Paulo Antunes 2021
Paulo_Antunes_-_Dissertao_3.pdf
Documento PDF (6.2MB)
Documento PDF (6.2MB)
UNIVERSIDADE FEDERAL DE ALAGOAS
INSTITUTO DE CIÊNCIAS ATMOSFÉRICAS
PROGRAMA DE PÓS- GRADUAÇÃO EM METEOROLOGIA
PAULO ANTUNES DIAS PEREIRA CALADO
DISSERTAÇÃO:
Validação dos dados da espessura ótica dos Aerossóis dos
sensores MODIS e OMI e do modelo MERRA-2 através dos dados
observados da AERONET
Maceió – AL
Outubro de 2021
PAULO ANTUNES DIAS PEREIRA CALADO
DISSERTAÇÃO
Validação dos dados da espessura ótica dos Aerossóis dos sensores
MODIS e OMI e do modelo MERRA-2 através dos dados observados da
AERONET
Dissertação de Mestrado apresentada ao
programa
de
Pós-graduação
Meteorologia
do
Instituto
de
em
Ciências
Atmosféricas da Universidade Federal de
Alagoas,
como
requisito
parcial
para
obtenção
do
grau
Mestre
em
de
Meteorologia, área da Poluição Atmosférica.
Orientador: Prof. Dr. Glauber Lopes Mariano
Coorientador:
Gomes
Maceió – AL
Outubro de 2021
Prof.
Dr.
Helber
Barros
“Is our skin to keep the world out
Or our bodies in?”
Trenton Todd Woodley (Hands like houses)
DEDICATÓRIA
Dedico este trabalho a meus pais, José Antunes Pereira Calado e Marli
Dias Calado, por nunca terem duvidado da minha escolha, proporcionando
todo suporte para que eu seguisse até aqui.
A minha namorada Bruna Lais de Melo Cavalcante, por sempre acreditar
em mim, pela cumplicidade, pela paciência e principalmente pelo amor em
todos os momentos que precisei me ausentar para me dedicar ao trabalho
AGRADECIMENTOS
Em primeiro lugar, quero a gradecer a minha família e a alguns dos
meus professores do ICAT que me ajudaram a chegar até aqui. Gostaria de
agradecer em especial ao professor Dr. Glauber Lopes Mariano e a Dr. Ericka
Voss, por terem me escolhido como seu orientado no quinto semestre da
graduação, me ensinando e ajudando em tudo que eu conheço sobre Ciência
hoje. Ao professor Dr. Helber Barros Gomes, pela orientação, parceria.
Gostaria de agradecer também aos professores Drs.Wendell R. G.
Farias, Ericka Voss, e Heliofábio Barros Gomes por terem aceitado participar
da Banca Examinadora.
O ICAT me levou a conhecer ótimas pessoas que deixaram tudo um
pouco mais fácil, então gostaria de agradecer também por toda a ajuda,
companheirismos e amizade aos meus amigos da graduação Jeová Ramos,
Ismael Guidson, nós fizemos os melhores trabalhos em cima da hora do bloco,
e fizemos as melhores reuniões do CA, aos meus amigos que vieram através
de uma tragédia na minha vida chamada “Física”, Fernanda Liz, Mayara
Christine Correia Lins, Glenda Cristine de Oliveira Silva e Mário Henrique
Guilherme dos Santos Vanderlei que se tornaram amigos que vou levar pra
vida toda. Em especial gostaria de agradecer a uma das pessoas que mais me
ensinou e com certeza a que mais me ajudou desde a graduação até o
mestrado, o meu amigo Rodrigo Junior.
A UFAL e ao Programa de Pós-Graduação em Meteorologia do ICAT por
me concederem a oportunidade de formação. Em especial, gostaria de
agradecer também ao projeto Desenvolvimento de modelagem do sistema
Terrestre (CAPES) que é coordenado pelo, Dr. Dirceu Luis Herdies, o qual
concedeu-me uma bolsa de estudo.
Resumo
Das variáveis relacionadas à poluição atmosféricas os aerossóis são uma das
principais responsáveis por afetar o balanço de radiação, causando mudanças
a na atmosfera resultando em alterações climáticas á longo prazo. Por suas
características serem muito variadas sua distribuição na atmosfera é
heterogênea, tornando específicos os meios de medição, existem algumas
formas de estudar essas características e/ou propriedades, uma destas é pela
análise da Espessura Óptica, a qual é responsável por quantificar a atenuação
da radiação em um meio contendo material opticamente ativo, por isso
sensoriamento remoto é uma das ferramentas mais eficazes. O objetivo do
presente estudo é comparar dados da espessura ótica dos aerossóis de três
fontes distintas aos dados de superfície da AERONET(Aerosol Robotic
Network), duas delas obtidas através de sensoriamento remoto utilizando os
sensores MODIS (Moderate-Resolution Imaging Spectroradiometer) e OMI
(Ozone Monitoring Instrument) e a terceira utilizando os dados de reanálise do
MERRA-2 (Modern Era Retrospective-Analysis for Research). Para isso serão
usadas observações independentes de 4 estações da AERONET avaliando a
qualidade da espessura ótica das outras fontes de dados através de métodos
estatísticos como BIAS, RSME e Pearson, foram observadas as principais
áreas com maiores valores sobre a América do Sul para o período de 2005 a
2019 e apontado possíveis motivos para os resultados obtidos. Das três fontes
de dados utilizadas na comparação com o observado o sensor MODIS obteve
destaque ao apresentar os melhores resultados. O sensor OMI obteve duas
das
piores
correlações
observadas
durante
todo
o
estudo,
sempre
superestimando os dados das estações. A estação da AERONET onde as 3
fontes de dados que obtivam as melhores correlações foi a da Alta Floresta.
Em contrapartida a que obteve os piores resultados foi a estação de CEILAP
RG.
Palavras chave: Sensoriamento Remoto, Espessura ótica, Aerossóis.
Abstract
Of the variables related to air pollution, aerosols are one of the main factors
responsible for affecting the radiation balance, causing changes in the
atmosphere resulting in long-term climate changes. Since their characteristics
are very varied, their distribution in the atmosphere are heterogeneous, making
the measurement means specific, there are some ways to study these
characteristics and / or properties, one of which is the analysis of the Optical
Thickness, which is responsible for quantifying the radiation attenuation in a
medium containing optically active material, so remote sensing is one of the
most effective tools. This study aims to compare data on aerosol optical
thickness from three different sources to the surface data from AERONET
(Aerosol Robotic Network), two of them obtained through remote sensing from
MODIS (Moderate-Resolution Imaging Spectroradiometer) and OMI (Ozone
Monitoring Instrument) and the third using reanalysis data from MERRA-2
(Modern Era Retrospective-Analysis for Research). For this, the independent
observations from 4 stations of the AERONET will be used, evaluating the
quality of optical thickness of other data sources through statistical methods
such as BIAS, RSME and Pearson, the main areas with the highest values over
South America for the period were observed 2005 to 2019 and pointed out
possible reasons for the results obtained. Of the three data sources used in the
comparison with what was observed, the MODIS sensor was highlighted by
presenting the best results. The OMI sensor obtained two of the worst
correlations observed throughout the study, always overestimating the station
data. The AERONET station where the 3 data sources has obtain the best
correlations was Alta Floresta. On the other hand, the one that obtained the
worst results was the CEILAP RG station.
Key words: Remote Sensing, Optical thickness, Aerossol.
