade de valores extremos no dióxido de enxofre ao longo dos 15 anos (2005-2019)
(Tabela 20).
Tabela 20 - Valores do percentil 90% (p90) e quantidade de extremos para SO2 e NO2 nas regiões
analisadas no período de 2005 a 2019. Maiores valores em negrito.
SO2 (e+36 molec/cm2)
RMBA
RMLP
RMPA
RMS
RMSP
P90
2,25
2,25
2,2
2,28
2,16
Número de eventos acima de p90
548
544
546
544
545
NO2 (e+14 molec/cm2)
P90
39,2
7,13
15,7
30,1
44,5
Número de eventos acima do p90
441
480
411
460
441
Tabela 21 - Valores do percentil 90 (p90) e quantidade de extremos para CH4 e CO nas
regiões analisadas no período de 2005 a 2019. Maiores valores em negrito.
P90
RMBA
RMLP
RMPA
RMS
RMSP
CH4 (ppb)
Número de eventos acima de p90
36
483
39,64 344
34,34 412
31,75 482
40,14 346
P90
CO (ppb)
Número de eventos acima do p90
36,31 506
43,73 473
39,24 490
36,89 540
41,15 456
Foi observado nas medições da coluna total de SO2 (Tabela 22), conforme o ano, que a
quantidade de extremos foi em maior quantidade nos anos de 2005 (RMPA - 56 e RMS - 49),
em 2006 (RMLP - 50 e RMSP - 47) e 2012 (RMBA - 46). Para o NO2 (Tabela 22) foram
maiores nos anos de 2007 (RMBA – 43), 2008 (RMSP - 46), 2014 (RMPA - 41), 2015 (RMS 37) e 2019 (RMLP - 60). Para o CH4 (Tabela 23) foi registrado maiores quantidades nos anos
de 2006 (RMPA - 36), 2007 (RMSP - 32), 2008 (RMBA - 38), 2009 (RMLP – 32 e RMPA 36) e 2012 (RMS - 40). Para o CO (Tabela 23) foram notados extremos em 2007 (RMS - 42),
em 2008 (RMBA - 40), em 2009 (RMLP - 38 e RMS - 42) e 2014 (RMPA - 46).
77
Tabela 22 - Valores extremos para o SO2 e NO2, ambos em molec/cm2. Maiores valores em
negrito
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
SO2
RMBA RMLP RMPA RMS RMSP
41
40
56
49
43
42
50
44
42
47
38
38
46
46
38
38
42
40
39
49
41
27
41
46
34
37
35
21
17
37
27
36
28
29
34
46
32
42
33
44
40
34
38
34
37
44
30
31
40
18
37
35
25
37
23
22
37
42
30
31
31
43
34
36
36
35
40
29
37
34
29
25
29
29
40
NO2
RMBA RMLP RMPA RMS RMSP
16
2
22
14
39
39
9
12
30
35
43
12
24
37
42
39
16
12
28
46
42
21
30
27
27
25
27
37
31
32
25
34
26
36
26
37
30
28
28
31
35
38
26
36
24
28
50
41
36
32
23
47
34
37
24
35
35
37
23
25
27
51
29
34
22
18
48
26
29
17
9
60
27
34
19
Tabela 23 - Valores extremos para o CH4 e CO, ambos em ppb. Maiores valores em negrito
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
CH4
RMBA RMLP RMPA RMS RMSP
32
23
32
30
24
36
30
36
35
18
33
23
34
42
32
38
25
28
35
27
33
32
36
35
28
29
15
20
34
24
25
18
23
24
25
29
24
29
40
21
33
21
27
32
21
22
22
28
39
24
37
27
17
22
22
35
26
27
25
19
27
21
28
36
19
37
18
20
26
23
37
17
27
27
19
CO
RMBA RMLP RMPA RMS RMSP
33
36
30
34
29
39
35
30
36
23
35
31
35
42
31
40
31
34
35
29
35
38
32
42
28
30
31
35
33
29
27
23
30
37
28
30
27
36
41
34
35
30
35
37
30
24
30
46
41
32
39
35
26
27
28
37
26
26
31
30
28
33
31
34
34
37
34
31
37
34
37
33
33
33
37
Os percentis 90 mensais dos quatro poluentes para as cinco regiões metropolitanas da
AS podem ser visualizados nas tabelas 24 e 25.
Para o SO2 (Tabela 24) os máximos valores (destaque em negrito) do percentil 90
ocorreram nos meses de julho (RMBA e RMPA), agosto (RMLP e RMSP) e setembro (RMPA).
78
A diferença entre os maiores e menores valores ao longo dos 12 meses foram de 0,67 x1036
molec/cm2 (RMBA), 0,26x1036 molec/cm2 (RMLP), 0,28 x1036 molec/cm2 (RMPA) 0,46 1036
molec/cm2 (RMS) e 0,22 x 1036 molec/cm2 (RMSP).
No trimestre DJF (dezembro a fevereiro), nos meses de janeiro e fevereiro houve,
respectivamente, aumento e diminuição (RMBA), diminuição e aumento (RMLP e RMSP) e
somente aumento (RMPA e RMS) quando comparado com dezembro. Para o período MAM
(março a maio), ocorreu aumento e diminuição (RMBA), diminuição e aumento (RMLP,
RMPA e RMS) e somente diminuição (RMSP). Já no JJA (junho a agosto) houve aumento e
redução dos valores em agosto e setembro (RMBA, RMPA e RMS), somente aumento (RMLP
e RMSP). Para o SON (setembro a novembro), houve somente aumento nos segundo e terceiro
meses (RMBA), diminuição e aumento (RMLP, RMPA, RMS e RMSP).
Para o NO2 (Tabela 24) os valores mais altos de p90 foram nos meses de junho (RMBA,
RMS e RMSP), agosto (RMPA) e novembro (RMLP). A variação entre os maiores e menores
percentis 90 foram 31,77x1014 molec/cm2 (RMBA), 1,35x1014 molec/cm2 (RMLP), 6,48 x1014
molec/cm2 (RMPA), 31,29x1014 molec/cm2 (RMS) e 31,45 x1014 molec/cm2 (RMSP).