ÍNDICE DE ILUSTRAÇÕES
Figura 1 - Esquema da distribuição de tamanho das partículas de aerossóis. 23
Figura 2 - Efeitos direto (esquerda) e indireto (direita) dos aerossóis na
atmosfera. ........................................................................................................ 25
Figura 3 - Número anual de pontos quentes detectados pelo satélite AQUA no
continente da América do Sul entre 2003 e 2017. A linha de regressão não
indica tendência linear significativa. Fonte: Adaptado de WHITE, 2019. ......... 29
Figura 4 -Valores médios de profundidade óptica dos Aerossóis sobre a
América do Sul em agosto (a, d), setembro (b, e) e outubro (c, f) de 2012,
obtidos via MODIS (a, b, c) e via modelo (d e f). Fonte: adaptado de ALMEIDA,
2016. ................................................................................................................ 30
Figura 5 - Concentrações de PM2,5 medidas na cidade de Londrina durante os
eventos. Painel superior, primeiro evento em 18 de agosto de 2016. Painel
abaixo, segundo evento em 13 de setembro de 2016. Fonte: adaptado de
MARTINS et al. (2018). .................................................................................... 32
Figura 6 - Processos de deposição úmida e seca ........................................... 34
Figura 7 - Distribuição de EOA sobre Banizoumbo comparando OMI,
AERONET com fração de nuvem e água precipitável para (a) 2014 (b) 2015 (c)
2016 (d) 2017 (e) 2018. .................................................................................... 35
Figura 8 - Gráfico de dispersão entre a espessura ótica dos aerossóis do
modelo MERRA-2 e os do fotômetro solar em 10 estações. A barra de cores
representa a densidade de pontos que variam da porcentagem mais baixas
(azul) ao 100% (amarelo). ................................................................................ 36
Figura 9 - CMCA da PM2.5 dos sensores MODIS (a), MISR (b), SeaWiFS (c) e
OMI (d) e PM2.5 de superfície (pontos coloridos nas figuras). O valor "R" no
painel é o coeficiente de correlação entre as duas séries temporais. Ambas as
séries temporais exibem ciclos sazonais verão-inverno distintos. Os mapas
espaciais indicam boa concordância no leste dos EUA, mas uma concordância
menor para as áreas centrais e ocidentais. Fonte: adaptado de LI, 2015. ....... 38
Figura 10 - Mapa Político da América do Sul. Fonte: Elaborado pelo autor com
dados do IBGE, 2020. ...................................................................................... 40
Figura 11 - Médias anuais da espessura ótica dos aerossóis no ano de 2005
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observados nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 49
Figura 12 - Médias anuais da espessura ótica dos aerossóis no ano de 2006
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observados nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 50
Figura 13 - Médias anuais da espessura ótica dos aerossóis no ano de 2007
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 51
Figura 14 - Médias anuais da espessura ótica dos aerossóis no ano de 2008
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 52
Figura 15 - Médias anuais da espessura ótica dos aerossóis no ano de 2009
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 53
Figura 16 - Médias anuais da espessura ótica dos aerossóis no ano de 2010
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 54
Figura 17 - Médias anuais da espessura ótica dos aerossóis no ano de 2011
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 55
Figura 18 - Médias anuais da espessura ótica dos aerossóis no ano de 2012
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 56
Figura 19 - Médias anuais da espessura ótica dos aerossóis no ano de 2013
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 57
Figura 20 - Médias anuais da espessura ótica dos aerossóis no ano de 2014
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 58
Figura 21 - Médias anuais da espessura ótica dos aerossóis no ano de 2015
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 59
Figura 22 - Médias anuais da espessura ótica dos aerossóis no ano de 2016
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 60
Figura 23 - Médias anuais da espessura ótica dos aerossóis no ano de 2017
do sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c)
e os Histogramas de comparação das médias anuais dos dados de
sensoriamento remoto e do modelo com os dados observado nas estações da
AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
......................................................................................................................... 61
Figura 24- Médias anuais da espessura ótica dos aerossóis no ano de 2018 do
sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os
Histogramas de comparação das médias anuais dos dados de sensoriamento
remoto e do modelo com os dados observado nas estações da AERONET:
Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g). ................. 62
Figura 25- Médias anuais da espessura ótica dos aerossóis no ano de 2019 do
sensor MODIS (a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os
Histogramas de comparação das médias anuais dos dados de sensoriamento
remoto e do modelo com os dados observado nas estações da AERONET:
Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g). ................. 63
Figura 26 - Médias mensais de espessura ótica dos aerossóis dos sensores
MODIS e OMI e dos dados de reanálise do MERRA-2 na região da América do
Sul do mês de janeiro ao mês de março para o todo o período de 2005 a 2019.
......................................................................................................................... 65
Figura 27 - Médias mensais de espessura ótica dos aerossóis dos sensores
MODIS e OMI e dos dados de reanálise do MERRA-2 na região da América do
Sul do mês de abril ao mês de junho para o todo o período de 2005 a 2019. . 66
Figura 28 - Médias mensais de espessura ótica dos aerossóis dos sensores
MODIS e OMI e dos dados de reanálise do MERRA-2 na região da América do
Sul do mês de julho ao mês de setembro para o todo o período de 2005 a
2019. ................................................................................................................ 67
Figura 29 - Médias mensais de espessura ótica dos aerossóis dos sensores
MODIS e OMI e dos dados de reanálise do MERRA-2 na região da América do
Sul do mês de outubro ao mês de dezembro para o todo o período de 2005 a
2019. ................................................................................................................ 68
Figura 30 - Comparação entre MODIS, OMI e MERRA-2 com os dados
observados na AERONET para o período de 2005 a 2019 na estação de
CEILAP BA. No Painel consta o “BIAS”, o “RMSE” e o coeficiente de correlação
(R) do MODIS (vermelho), do MERRA-2 (roxo) e do OMI (azul) em relação aos
dados da AERONET. ....................................................................................... 73
Figura 31 - Gráfico de dispersão entre a espessura ótica dos aerossóis do
MODIS(a), do MERRA-2(b) e do OMI(c) com os dados da estação de Ceilap
BA da AERONET. ............................................................................................ 73
Figura 32 - Comparação entre MODIS, OMI e MERRA-2 com os dados
observados na AERONET para o período de 2005 a 2019 na estação de ALTA
FLORESTA. No Painel consta o “BIAS”, o “RMSE” e o coeficiente de
correlação (R) do MODIS (vermelho), do MERRA-2 (roxo) e do OMI (azul) em
relação aos dados da AERONET. .................................................................... 74
Figura 33 - Gráfico de dispersão entre a espessura ótica dos aerossóis do
MODIS(a), do MERRA-2(b) e do OMI(c) com os dados da estação de Alta
Floresta da AERONET. .................................................................................... 74
Figura 34 - Comparação entre MODIS, OMI e MERRA-2 com os dados
observados na AERONET para o período de 2005 a 2019 na estação de
CEILAP RG. No Painel consta o “BIAS”, o “RMSE” e o coeficiente de
correlação (R) do MODIS (vermelho), do MERRA-2 (roxo) e do OMI (azul) em
relação aos dados da AERONET. .................................................................... 75
Figura 35 - Gráfico de dispersão entre a espessura ótica dos aerossóis do
MODIS(a), do MERRA-2(b) e do OMI(c) com os dados da estação de Ceilap
RG da AERONET............................................................................................. 75
Figura 36. Comparação entre MODIS, OMI e MERRA-2 com os dados
observados na AERONET para o período de 2005 a 2019 na estação de
CUIBA MIRANDA. No Painel consta o “BIAS”, o “RMSE” e o coeficiente de
correlação (R) do MODIS (vermelho), do MERRA-2 (roxo) e do OMI (azul) em
relação aos dados da AERONET. .................................................................... 76
Figura 37 - Gráfico de dispersão entre a espessura ótica dos aerossóis do
MODIS(a) do MERRA-2(b) e do OMI(c) com os dados da estação de Cuiaba
Miranda da AERONET. .................................................................................... 76
ÍNDICE DE TABELAS
Tabela 1- Concentrações médias de PM2,5 e BC de 24 horas para o primeiro e
o segundo evento. ............................................................................................ 32
Tabela 2- Lista dos países da América do Sul e suas respectivas áreas; média
anual de focos de calor; área dividida pela média anual de focos de calor
(densidade); e, frequência de incidência. Fonte: Adaptad de WHITE, 2019.
LISTA DE ABREVIATURAS E SIGLAS
Símbolo
Descrição
AB
Alta da Bolívia
AERONET
Aerosol Robotic Network
ASAS
Alta Subtropical do Atlântico Sul
BC
Black Carbon
BIAS
Erro Médios
BRAMS
Brazilian developments on the Regional Atmospheric
Modeling System
CH4
Metano
CH2O
Metanal
CMCA
Combined Maximum Covariance Analysis
CO
Monóxido de carbono
CO2
Dióxido de Carbono
CV
Cavado do Nordeste
ENOS
El niño Oscilação Sul
EOA
Espessura Ótica dos Aerossóis
EUA
Estados Unidos da América
GEOS-5
Geometry Engine, Open Source 5
GPS
Global Positioning System
GSI
Gridpoint Statistical Interpolation
H2O
Água
IBGE
Instituto Brasileiro de Geografia e Estatistica
INMET
Instituto de Meteorologia
INPE
Instituto Nacional de Pesquisas Espaciais
IPCC
Intergovernmental Panel on Climate Change
JBN
Jato de Baixos Níveis
MERRA-2
Modern Era Retrospective-Analysis for Research 2
MISR
Multi-angle Imaging SpectroRadiometer
MODIS
Moderate-Resolution Imaging Spectroradiometer
NASA
National Aeronautics and Space Administration
NMHC
Hidrocarbonetos Não Metano
O2
Oxigênio
OMAERUV
OMI/Aura Near UV
OMI
Ozone monitoring Instrument
PM
Particulate Matter
PW
Precipitable Water
r
Coeficiente de Correlação de Pearson
RMSE
Raiz Quadrada do Erro Quadrático Médio
SeaWiFS
Sea-viewing Wide Field-of-View Sensor
SF
Sistemas Frontais
TSM
Temperatura de Superfície do Mar
ZCAS
Zona de Convergência do Atlântico Sul
ZCIT
Zona de Convergência Intertropical
SUMÁRIO
ÍNDICE DE ILUSTRAÇÕES............................................................................... 9
ÍNDICE DE TABELAS ..................................................................................... 14
LISTA DE ABREVIATURAS E SIGLAS .......................................................... 15
1.
INTRODUÇÃO ....................................................................................... 19
2.
OBJETIVOS ........................................................................................... 21
2.1
Objetivo Geral ..................................................................................... 21
2.2
Objetivos específicos .......................................................................... 21
3.
REVISÃO BIBLIOGRÁFICA .................................................................. 22
3.1 Espessura ótica dos aerossóis............................................................... 22
3.2 O efeito dos aerossóis no balanço de radiação ..................................... 24
3.3 Queimadas ............................................................................................. 25
3.4 Transporte dos aerossóis na América do sul ......................................... 29
3.5
Deposição úmida e seca ..................................................................... 33
3.6 Estudos Relacionados ........................................................................... 34
4.
MATERIAIS E MÉTODOS ..................................................................... 39
4.1 Área de estudo ....................................................................................... 39
4.2 Dados utilizados (MODIS, OMI, MERRA-2 e AERONET) ...................... 40
4.3 Lei de Beer ............................................................................................. 43
4.4 Tratamento de dados ............................................................................. 44
4.5 Validação Estatística .............................................................................. 44
5.
RESULTADOS E DISCUSSÕES ........................................................... 46
5.1 Análise da média anual do período de 2005 a 2019 ............................... 46
5.16 Análise da média mensal do período de 2005 a 2019 .......................... 64
5.17 Análise anual do sensor MODIS ........................................................... 69
6.
CONCLUSÃO ........................................................................................ 77
6.1 Sugestões para trabalhos futuro ............................................................. 78
6.2 Limitações............................................................................................... 78
7.
REFERÊNCIAS ...................................................................................... 79
19
1. INTRODUÇÃO
Com o passar do tempo a humanidade começou a se deparar com
questões a respeito da poluição, como quanto de determinada substância é
necessária para concluir-se que uma determinada área está poluída, se a
poluição é antropogênica ou natural e como isso afeta todas as vidas ao redor,
sendo o ar, um dos elementos mais agredidos (Braga, 2001). Os gases de
efeito estufa tem como fontes mais expressivas a queima de combustíveis
fósseis através dos automóveis e a queima de biomassa através das
queimadas, que liberam além, de gases (CO2, CO, CH4, NMHC e etc.) uma
grande quantidade de material particulado (LIOUSSE C. et al. 2004).
Criado por Schumauss em 1920, o termo aerossol designa as
suspensões relativamente estáveis de partículas sólidas ou gotículas dispersas
num gás com dimensões inferiores a 100 µm, mas tamanhos superiores aos
das moléculas individualizadas. Tais suspensões são com muita frequência
designadas como aerocolóides, matéria particulada ou simplesmente partículas
e incluem poeiras, fumos, cinzas, nevoeiros e “sprays” (RENOUX et., al 1998).
Segundo ARTAXO (2006) as partículas de aerossóis em suspensão na
atmosfera afetam fortemente o balanço radiativo da atmosfera, o clima, a
química da atmosfera, a visibilidade, e a saúde das pessoas expostas às altas
concentrações de partículas, desde a escala local até a escala regional e
global. As partículas primárias são emitidas por múltiplas fontes naturais ou
antropogênicas, abrangendo os processos de combustão, as erupções
vulcânicas, os fogos florestais, as emanações derivadas de certas atividades
industriais, o “spray” marinho e alguns materiais biológicos (Alves, 2005).
Segundo ALMEIDA (2009) caracterizar os aerossóis oticamente é uma
forma de se conhecer e entender seus diferentes tipos. A análise destas
características é de suma importância, uma vez que estas podem auxiliar a
definir o aerossol presente em um determinado local. Uma das formas é
observando as fontes emissoras deste aerossol que tem como principais
fontes: processos de combustão, emissões gasosas terrestres, emissões
vulcânicas, poeiras de meteoritos, poeiras transportadas pelo vento, entre
outros.
20
No caso da América do Sul os aerossóis tem um comportamento
baseado nas estações, ao ter um grande aumento de seus valores nas
estações secas como já era esperado pelo aumento da quantidade de
queimadas e pelo fato dos aerossóis serem usados como núcleos de
condensação na estação chuvosa, e à medida que acontecem as
precipitações, sendo “lavados” da atmosfera como aponta o estudo realizado
por ALMEIDA (2016). Já na questão do transporte, as plumas de aerossóis na
América do sul, são usualmente transportadas devido a Zona de Convergência
Intertropical (ZCIT), sistemas frontais e o sistema de pressão Alta Subtropical
do Atlântico Sul (ASAS), além da circulação de grande escala (RECUERO et
al. 2004).
A distribuição de aerossóis é heterogenia na atmosfera, pois as
diferenças de tamanho, de propriedades químicas, de fontes emissoras e de
tempo de vida médio tornam bem especifico o processo de coleta de dados,
fazendo desses os motivos para o uso de sensoriamento remoto para tal tarefa
(KAUFMAN et al. 2003).
Além do uso sensoriamento remoto simplificar a coleta de dados
também oferece a opção de uma abordagem multi-sensor que segundo LI
(2015) tem a vantagem de observar fenômenos a partir de diferentes medições
obtendo assim uma análise mais profunda, refinando seus resultados e
encontrando ospontos fortes e fracos de cada sensor.
O objetivo desse estudo é realizar uma análise multi-sensor e comparar
dados da espessura ótica dos aerossóis de três fontes distintas escolhidas por
fornecerem series de dados completas do período de 2005 a 2019. Duas fontes
das três são de dados de sensoriamento remoto dos sensores OMI (Ozone
monitoring
Instrument)
e
MODIS
(Moderate-Resolution
Imaging
Spectroradiometer) com a última sendo os dados de reanálise do modelo
MERRA-2 (Modern Era Retrospective-Analysis for Research) que inclui a
assimilação de EOA do sensor MODIS (Aqua e Terra) dos satélites Terra e
Aqua, aos dados observados nas estações da AERONET (Aerosol Robotic
Network).
Portanto, será usado observações de 4 estações da AERONET(Alta
Floresta, Ceilap RG, Ceilap BA e Cuiaba Miranda, as unicas que possuiam
uma serie de dados completa) para avaliar a qualidade dos dados de
espessura ótica do OMI, MODIS e MERRA-2 e assim observar as principais
21
áreas com maiores valores sobre a América do Sul para o período de 2005 a
2019 e apontar possíveis motivos para os resultados obtidos.
2. OBJETIVOS
2.1 Objetivo Geral
Validar os dados de espessura óticas dos aerossóis do sensoriamento
remoto obtidos dos sensores OMI e MODIS e os de reanálise fornecidos pelo
MERRA-2, com os dados observados nas estações da AERONET, para a
região da América do Sul.
2.2 Objetivos específicos
•
Identificar as áreas e os períodos de máximo e mínimo valor de
Espessura Óptica sobre a região da América do Sul no período de 2005
a 2019;
•
Utilizar as observações da AERONET para avaliar a qualidade da
espessura optica do OMI, do MODIS e do MERRA-2;
•
Validar estatisticamente a espessura ótica dos aerossóis dos sensores e
do MERRA-2 através dos cálculos do Erro Médio (BIAS), Raiz do Erro
Quadrático Médio (RMSE) e Correlação de Pearson (r);
22
3. REVISÃO BIBLIOGRÁFICA
3.1 Espessura ótica dos aerossóis
Os aerossóis são por definição partículas sólidas ou liquidas suspensas
na atmosfera, os quais podem ter inúmeras formas, composições químicas,
tamanhos, variando de dezenas de micrômetros a poucos nanômetros
(SEINFELD e PANDIS, 1998). A forma mais fácil de entender a espessura ótica
atmosférica é como a soma de todas as contribuições individuais de agentes
atmosféricos. Os aerossóis atmosféricos podem ter origens naturais diversas
como por queimadas, vulcões, ação erosiva dos ventos sobre a superfície dos
solos e oceanos ou nas reações químicas entre as moléculas dos gases com
seu diâmetro entre 0,01 e 10 µm. No oceano, algumas microalgas produzem
enxofre que pode ser convertido em sulfato. Assim como existem plantas que
produzem gases que reagem com outras substâncias e assim produzem
aerossóis (NASA, 2013).
Já as origens antropogênicas são em grande parte as atividades
tecnológicas e industriais como os transportes, a combustão de carvão, o
processamento de cimentos, a metalurgia e a incineração de resíduos (ALVES,
2005). Segundo DA SILVA (2001) as características dos aerossóis dependem
de alguns fatores como, por exemplo, o local de origem. A maior parte deles
são aerossóis marinhos, em seguida se tem os aerossóis antropogênicos que
podem ser divididos em urbanos e rurais.