Durante DJF, os p90 tiveram um comportamento de somente aumentar (RMBA) e
diminuir (RMLP e RMSP) nos meses de janeiro e fevereiro, aumento e diminuição (RMPA,
RMS), quando comparado com o mês de dezembro. Para MAM, observa-se que houve somente
aumento (RMBA, RMPA, RMS e RMSP), diminuição e aumento (RMLP). No período JJA,
ocorreu somente diminuição (RMBA, RMS e RMSP) aumento (RMPA) nos meses de julho e
agosto, aumento e diminuição (RMLP). Para SON, nota-se diminuição em novembro e
dezembro (RMBA, RMS e RMSP) enquanto diminuição no segundo mês e aumento no terceiro
(RMLP e RMPA).
Tabela 24 - Valores de percentil 90 da concentração mensais de SO2 e NO2 para as cinco regiões
metropolitanas sul-americanas entre 2005 a 2019. Maiores valores em negrito.
SO2 (e+36 molec/cm2)
Jan
Fev
Mar
Abr
Mai
NO2 (e+14 molec/cm2)
RMBA
RMLP
RMPA
RMS
RMSP
RMBA
RMLP
RMPA
RMS
RMSP
2,350
2,159
2,032
2,396
2,213
2,065
2,287
2,207
2,146
2,322
2,187
2,308
2,189
2,185
2,211
2,303
2,322
2,159
2,062
2,166
2,055
2,181
2,227
2,196
2,091
25,04
25,09
23,45
33,39
52,53
6,85
6,42
6,51
6,33
6,67
13,66
13,64
13,34
15,43
16,84
16,79
16,18
20,70
32,41
42,70
26,81
26,31
27,63
33,44
49,30
79
Jun
Jul
Ago
Set
Out
Nov
Dez
2,056
2,486
2,260
2,234
2,303
2,296
2,181
2,278
2,312
2,325
2,206
2,129
2,315
2,217
2,208
2,309
2,195
2,236
2,118
2,215
2,027
2,070
2,327
2,154
2,523
2,338
2,359
2,262
2,004
2,184
2,270
2,264
2,077
2,142
2,233
55,51
51,84
42,38
37,61
29,50
23,75
23,24
7,44
7,67
7,45
7,33
6,66
7,86
7,18
17,82
18,05
19,17
15,68
14,62
15,01
12,69
46,60
41,62
29,55
22,41
18,38
16,21
15,31
57,76
56,05
50,80
44,35
34,30
28,62
28,43
Para o CH4 (Tabela 25) os valores mais altos do percentil 90 estiveram nos meses
de janeiro (RMPA), março (RMS), junho (RMBA, RMLP e RMSP). A diferença entre os
maiores e menores valores foram de 4,36 ppb (RMBA), 8,19 ppb (RMLP), 3,18 ppb (RMPA),
6,32 ppb (RMS) e 1,73 ppb (RMSP).
No trimestre DJF, os valores de p90 nos segundo e terceiro meses ocorreram somente
diminuição (RMBA, RMLP, RMPA), diminuição e aumento (RMS e RMSP); no MAM,
ocorreu diminuição e aumento nos meses de maio e junho (RMBA e RMSP), somente aumento
(RMLP e RMS), aumento e diminuição (RMPA); para JJA, houve diminuição e aumento nos
meses de agosto e setembro (RMBA), somente diminuição (RMLP e RMS), aumento seguido
de diminuição (RMPA) e somente diminuição (RMSP); no SON, aconteceram somente
aumento (RMBA e RMS) e diminuição (RMSP) em novembro e dezembro, diminuição seguido
de aumento (RMLP), aumento e diminuição (RMPA).
Para o CO (Tabela 25) observa-se que os maiores valores de p90 em cada região
metropolitana foram janeiro (RMPA), março (RMBA e RMS) e maio (RMLP e RMSP). A
variação ao longo dos 12 meses foi de 1,76 ppb (RMBA), 3,29 ppb (RMLP), 2 ppb (RMPA),
2,72 ppb (RMS) e 3,28 ppb (RMSP).
No período DJF, nota-se que houve aumento (RMBA) e diminuição (RMLP)
dos valores de p90 nos dois últimos meses , aumento e diminuição (RMPA), diminuição e
aumento (RMS e RMSP); no MAM, observa-se diminuição nos segundo e terceiro meses
(RMBA e RMS), somente aumento (RMLP e RMSP), aumento e diminuição (RMPA); no
trimestre JJA os valores do percentil 90 diminuiu no segundo mês e aumento no terceiro meses
(RMBA), somente diminuição (RMLP) e aumento (RMPA), aumento e diminuição (RMS),
diminuição e aumento (RMSP) ; no SON, houve decréscimo em outubro e aumento em
novembro (RMBA e RMLP), aumento seguido de diminuição (RMPA), somente aumento
(RMS) e diminuição (RMSP).
80
Tabela 25 – Valores de percentil 90 da concentração mensais de CH4 e CO para as cinco regiões
metropolitanas sul-americanas entre 2005 a 2019. Maiores valores em negrito
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
Out
Nov
Dez
RMBA
32,37
31,42
31,65
31,61
32,25
32,92
29,96
30,01
28,56
30,37
32,11
32,83
CH4 (ppb)
RMLP
RMPA
34,90
35,62
34,84
34,48
39,19
33,68
42,02
33,76
42,85
32,44
43,03
34,52
41,86
35,18
39,66
34,70
39,53
33,31
37,45
34,50
38,85
34,07
37,35
35,75
RMS
31,95
33,56
34,83
33,39
31,43
31,54
31,57
30,15
28,51
28,76
31,45
32,38
RMSP
39,08
40,66
40,59
39,50
40,54
40,78
40,66
40,11
40,20
39,09
38,70
40,82
RMBA
35,85
36,37
37,61
37,47
37,39
36,64
36,35
36,49
36,11
35,85
36,39
35,90
RMLP
42,02
41,53
43,75
44,19
44,82
44,44
44,29
43,49
43,68
42,99
43,09
42,77
CO (ppb)
RMPA RMS
39,76
36,87
39,46
37,48
39,67
37,74
39,71
37,41
38,73
36,73
37,76
35,49
38,52
36,05
38,74
35,73
37,43
35,02
39,64
36,80
38,89
36,94
39,24
37,07
RMSP
40,57
40,93
41,15
41,23
43,38
43,21
41,24
42,17
41,18
40,37
39,46
40,98
As tendências mensais dos p90 para o SO2 (Tabela 26) foram majoritariamente
negativas em todas as regiões metropolitanas sendo as maiores nos meses de abril (RMBA e
RMS), julho (RMPA), agosto (RMSP) e outubro (RMLP).
As significâncias estatísticas sob tendências negativas em todas as regiões
metropolitanas mostram que as chances de 90% dos dados de SO2 de serem aleatórias é menor
que 5%. Destaca-se que estas significâncias estatísticas ocorreram em períodos de meses
quentes (primavera – RMLP, verão - RMSP) e frios (outono – RMBA e RMS, inverno – RMPA
e RMSP).
Tabela 26 – Tendências mensais do p90 de SO2 para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência (sem
asterisco) e maiores em negrito para cada região.
81
Para o NO2 (Tabela 27), as tendências mensais do p90 foram, em maior quantidade,
negativas (RMBA e RMSP) e positivas (RMLP, RMPA e RMS) sendo maiores nos meses de
março (RMBA), maio (RMSP), agosto (RMS), outubro (RMPA) e novembro (RMLP).
As significâncias estatísticas sob tendências negativas (RMBA, RMLP e RMSP) e
positivas (RMPA, RMS e RMSP) destacam que nestas regiões metropolitanas as chances de
90% dos valores das concentrações de NO2 de serem aleatórias é nula pelo teste de hipótese
adotado (5%) e inserido no intervalo de confiança de 95%. Destaca-se que estas significâncias
estatísticas ocorreram em períodos de meses quentes (primavera – RMBA, RMLP, RMPA e
RMS, verão - RMSP) e frios (outono - RMSP, inverno - RMS e RMSP).
Tabela 27 – Tendências mensais do p90 de NO2 para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência (sem
asterisco) e maiores em negrito para cada região.
Para o CH4 (Tabela 28), as tendências mensais dos percentis 90 foram majoritariamente
negativas em todas as regiões metropolitanas, sendo maiores nos meses de janeiro (RMBA e
RMPA), fevereiro (RMLP), março (RMSP) e novembro (RMS).
As significâncias estatísticas sob tendências negativas (RMLP, RMPA e RMSP)
enfatizam que nestas regiões metropolitanas as chances de 90% dos valores das concentrações
de CH4 de serem aleatórias são nulas. Destaca-se que estas significâncias estatísticas ocorreram
em períodos de meses quentes (verão – RMLP e RMPA) e frios (outono - RMSP).
82
Tabela 28 – Tendências mensais do p90 de CH4 para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência (sem
asterisco) e maiores em negrito para cada região.
Para o CO (Tabela 29), maior parte das tendências mensais de percentil 90 foram
negativas (RMBA e RMS), positivas (RMLP e RMSP) e igualmente positivas e negativas
(RMPA), sendo em maior quantidade nos meses de março (RMLP), abril (RMBA e RMPA),
julho (RMS), agosto (RMSP) e outubro (RMPA e RMS).
As significâncias estatísticas sob tendências negativas (RMPA) e positivas (RMPA e
RMSP) evidencia que nestas regiões metropolitanas as chances de 90% dos valores das
concentrações de CO de serem aleatórias é menor que 5%. Destaca-se que estas significâncias
estatísticas ocorreram em períodos de meses quentes (primavera – RMPA) e frios (outono RMPA, inverno - RMSP).
Tabela 29 – Tendências mensais do p90 de CO para as cinco regiões metropolitanas sul-americanas.
Tendências sem significância estatística (*), tendências significativas (**), sem tendência (sem
asterisco) e maiores em negrito para cada região.
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
Out
Nov
Dez
RMBA
τ
p-valor
0,26 0,181*
0,10 0,586
-0,01 0,960
-0,29 0,125*
-0,14 0,458*
0,10 0,586
-0,21 0,255*
0,16 0,400*
0,16 0,400*
-0,24 0,216*
0,18 0,347*
-0,22 0,255*
RMLP
τ
p-valor
0,08
0,66
-0,05 0,80
-0,2
0,298*
0,12
0,520
0,22
0,255*
0,01
0,960
0,09
0,656
-0,05 0,804
-0,14 0,458*
0,07
0,729
-0,05 0,805
0,028 0,882
RMPA
τ
p-valor
-0,26 0,181*
-0,10 0,586
0,12 0,520
-0,39 0,042**
0,14 0,458*
-0,01 0,960
-0,22 0,255*
0,22 0,255*
-0,31 0,102*
0,39 0,042**
0,20 0,299*
0,10 0,59
RMS
τ
-0,20
-0,18
-0,10
-0,14
-0,03
0,12
0,22
0,26
-0,12
-0,22
0,01
0,16
p-valor
0,298*
0,347*
0,586
0,458*
0,882
0,520
0,255*
0,181*
0,520
0,255*
0,960
0,400*
RMSP
τ
p-valor
0,24 0,216*
-0,07 0,729
-0,29 0,125*
0,10 0,586
0,10 0,586
0,10 0,586
0,10 0,586
0,38 0,047**
0,28 0,151*
0,05 0,804
-0,08 0,656
0,31 0,102*
83
5. CONCLUSÕES
A análise interquantílica possibilitou a avaliação das tendências positivas e negativas
em diferentes quantis nas RMBA, RMLP, RMPA, RMS e RMSP, para os quatro gases. As
análises das tendências, obtidas no presente estudo, possibilitaram avaliar as concentrações
extremas e médias bem como a variabilidade das concentrações das colunas totais desses gases
em diversas regiões da América do Sul.