Embora a medição de distribuição de tamanho dos aerossóis seja uma
tarefa realizada com relativa facilidade em pesquisas de campo e às vezes até
remotamente, através do uso de satélites, os materiais particulados possuem
diferentes fontes de produção, que influenciam diretamente nas suas
composições como, por exemplo, as fumaças emitidas pelas fábricas,
escapamento de automóveis, por queimadas, partículas de poeira originada por
ação do vento, sais marinhos emitidos pela agitação dos mares, todos tem
composições distintas. Além desse fato, temos as várias combinações de
diferentes elementos químicos, misturados de formas diferentes, além destas
mesmas propriedades terem uma variação com o passar do tempo
(envelhecimento do aerossol) (DUSEK et al. 2006; ANDREAE e ROSENFELD,
2008) através das transformações químicas e físicas (WARD e COTTON,
23
2011). Vários autores descrevem as partículas de acordo com sua forma,
tamanho e composição química. Toxicologistas referem-se a aerossóis como
ultrafinos, finos e de material particulado grosso, já os meteorologistas os
consideram como materiais particulados (PM), PM2,5 (partículas de diâmetro
inferior a 2,5 micrometros) ou PM10 (partículas de diâmetro inferior a 10
micrometros) (NASA, 2013) na figura 1 podemos observar uma destas forma
de descrição.
Figura 1 - Esquema da distribuição de tamanho das partículas de aerossóis.
Fonte: Adaptado de FINLAYSON-PITTS e PITTS, 1999.
24
3.2 O efeito dos aerossóis no balanço de radiação
Ao atravessar à atmosfera a radiação solar sofre modificações
que definem o espectro e a intensidade na superfície (FERREIRA e OLIVEIRA,
2006). O aumento da concentração de material particulado na atmosfera
exerce um efeito de fundamental importância no balanço radiativo terrestre
(YAMASOE et al. 1998, 2000; IPCC 2001; SCHAFER et al. 2002).
Segundo ARTAXO et al. (2006) o efeito direto dos aerossóis no clima
consiste nos mecanismos que afetam diretamente o fluxo de radiação solar na
superfície, dependendo das propriedades intrínsecas das partículas de
aerossóis e da refletividade da superfície e podem levar tanto ao aquecimento
quanto ao resfriamento. Como no caso da poeira, oriunda de desertos, sobre o
oceano em condições sem nuvens, suas perturbações no balanço de radiação
solar resultam em um forte efeito de resfriamento local que pode ser maior que
60 Wm2 durante eventos de deslocamento de poeira importantes (HAYWOOD
et al. 2001). A complexidade das interações entre as partículas atmosféricas e
o meio ambiente é alta, pois elas desempenham um papel essencial no
processo de formação de nuvens e no balanço energético do planeta, e podem
causar efeitos adversos à saúde humana quando em altas concentrações
(BARBOSA et al. 2004).
Segundo ARTAXO, et al. (2006) as alterações importantes no balanço
de radiação na superfície ocorrem como consequência da grande quantidade
de partículas lançadas na atmosfera durante as queimadas, erupções
vulcânicas, deslocamento intenso de poeira etc. Como podemos observar na
figura 2 os aerossóis atmosféricos afetam o clima diretamente, através da
absorção e espalhamento da radiação solar, e indiretamente, alterando os
mecanismos de formação de nuvens (ALMEIDA et al. 2006).
25
Figura 2 - Efeitos direto (esquerda) e indireto (direita) dos aerossóis na atmosfera.
Fonte: Adaptado de IPCC, 2007.
Alguns aerossóis, como o black carbon, são emitidos diretamente por
processos de combustão incompleta do carbono (ALBUQUERQUE, 2005)
absorvem luz solar e, deste modo, aquecem a atmosfera, mas também
resfriam a superfície (ANDREAE et al. 2004). Os aerossóis interagem com a
luz solar (ANDREAE et., 1997), influenciando o balanço de energia do sistema
Terra-atmosfera.
3.3 Queimadas
Nas últimas cinco décadas, as queimadas têm sido extensivas e
persistentemente,
sempre
associada
às
questões
do
desmatamento
generalizado e na degradação florestal (CRUTZEN e ANDREAE, 1990;
BUSTAMANTE et al. 2016). As emissões de queima de biomassa injetam uma
quantidade considerável de oxidantes e aerossóis na atmosfera, modificando a
composição e a reatividade atmosféricas e, portanto, perturbando o clima
regional, a água e os ciclos biogeoquímicos (ANDREAE et al. 2004; BOWMAN
et al. 2009).
26
As queimadas são processos onde ocorre queima de biomassa, que
decorrente de ações humanas ou razões naturais. Segundo ANDREAE (1991),
a reação química responsável por representar a queima de matéria orgânica
produzindo água e dióxido de carbono, é:
[CH2O] + O2 → CO2 + H2O,
onde o elemento [CH2O] representa a composição média da biomassa.
Ao se falar no território brasileiro, é interessante falar sobre a questão
das queimadas subsequentes na Amazônia, pois o balanço radioativo terrestre
está profundamente ligado à emissão e transporte de partículas de aerossóis
atmosféricos (FORSTER et al. 2007). Durante o período entre julho e outubro
conhecido como estação seca ocorrem nas regiões Amazônica e Brasil
Central, queimadas antropogênicas em áreas de Cerrado e de Floresta
Tropical em grande quantidade, (COUTINHO et al. 2002). De acordo com
PAIXÃO, (2011) as queimadas subsequentes acontecem logo após o
desmatamento da área e o desenvolvimento da pecuária, pois o capim possui
adaptações aos danos causados pelo fogo e podem brotar novamente após a
queima.
O principal material orgânico que compõe os aerossóis de queimadas
são os black carbon, além de muitos outros compostos traços inorgânicos que
possuem uma variação na concentração de acordo com a eficiência da queima
da biomassa (REID et al. 2004; MARTIN et al. 2013). Quase metade da fração
solúvel em água é orgânica, enquanto que no restante inorgânico, a maior
parte de sua solubilidade se deve à presença de sais solúveis (ANDREAE e
ROSENFELD, 2008).
A estabilidade termodinâmica é um dos fatores predominantes para a
posição final em que estes matérias se encontrarão ao serem lançadas na
atmosfera. As fontes emissoras associadas à queima de biomassa emitem
gases e partículas com temperaturas superiores as da atmosfera do ambiente
e assim tendo uma flutuação positiva que transporta estes materiais
verticalmente para cima ( FREITAS et al. 2005).
A floresta amazônica, além das emissões de queimadas, é uma
importante fonte natural de gases traço, aerossóis e vapor de água para
atmosfera global por causa da sua localização tropical e seu intenso
27
metabolismo, (ANDREAE e CRUTZEN, 1997). A intensa atividade convectiva
leva estes constituintes atmosféricos para grandes altitudes, onde podem ser
transportados e percorrer grandes distâncias (ANDREAE et al. 2001; FREITAS
et al. 2005).
Grande parte dos inventários de emissões de incêndio utiliza locais
ativos de incêndio e área queimada para estimar as emissões de gases traços
e aerossóis liberados na atmosfera (MAO et al. 2014). Além disso, os produtos
globais para áreas de queimada não são adequados para estimar a área de
pequenos incêndios devido às limitações de seus algoritmos (GIGLIO et al.
2006, 2010; RANDERSON et al. al. 2012).
Segundo o estudo realizado por WHITE (2019) que realizou uma
detecção de focos de calor na américa do sul para um período de 15 anos (de
2003 a 2017) utilizando o sensoriamento remoto como ferramenta, mais
especificadamente o sensor MODIS do satélite AQUA, considerando o
tamanho dos países da América do Sul, o Paraguai foi o país com a maior
ocorrência de focos de calor por área, com uma média anual de um detectado
a cada 20 km². De acordo com a classificação proposta por WHITE e WHITE
(2016), Paraguai, Bolívia, Brasil e Venezuela podem ser classificada como
países com incidência de incêndios florestais “muito alta” (com 1 foco de calor
por ano a cada 75 km² ou menos detectado pelo satélite AQUA). Utilizando os
mesmos critérios de classificação, Argentina, Colômbia e o Peru podem ser
classificados na categoria de incidência de incêndios florestais “Alta”, enquanto
o Equador, Guiana e Chile no grupo “Médio” e os demais paises na
classificados na categoria "Baixa" (Tabela 2).
28
Tabela 1 - Lista dos países da América do Sul e suas respectivas áreas; média
anual de focos de calor; área dividida pela média anual de focos de calor
(densidade); e, frequência de incidência. Fonte: Adaptado de WHITE, 2019.
País
Tamanho (km²) Média anual de Hot spot Média anual densidade do HS Frequência
Paraguay
Bolivia
Brazil
Venezuela
Argentina
Colombia
Peru
Ecuador
Guyana
Chile
Uruguay
French Guiana
Suriname
Muito Alto
406,750
20,737
20
1,098,580
31,747
35
8,511,965
195,596
44
912,050
19,047
48
2,766,890
34,122
81
1,138,910
13,475
85
1,285,220
8,924
144
283,560
1,869
152
214,999
948
227
756,950
2,657
285
176,220
516
341
91,000
233
391
163,270
380
430 Baixo
Muito Alto
Muito Alto
Muito Alto
Alto
Alto
Alto
Médio
Médio
Médio
Baixo
Baixo
O autor ainda menciona que a análise temporal anual considerando
todos os focos de calor detectados no continente da América do Sul entre 2003
e 2017, indica que 2004 foi o ano com a maior detecção, enquanto 2013 foi o
mais baixo. Nenhuma tendência significativa foi detectada considerando todo o
continente (r² = 0,03; p = 0,81) (Figura 3).