Para os dados de três gases (CH4, CO e SO2) foi detectado um maior número de valores
mínimos e máximos, respectivamente, abaixo do primeiro quartil (Q25) e acima do terceiro
quartil (Q75) para os meses em que as caudas superiores e inferiores foram mais alongadas. Os
gráficos de NO2 para RMBA, RMS e RMSP foram os únicos que mostraram uma sazonalidade
quanto ao crescimento, nos meses de março a junho e diminuição das concentrações de julho a
fevereiro.
O teste de Mann Kendall mostrou que há uma maior quantidade de tendências positivas
somente no NO2 (RMLP – mês 12) (Tabela 17) enquanto negativas no SO2 (RMBA – 10), NO2
(RMBA – 9), CH4 (RMLP – 8) e CO (RMBA e RMSP – 6) (Tabelas 16 a 19). Anualmente, as
concentrações nas cinco regiões metropolitanas apresentaram maior tendência positiva na
RMLP para o SO2 (τ=0,71) enquanto negativa na RMLP para o CH4 (τ=-0,60) (Figuras 19 e
22). Mensalmente foram maiores, respectivamente, ambos para o NO2 na RMLP no mês de
agosto (τ=0,62) e na RMSP no mês de maio (τ=-0,71) (Tabela 17), que estão em períodos frios
(outono e inverno).
Os percentis 90 anuais apresentaram maiores valores na RMSP (NO2 – 44,5 x 1014
molec/cm2 e CH4 – 40,14 ppb), RMLP (CO - 43,73 ppb) e RMS (SO2 – 2,28 x 1036 molec/cm2)
(Tabelas 20 e 21) sendo os extremos (valores acima do p90) com maior quantidade, em todas
as regiões metropolitanas, no SO2 (544 a 548 casos) e especificamente em 2019 no NO2 (RMLP
– 60) (Tabela 22).
Há uma maior quantidade de tendências positivas em 90% dos dados somente no NO2
(RMLP – mês 12) enquanto negativas no SO2 (RMBA – 8), NO2 (RMS – 10), CH4 (RMLP e
RMSP– 6) e CO (RMBA – 5) (Tabelas 26 a 29). Anualmente, as concentrações nas cinco
regiões metropolitanas apresentaram maior tendência positiva na RMLP para o NO2 (τ=0,77)
84
enquanto negativa na RMSP para o NO2 (τ=-0,71) (Figura 24). Mensalmente foram maiores,
respectivamente, ambos para RMLP para o NO2 no mês de novembro (τ=0,68) e para o CH4 no
mês de fevereiro (τ=-0,62) (Tabelas 26 e 28), que estão em períodos quentes (primavera e
verão).
No geral, pelos valores de τ e p-valor, os quatro gases apresentaram tendências de
diminuição da concentração tanto anualmente como mensalmente e indicam que há uma
melhoria da qualidade do ar nas cinco regiões metropolitanas sul-americanas.
Foi percebido que em 90% dos dados (p90), em algumas regiões (NO2 – RMPA e RMS,
CO – RMLP, RMPA, RMSP) apresentaram um aumento das tendências positivas em
detrimento a redução das negativas (ex: NO2 e SO2– RMPA) que pode ser atribuído a uma
maior quantidade de tendências de diminuição nos 10% que estão inseridos acima do p90
(extremos) e indicam que haveria uma piora na qualidade do ar nestas áreas metropolitanas.
85
6. REFERÊNCIAS BIBLIOGRAFICAS
ABRUTZKY, R. et al. Atmospheric pollution and mortality. A comparative study between
two Latin American cities: Buenos Aires (Argentina) and Santiago (Chile). International
Journal of Environment and Health, v. 6, n. 4, p. 363–380, 2013.
AKIMOTO, H. Global Air Quality and Pollution. Science, v. 302, n. 5651, p. 1716–1719,
2003.
AMIRI, N. et al. Stable sulfur isotope measurements to trace the fate of SO2 in the Athabasca
oil sands region. Atmospheric Chemistry and Physics, v. 18, n. 11, p. 7757–7780, 2018.
ANDRADE, J. COP24: países definem regras para implementar Acordo de Paris.
Disponível em: <https://agenciabrasil.ebc.com.br/internacional/noticia/2018-12/cop24paises-definem-regras-para-implementar-acordo-de-paris>.
ARAYA., R. T. et al. Inhaled and inspired particulates in Metropolitan Santiago Chile exceed
air quality standards. Building and Environment, v. 79, p. 115–123, 2014.
AUMANN, H. H. et al. AIRS/AMSU/HSB on the aqua mission: Design, science objectives,
data products, and processing systems. IEEE Transactions on Geoscience and Remote
Sensing, v. 41, n. 2 PART 1, p. 253–263, 2003.
BARRY, R. H.; CHORLEY, R. J. Atmosfera, tempo e clima. 9a ed. Porto Alegre: Bookman,
2013.
BECHLE, M. J.; MILLET, D. B.; MARSHALL, J. D. Remote sensing of exposure to NO2:
Satellite versus ground-based measurement in a large urban area. Atmospheric
Environment, v. 69, n. 2, p. 345–353, 2013.
BERGAMASCHI, P. et al. Atmospheric CH4 in the first decade of the 21st century: Inverse
modeling analysis using SCIAMACHY satellite retrievals and NOAA surface measurements.
Journal of Geophysical Research Atmospheres, v. 118, n. 13, p. 7350–7369, 2013.
BOERSMA, K. F. et al. Validation of OMI tropospheric NO2 observations during INTEX-B
and application to constrain NOx emissions over the eastern United States and Mexico.
Atmospheric Environment, v. 42, n. 19, p. 4480–4497, 2008.
BOUSQUET, P. et al. Contribution of anthropogenic and natural sources to atmospheric
methane variability. Nature, v. 443, n. 7110, p. 439–443, 2006.
BOUSQUET, P. et al. Source attribution of the changes in atmospheric methane for 20062008. Atmospheric Chemistry and Physics, v. 11, n. 8, p. 3689–3700, 2011.
CAIAZZO, F. et al. Air pollution and early deaths in the United States. Part I: Quantifying the
impact of major sectors in 2005. Atmospheric Environment, v. 79, p. 198–208, 2013.
CARN, S. A. et al. Quantifying tropospheric volcanic emissions with AIRS: The 2002
eruption of Mt. Etna (Italy). Geophysical Research Letters, v. 32, n. 2, p. 1–5, 2005.
86
CASTELLANOS, P.; BOERSMA, K. F. Reductions in nitrogen oxides over Europe driven
by environmental policy and economic recession. Scientific Reports, v. 2, n. 2, p. 1–7, 2012.
CHAHINE, M. T. et al. Improving weather forecasting and providing new data on greenhouse
gases. Bulletin of the American Meteorological Society, v. 87, n. 7, p. 911–926, 2006.
CHEN, T. M. et al. Outdoor air pollution: Nitrogen dioxide, sulfur dioxide, and carbon
monoxide health effects. American Journal of the Medical Sciences, v. 333, n. 4, p. 249–
256, 2007.
CONAMA. Conselho Nacional do Meio Ambiente - Resolução n° 491, de 19 de novembro
de
2018.
Disponível
em:
<http://www.in.gov.br/materia//asset_publisher/Kujrw0TZC2Mb/content/id/51058895>.
CONSTATINE, G. Cable cars reach new heights in Bolivia’s capital. Disponível em:
<https://thesustainablecity.wordpress.com/2014/11/12/cable-cars-reach-new-heights-inbolivias-capital/>.
CORONADO, C. R.; DE CARVALHO, J. A.; SILVEIRA, J. L. Biodiesel CO2 emissions: A
comparison with the main fuels in the Brazilian market. Fuel Processing Technology, v. 90,
n. 2, p. 204–211, 2009.
COZIER, M. The 24 th United Nations Conference of Parties (COP 24) Climate Change
Summit. Greenhouse Gases: Science and Technology, v. 9, n. 1, p. 6–9, 2019.
DA SILVA JUNIOR, R. S.; ANDRADE, M. D. F. Validação de poluentes fotoquímicos e
inclusão do inventário de emissões no modelo de qualidade do ar WRF/CHEM, Para a região
metropolitana de São Paulo. Revista Brasileira de Meteorologia, v. 28, n. 1, p. 105–121,
2013.
DHAKAL, N.; THARU, B. Spatio-temporal trends in daily precipitation extremes and their
connection with North Atlantic tropical cyclones for the southeastern United States.
International Journal of Climatology, n. 38, p. 3822–3831, 2018.
DLUGOKENCKY, E. J. et al. Observational constraints on recent increases in the
atmospheric CH 4 burden. Geophysical Research Letters, v. 36, n. 18, p. 3–7, 2009.
DUNCAN, B. N. et al. A space-based, high-resolution view of notable changes in urban NOx
pollution around the world (2005–2014). Journal of Geophysical Research Oceans, v. 120,
n. X, p. 1–16, 2016.
EDWARDS, D. P. et al. Observations of carbon monoxide and aerosols from the Terra
satellite: Northern Hemisphere variability. Journal of Geophysical Research D:
Atmospheres, v. 109, n. 24, p. 1–17, 2004.
EMPLASA. Empresa Paulista de Planejamento Metropolitano S/A - Região
Metropolitana de São Paulo. Disponível em: <https://www.emplasa.sp.gov.br/RMSP>.
FAN, L.; CHEN, D. Trends in extreme precipitation indices across China detected using
quantile regression. Atmospheric Science Letters, v. 17, n. 7, p. 400–406, 2016.
87
FARTHING, L. Pollution levels in Bolivia plummet on nationwide car-free day.
Disponível em: <https://www.theguardian.com/cities/2017/sep/03/bolivia-car-free-daypollution>.
FIOLETOV, V. E. et al. A global catalogue of large SO2 sources and emissions derived from
the Ozone Monitoring Instrument. Atmospheric Chemistry and Physics, v. 16, n. 18, p.
11497–11519, 15 set. 2016.
FONSECA, J. S.; MARTINS, G. DE A. Curso de Estatistica. 6a Ed. ed. São Paulo: Editora
Atlas, 2011.
FRANKENBERG, C. et al. Satellite chartography of atmospheric methane from
SCIAMACHY on board ENVISAT: Analysis of the years 2003 and 2004. Journal of
Geophysical Research Atmospheres, v. 111, n. 7, p. 1–18, 2006.
FRASER, A. et al. Estimating regional methane surface fluxes: The relative importance of
surface and GOSAT mole fraction measurements. Atmospheric Chemistry and Physics, v.
13, n. 11, p. 5697–5713, 2013.
FREITAS, S. R.; LONGO, K. M.; RODRIGUES, L. F. Modelagem numérica da composição
química da atmosfera e seus impactos no tempo, clima e qualidade do ar. Revista Brasileira
de Meteorologia, v. 24, n. 2, p. 188–207, 2009.
G1. COP 25: veja repercussão do acordo que adiou para 2020 decisões sobre combate ao
aquecimento
global.
Disponível
em:
<https://g1.globo.com/natureza/noticia/2019/12/15/cop-25-veja-repercussao-do-acordo-queadiou-para-2020-decisoes-sobre-combate-ao-aquecimento-global.ghtml>.