29
Figura 3 - Número anual de pontos quentes detectados pelo satélite AQUA no continente da
América do Sul entre 2003 e 2017. A linha de regressão não indica tendência linear
significativa. Fonte: Adaptado de WHITE, 2019.
3.4 Transporte dos aerossóis na América do sul
Segundo FREITAS et al. (2005), as fontes emissoras associadas as
queimadas emitem partículas com temperaturas mais elevadas que as do
ambiente; isto ocasiona um levantamento destas partículas. A estabilidade é
um dos fatores principais para a altura destas partículas. Outro fator é a
interação entre a fumaça e o ambiente, pelos turbilhões que fazem com que o
ar frio penetre para dentro das plumas de fumaça, para diluí-las e reduzir sua
flutuação. Os mesmos autores ainda ressaltam a importância de sistemas
convectivos rasos e não precipitantes que se formam no topo da Camada
Limite Planetária que transportam gases e partículas para a baixa troposfera,
ajudando na dispersão destes. Sistemas convectivos profundos e precipitantes
agem de forma distinta, dependendo das características das partículas.
No caso do transporte dos aerossóis as circulações atmosféricas de
escala global e sinótica influenciam de forma em que impactos radiativos de
aerossóis aconteçam em locais bastante distantes de sua origem, como se
pode observar no estudo realizado por POWDER (2003) onde a poluição
30
urbana e aerossóis oriundos de queimas de biomassa e de desertos foram
observados a quilômetros de distância das regiões de suas fontes.
Ao observar o estudo realizado por ALMEIDA (2016) na América do Sul
durante a estação seca utilizando dados do MODIS e dados do modelo
BRAMS (Brazilian developments on the Regional Atmospheric Modelling)
System, foi possível observar que em setembro, no pico da estação seca, os
valores de Espessura ótica dos aerossóis obtidos na região Amazônica foram
consistentemente acima de 0,8 no canal de 550 nm, onde é possível ver, na
saída do modelo, a pluma de fumaça sendo transportada para longas
distâncias de seus locais de origem (figura 4).
Figura 4 -Valores médios de profundidade óptica dos Aerossóis sobre a América do Sul em
agosto (a, d), setembro (b, e) e outubro (c, f) de 2012, obtidos via MODIS (a, b, c) e via modelo
(d
e
f).
Fonte: adaptado de ALMEIDA, 2016.
No estudo realizado por RECUERO et al. (2004) foi analisado o
transporte de plumas de aerossóis durante a estação de queimadas no ano de
2002, nas regiões de Ji-Paraná e Brasil Central, para algumas regiões da
América do Sul. Foi constatado que as partículas de queima de biomassa são
transportadas devido a Zona de Convergência Intertropical (ZCIT), sistemas
31
frontais e sistemas de pressão como a Alta Subtropical do Atlântico Sul
(ASAS), além da circulação de grande escala.
O transporte de larga escala afeta a qualidade do ar de vários lugares do
mundo. Por exemplo, aerossóis produzidos na Ásia podem ser transportados
para até a América do Norte e assim contribuem substancialmente para o
aumento dos níveis de poluentes atmosféricos (LIN et al. 2012; COOPER et al.
2015; VERSTRAETEN et al. 2015).
Mesmo em áreas remotas da Amazônia e oceanos, onde as
concentrações de aerossóis são geralmente muito baixas, os transportes de
longa distância podem ser responsáveis por grande parte da contribuição de
certos componentes, como evidenciado há muito tempo por ANDREAE, 1983;
BETZER et al. 1988; SWAP et al. 1992.
Diversas técnicas diferentes são aplicadas para confirmar transporte de
longo alcance como fonte importante da concentração local de poluentes
(CUSPILICI et al. 2017; YADAV et al. 2017). Essas estimativas são baseadas
em dados de satélite, de observações de aeronaves e de superfície, bem como
modelos (FREITAS et al. 2009; ROSÁRIO et al. 2013; UNO et al. 2016; WANG
et al. 2017).
No estudo de transporte de longo alcance realizado por MARTINS et al.
(2018) para identificar as influencias diretas do Jato de baixos níveis (JBN) no
transporte de aerossóis da região central do Brasil para a região sul do país,
onde foram coletados dados de superfície, e de sensoriamento remoto num
período de 16 a 20 de agosto e de 10 a 14 de setembro. Foram observados
diferentes valores de material particulado nos dias com JBN (dia 17 e 18 de
agosto e 12 a 14 de setembro) e dias sem JBN como podemos observar na
figura 5 e na tabela 2.
A Tabela 1 mostra um resumo da média diária dos níveis de PM2,5 e de
BC para os dois eventos citados acima. Com base nos valores médios diários
de PM2,5 observados antes (16 de agosto) e depois (19 e 20 de agosto) dos
dias do evento, foi estimado um aumento de cerca de 70% nos níveis de PM2.5
em relação à observação de 18 de agosto (pico do primeiro evento). Para o
segundo evento, os valores de PM2.5 não estão disponíveis para as 24 horas.
Contudo, com base nos valores registrados durante as mesmas horas dos dias,
a possível contribuição do transporte de longo alcance foi estimada em cerca
de 87% para PM2.5, levando em consideração os valores médios das manhãs
32
(28 µgm3 em 13 de setembro e 21,7 µgm3 em 14 de setembro) e tardes (3,4
µgm3 em 14 de setembro).
Figura 5 - Concentrações de PM2,5 medidas na cidade de Londrina durante os eventos. Painel
superior, primeiro evento em 18 de agosto de 2016. Painel abaixo, segundo evento em 13 de
setembro de 2016. Fonte: adaptado de MARTINS et al. (2018).
Tabela 2 - Concentrações médias de PM2,5 e Black Carbon de 24 horas para o
primeiro e o segundo evento. Fonte: adaptado de Martins et al. (2018).
33
3.5
Deposição úmida e seca
A remoção das substancias emitidas para a atmosfera de forma direta é
denominada como processo de deposição, esse processo pode ocorrer de
duas formas distintas, deposição seca e deposição úmida. No caso da
deposição úmida o processo acontece de duas formas: limpeza no interior das
nuvens através da precipitação, quando os poluentes são removidos durante
produção de uma gotícula de nuvem que posteriormente precipitará e por
limpeza abaixo da nuvem conhecido como lavagem, quando o poluente é
capturado na trajetória percorrida pela gotícula. Partículas grandes serão
removidas por estes mecanismos com mais facilidade do que as partículas
pequenas de mesma composição química (HOSKER e LINDBERG, 1982). Já a
deposição seca ocorre quando os gases e partículas são transportados da
atmosfera para a superfície sem que aconteça chuva.
Os fatores que regem a deposição seca de partículas ou gases são: as
propriedades químicas das espécies depositadas, da natureza da superfície e o
nível de turbulência atmosférica. A turbulência da atmosfera, especialmente
nas camadas próximas à superfície, governa a taxa nas quais as espécies
serão depositadas (SEINFELD e PANDIS, 2006). Os processos de deposição
estão ilustrados na Figura 5. Os processos de deposição úmida e seca mantêm
um fluxo interno de nutrientes na Bacia Amazônica que é altamente
desenvolvido (LARA et al. 2001), as partículas de aerossóis transportam muito
dos nutrientes essenciais para a floresta, e fazem parte do eficiente mecanismo
de ciclagem de nutrientes da floresta (ARTAXO e HANSSON, 1995; OKIN et al.
2004).
34
Figura 6 - Processos de deposição úmida e seca
Fonte: Adaptado de Embrapa (1996)
3.6 Estudos Relacionados
Segundo o trabalho efetuado por ANORUO (2020) para validar as
variações sazonais e espaço-temporais do OMI e da AERONET de EOA sobre
Banizoumbou na Nigeria (lat:13,54 e lon:2,66), utilizando o período de 2014 a
2018 (Figura 7a-e) a EOA tem um impacto notável na área devido a sua
localização
estratégica
que
é
afetada
pela
alta
deposição
e
varia
principalmente durante a monção (junho-agosto). De acordo com a análise do
autor, a medição sazonal tem padrões semelhantes, mas depende fortemente
do ano. Ao observar o ano de 2014 (Figura. 7a), os resultados mostram uma
superestimação da interação da EOA do sensor OMI com a fração de nuvem
indicando que a observação baseada no solo (AERONET) é mais precisa do
que a do em satélite, embora, as diferenças de comprimento de onda não
sejam muito grandes em correlação com fração de nuvem e água precipitável.
Na maioria dos casos, o OMI registra altos valores de EOA, mas com uma
moderada correlação (R = 0,45) com dados AERONET.