GARCIA-CHEVESICH, P. A. et al. Respiratory disease and particulate air pollution in
Santiago Chile: Contribution of erosion particles from fine sediments. Environmental
Pollution, v. 187, p. 202–205, 2014.
GEORGE, M. et al. Carbon monoxide distributions from the IASI / METOP mission :
evaluation with other space-borne remote sensors To cite this version : HAL Id : hal-00429693
and Physics Carbon monoxide distributions from the IASI / METOP mission : evaluation with
other spa. Atmospheric Chemistry and Physics, n. 9, p. 8317–8330, 2009.
GEORGOULIAS, A. K. et al. A study of the total atmospheric sulfur dioxide load using
ground-based measurements and the satellite derived Sulfur Dioxide Index. Atmospheric
Environment, v. 43, n. 9, p. 1693–1701, 2009.
GRIMM, A. M. Clima da Região Sul do Brasil. In:Tempo e Clima no Brasil. [s.l.] Oficina
de Textos, 2009.
GRUZDEV, A. N.; ELOKHOV, A. S. Validating NO2 measurements in the vertical
atmospheric column with the OMI instrument aboard the EOS Aura satellite against groundbased measurements at the Zvenigorod Scientific Station. Izvestiya - Atmospheric and
Ocean Physics, v. 45, n. 4, p. 444–455, 2009.
GUIMARÃES, C. DE S. Controle e monitoramento de poluentes atmosféricos. 1a ed. Rio
de Janeiro: Elsevier, 2016.
88
HAN, S. et al. Analysis of the relationship between O3, NO and NO2 in Tianjin, China.
Aerosol and Air Quality Research, v. 11, n. 2, p. 128–139, 2011.
HARTMANN, D. L. Global Physical Climatology. [s.l.] Academic Press, 1994.
HEALD, C. L. et al. Comparative inverse analysis of satellite (MOPITT) and aircraft
(TRACE-P) observations to estimate Asian sources of carbon monoxide. Journal of
Geophysical Research D: Atmospheres, v. 109, n. 23, p. 1–17, 2004.
HERRON-THORPE, F. L. et al. Evaluation of a regional air quality forecast model for
tropospheric NO2 columns using the OMI/Aura satellite tropospheric NO2 product.
Atmospheric Chemistry and Physics, v. 10, n. 18, p. 8839–8854, 2010.
HERRON-THORPE, F. L. et al. Regional air-quality forecasting for the Pacific Northwest
using MOPITT/TERRA assimilated carbon monoxide MOZART-4 forecasts as a near realtime boundary condition. Atmospheric Chemistry and Physics, v. 12, n. 12, p. 5603–5615,
2012.
HOSAMANE, S. N.; DESAI, G. P. Urban Air Pollution Trend in India - Present Scenario.
International Journal of Innovative Reseach in Science, Engineering and Technology, v.
2, n. 8, p. 3738–3747, 2013.
HUANG, Q. et al. Quantile Regression Models and Their Applications: A Review. Journal
of Biometrics & Biostatistics, v. 08, n. 03, 2017.
INEA. Relatorio da Qualidade do Ar do Estado do Rio de Janeiro - ano base 2015. Rio
de
Janeiro:
[s.n.].
Disponível
em:
<http://www.inea.rj.gov.br/cs/groups/public/@inter_dimfis_gear/documents/document/zwe
w/mtmx/~edisp/inea0131852.pdf>.
JATOBÁ, B. R. G. et al. Validação de resultados da simulação de poluentes químicos para
a Região Metropolitana de Santiago usando o modelo WRF/Chem. IX Workshop
Brasileiro de Micrometeorologia. Santa Maria -RS: 2015
JIANG, G.; YAN, H.; MA, L. Intercalibration of SVISSR / FY-2C Infrared Channels Against
MODIS / Terra and AIRS / Aqua Channels. v. 47, n. 5, p. 1548–1558, 2009.
KLIMONT, Z.; SMITH, S. J.; COFALA, J. The last decade of global anthropogenic sulfur
dioxide: 2000-2011 emissions. Environmental Research Letters, v. 8, n. 1, 2013.
KLUMPP, A. et al. European network for the assessment of air quality by the use of
bioindicator plants - the first year of EuroBionet. Disponível em:
<https://www.osti.gov/etdeweb/biblio/20276396>.
KOPACZ, M. et al. Global estimates of CO sources with high resolution by adjoint inversion
of multiple satellite datasets (MOPITT, AIRS, SCIAMACHY, TES). Atmospheric
Chemistry and Physics, v. 10, n. 3, p. 855–876, 2010.
KOTTEK, M. et al. World map of the Köppen-Geiger climate classification updated.
Meteorologische Zeitschrift, v. 15, n. 3, p. 259–263, 2006.
89
KROTKOV, N. A. et al. Validation of SO2 retrievals from the Ozone Monitoring Instrument
over NE China. Journal of Geophysical Research Atmospheres, v. 113, n. 16, p. 1–13,
2008.
KROTKOV, N. A. et al. Aura OMI observations of regional SO2 and NO2 pollution changes
from 2005 to 2015. Atmospheric Chemistry and Physics, v. 16, n. 7, p. 4605–4629, 2016.
KROTKOV, N. A. et al. The version 3 OMI NO<sub>2</sub> standard product.
Atmospheric Measurement Techniques Discussions, n. 2, p. 1–42, 2017.
KUMAR, K. et al. Forecasting daily maximum surface ozone concentrations in brunei
darussalam—an ARIMA modeling approach. Journal of the Air and Waste Management
Association, v. 54, n. 7, p. 809–814, 2004.
LAMSAL, L. N. et al. Scaling relationship for NO2 pollution and urban population size: A
satellite perspective. Environmental Science and Technology, v. 47, n. 14, p. 7855–7861,
2013.
LAMSAL, L. N. et al. Evaluation of OMI operational standard NO2 column retrievals using
in situ and surface-based NO2 observations. Atmospheric Chemistry and Physics, v. 14, n.
21, p. 11587–11609, 2014.
LARSEN, B. SPEAKER Bjorn Larsen Summary: White Paper Report by Bjorn Larsen. 2015.
LE QUÉRÉ, C. et al. Global Carbon Budget 2018 (pre-print). Earth System Science Data
Discussions, v. pre print, n. November, p. 1–54, 2018.
LEE, C. et al. SO2 emissions and lifetimes: Estimates from inverse modeling using in situ and
global, space-based (SCIAMACHY and OMI) observations. Journal of Geophysical
Research Atmospheres, v. 116, n. 6, p. 1–13, 2011.
LI, H.; WANG, J.; YANG, H. A novel dynamic ensemble air quality index forecasting system.
Atmospheric Pollution Research, n. January, p. 1–13, 2020.
LIJUN, F. A. N.; ZHE, X. Using quantile regression to detect relationships between largescale predictors and local precipitation over northern china. Advances in Atmospheric
Sciences, v. 32, n. April, p. 541–552, 2015.
LIU, T. et al. Seasonal impact of regional outdoor biomass burning on air pollution in three
Indian cities: Delhi, Bengaluru, and Pune. Atmospheric Environment, v. 172, n. October
2017, p. 83–92, 2018.
LOGAN, J. A. et al. Tropospheric chemistry: A global perspective. v. 86, n. 1, p. 7210–7254,
1981.
MARIANO, E. V.; PAES LEME, N. M.; ALVALÁ, P. . Medidas de Dióxido de Enxofre
utilizando um Espectrofotômetro Brewer em Cubatão - SP, Brasil. p. 1–5, 2010.
MARTINS, G. Introdução ao Climate Data Operators (CDO). 2014a.
MARTINS, G. Introdução ao Grid Analysis and Display System (GrADS). 2014b.
90
MATARAZZO, B. N.; PINEDA ROJAS, A. L.; SAURRAL, R. I. Análisis exploratorio de
concentraciones de dioxido de nitrogeno observadas en la ciudad de Buenos Aires. Anais
do Congresso Argentino de Meteorologia 2018. Anais...2018
MEAD, V. Pant by numbers: the cities with the most dangerous air, listed. The
Guardian. Disponível em: <https://www.theguardian.com/cities/datablog/2017/feb/13/mostpolluted-cities-world-listed-region>.
MELO LISBOA, H. Efeitos causados pela poluição atmosférica. In: Controle de poluição
atmosférica. Santa Catarina: ENS/UFSC, 2007a.
MELO LISBOA, H. Fontes de poluição atmosférica. In: Controle de poluição
atmosférica. Santa Catarina: ENS/UFSC, 2007b.
MELO LISBOA, H. Introdução. In: Controle da poluição atmosférica. Santa Catarina:
ENS/UFSC, 2007c.
MELO LISBOA, H.; SCHIRMER, W. N. Quimica da Atmosfera. In: Controle de poluição
atmosférica. 1a Edição ed. Florianpolis: [s.n.].
MILLER, J. B. et al. Airborne measurements indicate large methane emissions from the
eastern Amazon basin. Geophysical Research Letters, v. 34, n. 10, 2007.
MUNIR, S. et al. Quantifying temporal trends of atmospheric pollutants in Makkah (19972012). Atmospheric Environment, v. 77, p. 647–655, 2013.
NASA. About OMI. Disponível em: <https://aura.gsfc.nasa.gov/omi.html>.
NASA.
Aura :
Informing
Policy
Makers.
<https://aura.gsfc.nasa.gov/informing_policy_makers.html>.
Disponível
em:
NATIONS,
U.
The
world’s
cities
in
2018.
Disponível
em:
<https://www.un.org/en/events/citiesday/assets/pdf/the_worlds_cities_in_2018_data_bookle
t.pdf>.
NEELY, R. R. et al. Recent anthropogenic increases in SO2 from Asia have minimal impact
on stratospheric aerosol. Geophysical Research Letters, v. 40, n. 5, p. 999–1004, 2013.
NOVELLI, P. C.; MASARIE, K. A.; LANG, P. M. Distributions and recent changes of carbon
monoxide in the lower troposphere. Journal of Geophysical Research Atmospheres, v. 103,
n. D15, p. 19015–19033, 1998.
NUNES, L. H.; VICENTE, A. K.; CANDIDO, D. H. Clima da região sudeste do Brasil In:
Clima e Tempo no Brasil. [s.l.] Oficina de Textos, 2009. v. 38
NUNES, M. D. Influência da coluna total de ozônio na variabilidade da radiação ultravioleta
sobre o sul da América do Sul. Universidade Federal de Pelotas, p. 1–111, 2017.
NUNES, M. D.; MARIANO, G. L.; MARIANO, E. V. Extremos na Concentração de Dióxido
de Enxofre na Camada Limite Planetária no Sul da América do Sul - Comparação Entre
Megacidades. Anuário do Instituto de Geociências - UFRJ, v. 38, p. 127–136, 2015.
91
OU, X.; ZHANG, X.; CHANG, S. Scenario analysis on alternative fuel/vehicle for China’s
future road transport: Life-cycle energy demand and GHG emissions. Energy Policy, v. 38,
n. 8, p. 3943–3956, 2010.
PARKER, R. J. et al. Atmospheric CH4 and CO2 enhancements and biomass burning
emission ratios derived from satellite observations of the 2015 Indonesian fire plumes.
Atmospheric Chemistry and Physics, v. 16, n. 15, p. 10111–10131, 2016.
PELEGI, A. Cidades da Bolívia celebram dia sem carro em prol do meio ambiente.
Disponível em: <https://diariodotransporte.com.br/2017/09/05/cidades-da-bolivia-celebramdia-sem-carro-em-prol-do-meio-ambiente>.
POMMIER, M. et al. Impact of regional climate change and future emission scenarios on
surface O3 and PM2.5 over India. Atmospheric Chemistry and Physics, v. 18, n. 1, p. 103–
127, 2018.