A Figura. 7b indica que os meses de junho, julho e agosto são meses de
chuvas fortes, enquanto os meses secos são dezembro, janeiro e fevereiro. O
resultado da correlação obtido para AERONET (440 nm) com água precipitável
35
(PW - Precipitable Water) é de r = -0,22, com um erro padrão de 0,05. A
correlação para OMI (442 nm) com PW é de 0,44 com um erro padrão de 1,31.
A interpretação física deste resultado apontou que a AERONET tem uma
correlação negativa com PW indicando um ligeiro aumento quando ocorrem
valores mais baixos de EOA. Isso indica claramente que a umidade tem um
bom efeito no comportamento dos aerossóis.
Ao usar técnicas estatísticas para avaliar medição anual e sazonal de ambos
os sensores de EOA (Figura. 7c), a correlação do EOA da AERONET com a
fração da nuvem é de r = -0,62, e com PW de r=-0,56, enquanto a do OMI é
0,12 e 0,51. Isso também corresponde à Figura. 7d com valores de correlação
de 0,36, 0,13 e 0,34, 0,62. O resultado obtido da correlação do OMI com a
cobertura de nuvens é de 0,51 (moderadamente fraca), enquanto com
AERONET é uma correlação fraca (r = 0,20). No entanto, a correlação com
água precipitável é de 0,32 (correlação fraca) para OMI e -0,18 (fraca negativa)
para AERONET.
Figura 7 - Distribuição de EOA sobre Banizoumbo comparando OMI, AERONET com fração de
nuvem e água precipitável para (a) 2014 (b) 2015 (c) 2016 (d) 2017 (e) 2018.
36
Alguns dos estudos que efetuaram uma comparação entre dados de
superfície e os oriundos do MERRA-2, como o de SONG (2018) que foi
efetuado na região da planície do norte da China (Figura 8). As medições de
superfície da concentração horária de PM2,5 foram coletadas em 81 estações
na planície do norte da China. O autor destaca, que embora a espessura ótica
dos aerossóis do MERRA-2 geralmente apresente bons resultados quando
comparado aos dados da CARSNET (Chinese Aerosol Research Network) com
um coeficiente de correlação de 0,77, existe uma certa deficiência dos produtos
MERRA-2 sobre a região estudada (Figura 8).
Figura 8 - Gráfico de dispersão entre a espessura ótica dos aerossóis do modelo MERRA-2 e
os do fotômetro solar em 10 estações. A barra de cores representa a densidade de pontos que
variam da porcentagem mais baixas (azul) ao 100% (amarelo).
37
Já no trabalho realizado por LI (2015) é efetuada a comparação dos
dados de espessura ótica de 4 sensores distintos (MODIS, MISR, SeaWiFS e
OMI, respectivamente) aos dados de superfície da AERONET. A resolução
original de 0,5ºx0,5º das grandes foi redimensionada para 1ºx1º. Foram
selecionadas 52 estações nos EUA sobre o período de janeiro de 2005 a
dezembro de 2010.
Para a comparação, foi utilizada pelo autor a CMCA (Combined
Maximum Covariance Analysis, LI et al. 2014c). Essa técnica se baseia na
análise combinada de componentes Principais (CPCA, LI et al. 2014b) e na
análise de covariância máxima (MCA, LI et al. 2014a), e incorpora efetivamente
dados de satélite espacialmente mapeados e observações do solo na
decomposição espectral.
Cada modelo de CMCA compreende um padrão espacial para cada
campo de dados de satélite e uma série temporal compartilhada para todos os
campos de dados de satélites e para o PM2.5 de superfície (Figura 8). Observase que a correlação entre a serie temporal dos dados de espessura ótica dos
satélites (curva preta no painel inferior) e os da AERONET na superfície (curva
vermelha no mesmo painel) é de 0,89. Com relação aos dados de satélite,
uma variabilidade espacial baixa é encontrada em todos os quatro mapas
espaciais. Apesar de algumas diferenças internas, os quatro conjuntos de
dados de satélite indicam fortes sinais positivos na região leste dos EUA, na
comparação com o PM2.5 de superfície (pontos coloridos na figura). MISR e
OMI também mostram resultados positivos para o resto continente, enquanto o
MODIS e o SeaWiFS têm anomalias positivas na costa oeste, mas sinais
neutros em outros lugares.
Em resumo, a comparação entre a espessura ótica dos aerossóis via
satélite e o os dados de PM2.5 de superfície foi positiva, tendo como as
melhores representações as dos sensores MODIS e OMI, com destaque para o
MODIS em pequena escala e para o OMI em grande escala.
38
Figura 9 - CMCA da PM2.5 dos sensores MODIS (a), MISR (b), SeaWiFS (c) e OMI (d) e PM2.5
de superfície (pontos coloridos nas figuras). O valor "R" no painel é o coeficiente de correlação
entre as duas séries temporais. Ambas as séries temporais exibem ciclos sazonais verãoinverno distintos. Os mapas espaciais indicam boa concordância no leste dos EUA, mas uma
concordância
menor
Fonte: adaptado de LI, 2015.
para
as
áreas
centrais
e
ocidentais.
39
4. MATERIAIS E MÉTODOS
4.1 Área de estudo
Para a análise da espessura ótica dos aerossóis será utilizado o período de
dados que corresponde aos anos de 2005 a 2019 em toda a extensão do
continente sul-americano (60°S 20°W) como demonstrado na figura 9.
A América do Sul possui características climatológicas definidas através dos
relevos como a exemplo dos Andes e de sistemas, tais como a Zona de
Convergência do Atlântico Sul (ZCAS) (KODAMA, 1992 ; CARVALHO et al.
2004), a Zona de Convergência Intertropical (ZCIT) (UVO, 1989), a Alta da
Bolívia e o cavado do Nordeste (AB/CV) (LENTERS e COOK, 1997), as Altas
Subtropicais do Atlântico e do Pacífico (RODWELL e HOSKINS, 2001), os
sistemas frontais (SF) (ANDRADE, 2005), o Jato de Baixos Níveis (JBN)
(MARENGO et al. 2004).
Já com relação às principais fontes emissoras de aerossóis segundo
ALVES (2005), destaca-se as partículas primárias emitidas por múltiplas fontes
naturais e antropogênicas, abrangendo os processos de combustão, as
erupções vulcânicas, os fogos florestais, as emanações derivadas de certas
atividades industriais e viárias, o “spray” marinho e alguns materiais biológicos.
Segundo KHONDOKER et al. (2018) ao realizar um estudo detalhado
sobre as áreas da América do sul, constatou que as principais áreas emissoras
de aerossóis antropogênicos, são as megacidades (São Paulo, Buenos Aires e
Etc.) que tem como produção principal a queima de combustíveis fósseis e a
atividade industrial. Já os naturais destacam-se as queimadas, que podem
acontecer de forma natural ao longo de todo o continente principalmente na
região central do Brasil.
40
Figura 10 - Mapa Político da América do Sul. Fonte: Elaborado pelo autor com dados do IBGE,
2020.
4.2 Dados utilizados (MODIS, OMI, MERRA-2 e AERONET)
Os sensores de satélites podem quantificar várias propriedades
atmosféricas medindo o comprimento de onda, angular e polarização desta
energia refletida e emitida (Kaufman et al. 2002a). O sensor MODIS tem 36
bandas que variam de 0,4 a 14,4 µm com três resoluções espaciais diferentes
(250, 500 e 1000 nm), medindo EOA sobre a terra em comprimentos de onda
com resolução de 550 m e extrapolados para um comprimento de 0,55 µm
(Ichoku et al. 2002). Um modelo dinâmico de aerossol adequado foi escolhido
para inverter a radiância medida pelo satélite para gerar produtos de dados de
41
aerossol, toda a metodologia detalhada foi discutida por Kaufman et al.
(1997b).
Os dados de espessura ótica dos aerossóis do sensor OMI (Ozone
monitoring Instrument) instalados no satélite Aura, desde o seu lançamento em
julho de 2004, trabalha utilizando o algoritmo OMAERUV que usa refletâncias
pré-computadas da parte superior da atmosfera para medir a Espessura otica
dos aerossois. O OMI também mede a pressão e a cobertura da nuvem, que
fornece dados para derivar o ozônio troposférico. Os dados utilizados foram
obtidos através do site disc.gsfc.nasa.gov com resolução temporal diária e
resolução espacial de 1º por 1º.
Os dados de reanálise MERRA-2 que fornece dados desde 1980 e foi
introduzida com a função de substituir o conjunto de dados MERRA-1 por
causa dos avanços no sistema de assimilação que permitem a assimilar a
radiação hiperespectral e observações de microondas, juntamente com
conjuntos de dados de ocultação de rádio GPS. Resumidamente, o conjunto
de dados MERRA-2 é produzido usando o modelo atmosférico GEOS-5
(sistema de assimilação de dados versão 5.12.4 (RIENECKER et al. 2008 e
MOLOD et aI. 2015) e o meteodo de assimilação 3DVAR (three-dimensional
variational data analysis) com pontos de grade interpolados (GSI) para
esquemas de análises meteorológicas (WU et al. 2002; KLEIST et al. 2009). O
GSI (Gridpoint Statistical Interpolation) usa uma análise incrementada com um
procedimento de atualização a cada 6 h (BLOOM et al. 1996).