RAHMATI, O. et al. Predicting uncertainty of machine learning models for modelling nitrate
pollution of groundwater using quantile regression and UNEEC methods. Science of the
Total Environment, v. 688, p. 855–866, 2019.
RAJAMANI, L. AMBITION and DIFFERENTIATION in the 2015 Paris AGREEMENT:
INTERPRETATIVE POSSIBILITIES and UNDERLYING POLITICS. International and
Comparative Law Quarterly, v. 65, n. 2, p. 493–514, 2016.
REBOITA, M. S. et al. Entendendo o tempo e o clima na América do Sul. Terrae Didatica,
v. 8, n. 1, p. 34, 2015.
REUTERS. Winter pollution raises coronavirus threat for murky Chilean cities.
Disponível em: <https://br.reuters.com/article/idUSKBN22C2U2>.
RODRÍGUEZ, H. R. et al. Air pollution management and control in Latin America and the
Caribbean: Implications for climate change. Revista Panamericana de Salud Publica/Pan
American Journal of Public Health, v. 40, n. 3, p. 150–159, 2016.
SALVADOR, M. DE A. CLIMAP – APLICATIVO PARA ANÁLISE DE DADOS
CLIMÁTICOS-VERSÃO 3.0. Revista Brasileira de Climatologia, v. 20, p. 349–374, 2017.
SALVIANO, M. F.; GROPPO, J. D.; PELLEGRINO, G. Q. Análise de Tendências em Dados
de Precipitação e Temperatura no Brasil Trends Analysis of Precipitation and Temperature
Data in Brazil. p. 64–73, 2016.
SAMAD, A.; VOGT, U. Urban Climate Investigation of urban air quality by performing
mobile measurements using a bicycle ( MOBAIR ). Urban Climate, v. 33, n. May, p. 100650,
2020.
SCARDILLI, A. S.; LLANO, M. P. ANÁLISIS DE LAS CONDICIONES
ATMOSFÉRICAS ASOCIADAS A LAS SECUENCIAS EXTREMAS DE
PRECIPITACIÓN EN LA CIUDAD DE BUENOS AIRES. Anais do Congresso Argentino
de Meteorologia. Anais...2018Disponível em: <http://dx.doi.org/10.1016/j.tws.2012.02.007>
SHARMA, P.; CHANDRA, A.; KAUSHIK, S. C. Forecasts using Box-Jenkins models for the
92
ambient air quality data of Delhi City. Environmental Monitoring and Assessment, v. 157,
n. 1–4, p. 105–112, 2009.
SILVA, N. A. B. et al. Estudo da Influência da Taxa de Ocupação na Emissão de Gases
Poluentes para o Transporte Individual e Coletivo Tatiana Rolim Soares Ribeiro maioria dos
casos apresentam um valor mínimo , isto é , somente o condutor do veículo . Tal fato veículo
. E o SETT. n. November, 2018.
STAVRAKOU, T. et al. Assessing the distribution and growth rates of NOx emission sources
by inverting a 10-year record of NO2 satellite columns. Geophysical Research Letters, v.
35, n. 10, p. 1–5, 2008.
TEIXEIRA, E. C.; FELTES, S.; DE SANTANA, E. R. R. Estudo das emissões de fontes
móveis na região metropolitana de Porto Alegre, Rio Grande do Sul. Quimica Nova, v. 31,
n. 2, p. 244–248, 2008.
THE GUARDIAN. Air pollution in China back to pre-Covid levels and Europe may
follow. Disponível em: <https://www.theguardian.com/environment/2020/jun/03/airpollution-in-china-back-to-pre-covid-levels-and-europe-may-follow>.
VENEGAS, L. E.; MAZZEO, N. A.; RIOJAS, A. L. P. Evaluation of an Emission Inventory
and Air Pollution in the Metropolitan Area of Buenos Aires. Intechopen, p. 267–288, 2016.
VERNIER, J. P. et al. Major influence of tropical volcanic eruptions on the stratospheric
aerosol layer during the last decade. Geophysical Research Letters, v. 38, n. 12, p. 1–8,
2011.
WALLACE, J. M.; HOBBS, P. V. Atmospheric Science - An introductory survey. 2a ed.
[s.l.] Elsevier, 2005.
WECHT, K. J. et al. Journal of Geophysical Research : Atmospheres of SCIAMACHY
satellite data. J. Geophys. Res. Atmos. Res., p. 7741–7756, 2014.
WORDEN, H. M. et al. Decadal record of satellite carbon monoxide observations.
Atmospheric Chemistry and Physics, v. 13, n. 2, p. 837–850, 2013.
XU, B.; LIN, B. What cause large regional differences in PM2.5 pollutions in China?
Evidence from quantile regression model. Journal of Cleaner Production, v. 174, p. 447–
461, 2018.
YANG, K. et al. Retrieval of large volcanic SO2 columns from the Aura Ozone Monitoring
Instrument: Comparison and limitations. Journal of Geophysical Research Atmospheres,
v. 112, n. 24, p. 1–14, 2007.
YIN, Y. et al. Decadal trends in global CO emissions as seen by MOPITT. Atmospheric
Chemistry and Physics, v. 15, n. 23, p. 13433–13451, 2015.
YURGANOV, L. N. et al. Global AIRS and MOPITT CO measurements: Validation,
comparison, and links to biomass burning variations and carbon cycle. Journal of
Geophysical Research Atmospheres, v. 113, n. 9, p. 1–14, 2008.
93
ZHANG, L. et al. Spatial and temporal evaluation of long term trend (2005–2014) of OMI
retrieved NO2 and SO2 concentrations in Henan Province, China. Atmospheric
Environment, v. 154, p. 151–166, 2017.
ZHAO, C.; WANG, Y. Assimilated inversion of NOx emissions over east Asia using
OMINO2 column measurements. Geophysical Research Letters, v. 36, n. 6, p. 1–5, 2009.