A rede AERONET é conjunto de estações de monitoramento de aerossol
em solo estabelecidas pela NASA e amplamente expandidas por outras
agências, institutos e parceiros universitários em todo o mundo (Holben et al.
1998). O objetivo deste programa é avaliar as propriedades ópticas do aerossol
e validar as medições de satélite de EOA. A rede impõe padronização de
instrumentos,
calibração
e
processamento.
Consta
nos
instrumentos
padronizados, um radiômetro CIMEL sol / céu que realiza medições de
radiancia direta e difusa do céu em oito canais espectrais dentro da faixa de
0,34 a 1,02 µm. As medições do céu são realizadas em 0,44-, 0,67-, 0,87- e
1,02-µm comprimentos de onda através de uma grande variedade de ângulos
de dispersão do Sol, usando um perfil de aerossol constante para medir a
distribuição de tamanho, função de fase e EOA (Holben et al. 1998). O
42
incerteza na medição de EOA em condições livres de nuvens é <± 0,01 para λ>
em 440 nm e <± 0,02 para comprimentos de onda mais curtos.
Das estações da AERONET (Figura 11) na região do estudo foram
utilizadas apenas 4 das cerca de 50 disponíveis, Alta Floresta(lat :-56.204, lon:
-9.871), Ceilap BA(lat: -58.606,lon: -34.655, Ceilap RG(lat: -69.32,-lon: 51.611 e
Cuiaba Miranda(lat: -56.171, lon:-15.831). Na América do Sul apenas essas
estações tinham uma serie continua de dados com as demais com falhas de
meses e até mesmo anos.É necessario também ressaltar que o comprimento
de onda nos dados da AERONET é de 500nm, o mesmo do sensor OMI,
porém o comprimento do sensor MODIS e do MERRA-2 é diferente, sendo
respectivamente 550nm.
AF
CM
CBA
CRG
Figura 11.Mapa da América do Sul com as Localizações das estações Alta Floresta (AF),
Cuiaba Miranda (CM), Ceilap BA (CBA), Ceilap RG (CRG). Fonte: autor com dados do IBGE,
2020.
43
4.3 Lei de Beer
A espessura ótica de um meio é por definição um conceito desenvolvido
no século 18, descrito pela chamada Lei de Beer e relaciona a incidência de
radiação que atinge o topo da atmosfera com a incidência na superfície
(COULSON, 1975).
Ao se considerar a propagação da radiação em um comprimento de
onda , através de uma determinada camada d(x) perpendicular a um feixe de
intensidade F(), a extinção da radiação de um caminho transversal,
infinitesimal, dx é proporcional à quantidade de matéria ao longo do caminho.
Onde b(x,)
é o coeficiente de extinção e é proporcional à densidade do
material em determinado meio (Equação 1). A extinção inclui o espalhamento e
a absorção, ambos removem fótons do feixe. Contrastando com a absorção, a
energia radiante espalhada se mantém na forma de radiação, mas a direção da
radiação incidente é modificada. Dividindo a (equação 1) por dx e fazendo dx
→ 0, temos a equação 2 que é conhecida como Lei de Beer. A absorção e o
espalhamento ocorrem simultaneamente, isto porque, todas as moléculas e
partículas absorvem e espalham.
A atenuação da radiação num meio real é expressa pela seção
transversal de extinção (b) que é definida pela soma das seções transversais
de absorção (ba) e o espalhamento (bs). A seção transversal de extinção é
um fator de ponderação que indica a eficiência em todos os comprimentos de
onda com que a molécula espalha ou absorve radiação, também pode ser
compreendido em termos da probabilidade de uma molécula absorver ou
espalhar um fóton incidente (ECHER e SOUZA,2001; SEINFELD e PANDIS,
2006).
F( x + dx,) −F(x,) = −b(x,) F(x,) dx
(1)
dF (x , ) = − b(x, )F(x,)
(2)
dx
b = ba +bs
(3)
44
4.4 Tratamento de dados
Com principal intuito de simplificar o trabalho com grandes séries para a
obtenção
dos
gráficos
espaciais
foi
utilizado
o
software
python
(www.python.org), que se trata de uma linguagem muito poderosa por sua alta
versatilidade, oferecendo uma grande variedade de opções como modelagem
linear e não-linear, testes estatísticos clássicos, análise de séries temporais,
classificação, agrupamento e etc (LUTZ, 2001). No caso desse trabalho foi
utilizado para teste estatísticos como o Erro médio (BIAS), a Raiz do Erro
Quadrático Médio (RMSE), a Correlação de Pearson (r) e para a análise das
series temporais, médias mensais e anuais. Cada tipo de análise no python é
feito através da utilização de pacotes, cada um com uma função especifica,
que servirão para trabalhar os dados obtidos através do site disc.gsfc.nasa.gov.
Com esses dados foram calculados médias mensais e anuais para a análise.
Para a geração e análise das médias encontradas sobre a área de estudo
foram utilizados os pacotes geopandas, matplotlib, xarray, numpy,
cartopy,
statistics, entre outros.
4.5 Validação Estatística
Para fazer a avaliação dos dados do MODIS, OMI e MERRA-2
quantitativamente, foram calculados o Erro médio (BIAS) a Raiz do Erro
Quadrático Médio (RMSE) e a Correlação de Pearson (r), conforme descrito
abaixo (WILKS, 2011).
O BIAS, considera uma determinada variável (X) com um sub-índice (M),
como por exemplo: mostrar os dados do MODIS (XM) e os valores do
AERONET (XO). Assim, o BIAS para a variável de interesse (X), será calculado
para determinar área da segundo a Equação 4 (quanto mais próximo de zero
for o valor do BIAS melhores serão os resultados):
𝑁
1
𝐵𝐼𝐴𝑆 = ∑(𝑋𝑀𝑖 − 𝑋𝑂𝑖 )
𝑁
𝑖=1
(4)
No qual i representa o índice do ponto de grade e N o número total de
pontos avaliados. O RMSE mede a dimensão dos erros, é necessário avaliar a
45
amplitude do erro para avaliar se o resultado é realmente positivo, o RMSE é
calculado de acordo com a Equação 5:
𝑁
1
𝑅𝑀𝑆𝐸 = √ ∑(𝑋𝑀𝑖 − 𝑋𝑂𝑖 )
𝑁
𝑖=1
(5)
Foi calculado também o coeficiente de correlação espacial de Pearson
(r, PEARSON, 1901), que leva em consideração a fase e a diferença entre
duas variáveis (simulados e de sensoriamento), possibilitando comparar os
valores de Espessura ótica das duas fontes de dados.
Descrito através da Equação 6:
𝑁
∑𝑖=1(𝑋𝑀𝑖 − 𝑋′𝑀𝑖 )(𝑋𝑂𝑖 − 𝑋′𝑂𝑖 )
𝑟=
𝑁
√∑
𝑁
(𝑋𝑀𝑖 − 𝑋′𝑀𝑖 ) ² ∑𝑖=1(𝑋𝑂𝑖 + 𝑋′𝑂𝑖 )²
𝑖=1
(6)
Onde X’ indica a média em cada ponto, calculado através da Equação 7:
𝑁
1
𝑋′ = ∑(𝑋𝑖 )
𝑁
𝑖=1
(7)
46
5. RESULTADOS E DISCUSSÕES
5.1 Análise da média anual do período de 2005 a 2019
Neste tópico serão analisadas as médias anuais para o período de 2005
a 2019 onde serão feitas as avaliações de cada uma das fontes de dados e a
comparação com os dados de superfície da AERONET. As figuras 11-25
apresentam mapas com as médias anuais de EOA em toda a região da
América do Sul fazendo uma comparação entre as saídas dos sensores OMI e
MODIS e os dados de reanálise do MERRA-2, e histogramas comparando os
dados das saídas com quatro estações da AERONET em locais distintos.
Observa-se dois padrões distintos durante os anos analisados, o
primeiro deles ocorre nos anos de 2005, 2006, 2007, 2010, 2015 e 2017 com
altos valores numa região localizada entre o centro oeste/Noroeste do Brasil,
Norte da Bolívia e sul do Peru e com valores mais baixos no litoral do
continente banhado pelo oceano Atlântico. Já o outro padrão que ocorre nos
demais anos não apresenta resultados tão altos em nenhuma região e contem
pequenas divergências entre as fontes de dados.
Ao observarmos o primeiro padrão, a comparação direta das médias
anuais dos sensores e do modelo com as observadas nas estações de
superfície da AERONET (Ceilap BA, Ceilap RG, Cuiaba Miranda e Alta
Floresta), assim como o observado no estudo de LI (2015) o sensor MODIS é o
que possui valores mais próximos aos observados da AERONET. Em
contrapartida, os valores mais distantes do observado dos dados da AERONET
são os do sensor OMI que com exceção da estação Cuiaba Miranda (2005,
2010, 2015 e 2017) apresenta sempre resultados superestimados. A estação
onde as fontes de dados têm seus melhores desempenho em relação aos
dados de superfície é a da Alta Floresta (com exceção dos anos de 2015 e
2017 onde a estação de Cuiaba Miranda aponta o melhor resultado) onde os
dados de reanálise e os dos sensores tem pouca variação em comparação aos
da AERONET.
Segundo o Instituto Nacional de Pesquisas Espaciais (INPE, 2005)
analisando os dados de precipitação no setor sul da Amazônia para esse
período, observou-se anomalias negativas durante a estação chuvosa de 2005
de 350 mm quando comparado com a média histórica (2.200 mm). Isto pode ter
contribuído para os altos valores de EOA durante os anos de 2005 e 2006. O
47
desmatamento também é um dos principais fatores que contribui para o
aumento de aerossóis, de monóxido de carbono (CO) e outros gases de efeito
estufa na atmosfera. Em 2005 foi estimado aproximadamente 18.793 km 2 de
desmatamento na região transformando todo o clima da região e induzindo
várias queimadas (Fearnside, 2006).
Já no ano de 2010 ao observar um
estudo realizado pelo INPE (Marengo et al. 2011), onde é efetuada a análise da
série histórica de dados de pluviosidade na região da bacia amazônica,
destaca-se a seca ocorrida em 2010 como a mais drástica já registrada,
superando a de 2005, até então considerada a maior do século. O estudo
aponta que o processo teve início no começo do verão, devido a atuação de
um El Niño, mas foi intensificado pelo aquecimento das águas tropicais do
Atlântico Norte. O resultado foi uma estação seca que se estendeu por muitos
meses, ocasionando alterações no ciclo hidrológico em ambas as regiões
durante o ano de 2010, com essa variação acontece também uma alteração
nos valores de EOA.
Em 2015 ocorreu El Niño que pode ter sido um dos mais fortes já
registrados, comparados aos anos de 1997 e 1998 (PEGORIM, 2015). De
acordo com Instituto de Meteorologia (INMET), em 2015, o mês de julho
apresentou padrões característico do fenômeno El Niño, com uma precipitação
abaixo da média na Região Norte e em parte da região Nordeste do Brasil o
que influenciou diretamente na umidade impactando a EOA, pois como
observado por ANORUO (2020) a umidade ou a falta dela influencia
diretamente na concentração de aerossóis. Foi constatado também pelo
INMET que a fase quente do El Niño manteve sua evolução, atingindo
temperaturas positivas superiores a 2º C na superfície do Oceano Pacífico (DE
MOURAm et al. 2015). Segundo dados do Instituto Nacional de Pesquisas
Espaciais (INPE), de 8 a 15 de dezembro o fenômeno El Niño-Oscilação Sul
(ENOS) persistiu na região equatorial do Oceano Pacífico com anomalias
positivas de Temperatura da Superfície do Mar (TSM) de 4ºC, chegando em
até 5º C (INPE, 2015).
Já no ano de 2017 apesar de não existir a ocorrência do El niño,
segundo o OVERLAND et al. (2018) de outubro de 2017 a setembro de 2018
foi o segundo período mais quente (depois de 2015-16) no registro
observacional dentro do período aqui estudado, isso junto ao grande número
focos de calor (WHITE, 2019), claramente causaram um impacto sobre a
48
concentrações de aerossóis, aumentando os valores da EOA no ano de 2017
sobre a região centro-oeste do brasil.
No segundo padrão que ocorre nos demais anos (2008, 2009, 2011,
2012, 2013, 2014, 2016, 2018 e 2019) existe um comportamento semelhante
entre as três fontes de dados estudadas. Como exemplo, pode-se citar os
valores mais baixos no litoral do continente banhado pelo oceano Atlântico. Já
na questão das divergências a principal delas ocorre entre os sensores, pois os
altos valores se localizam em regiões diferentes (para o OMI próximos a
cordilheira dos Andes e para o MODIS em um ponto especifico na Bolívia). No
ano de 2013 ocorre um resultado distinto dos demais anos, enquanto o OMI
repete os altos valores na região de costume e o sensor MODIS tem altos
valores em uma região diferente na parte norte do continente sul-americano
(Equador, Venezuela e Colômbia).
Ao observarmos a comparação direta das médias anuais dos sensores e do
modelo com as observadas nas estações de superfície da AERONET, com
exceção do ano de 2019 - onde o sensor OMI tem os melhores resultados - o
MODIS é o que possui valores mais próximos aos observados em todas as
estações do fotômetro solar. Em contrapartida, o OMI é o que demonstra os
piores resultados, com a exceção da estação de Cuiba Miranda onde o sensor
OMI possui o melhor resultado nos anos de 2006, 2008, 2011, 2012, 2014,
2016, 2018, 2019. A estação onde os sensores apresentam valores mais
próximos entre si durante todos os anos é a estação de Cuiaba Miranda com
exceção dos anos de 2009 e 2011 onde a estação da Alta Floresta apresenta
as melhores comparações. Alguns anos tiveram comportamentos particulares
como por exemplo o ano de 2009 onde a estação de Cuiaba Miranda não
demonstrou um bom resultado no sensor OMI como nos demais anos. O ano
de 2016 foi o único onde os dados de reanálise do MERRA-2 obtiveram os
melhores resultados em uma das estações (Alta da Floresta). Já nos resultados
do ano de 2019 não temos a estação de Ceilap RG e com isso observarmos
uma diferença nos resultados. Em comparação direta das médias anuais dos
sensores e do modelo com as observadas da AERONET, o OMI é o que possui
valores mais próximos aos observados. Em relação aos valores mais distante
em Cuiaba Miranda ocorre no sensor MODIS, e em Alta Floresta nos dados de
reanálise do MERRA-2.
49
Figura 12 - Médias anuais da espessura ótica dos aerossóis no ano de 2005 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados
observados nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta
Floresta(g).
50
Figura 13 - Médias anuais da espessura ótica dos aerossóis no ano de 2006 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados
observados nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta
Floresta(g).
51
Figura 14 - Médias anuais da espessura ótica dos aerossóis no ano de 2007 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
52
Figura 15 - Médias anuais da espessura ótica dos aerossóis no ano de 2008 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
53
Figura 16 - Médias anuais da espessura ótica dos aerossóis no ano de 2009 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
54
Figura 17 - Médias anuais da espessura ótica dos aerossóis no ano de 2010 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
55
Figura 18 - Médias anuais da espessura ótica dos aerossóis no ano de 2011 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
56
Figura 19 - Médias anuais da espessura ótica dos aerossóis no ano de 2012 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
57
Figura 20 - Médias anuais da espessura ótica dos aerossóis no ano de 2013 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
58
Figura 21 - Médias anuais da espessura ótica dos aerossóis no ano de 2014 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
59
Figura 22 - Médias anuais da espessura ótica dos aerossóis no ano de 2015 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
60
Figura 23 - Médias anuais da espessura ótica dos aerossóis no ano de 2016 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
61
Figura 24 - Médias anuais da espessura ótica dos aerossóis no ano de 2017 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
62
Figura 25- Médias anuais da espessura ótica dos aerossóis no ano de 2018 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
63
Figura 26- Médias anuais da espessura ótica dos aerossóis no ano de 2019 do sensor MODIS
(a), dos dados de reanalise MERRA-2 (b), o sensor OMI (c) e os Histogramas de comparação
das médias anuais dos dados de sensoriamento remoto e do modelo com os dados observado
nas estações da AERONET: Ceilap BA (d), Ceilap RG(e), Cuiaba Miranda(f) e Alta Floresta(g).
64
5.16 Análise da média mensal do período de 2005 a 2019
Nas figuras 26- 29 são observadas as médias mensais de EOA no
período de 2005 a 2019 para região da América do Sul segundo os dois
sensores a bordo de satélites (MODIS e OMI) e os dados de reanálise MERRA2. O padrão apresentado são valores mais baixos durante o ano (exceto pela
região dos Andes onde observamos valores entre 0,55 a 0,85 durante todos os
meses no sensor OMI). Entre o mês de agosto e o mês de novembro acontece
uma mudança significativa nos valores possivelmente devido aos fatores
anteriormente citados (anomalias negativas durante a estação chuvosa,
desmatamento e maior ocorrência de queimadas). A maior dentre as médias
mensais analisadas se encontra no mês de setembro com valores superiores a
0,95 nos sensores e próximos a 0,85 para os dados de reanálise, em toda a
área em que se estende do centro-oeste/Norte do Brasil até a Bolívia.
O padrão dos dados de EOA apresentados do MODIS é muito parecido
com o do OMI com o mesmo período de altos valores começando em agosto e
terminando em novembro. Destaca-se o período que se encontra entre o mês
de fevereiro e o mês de abril com valores relativamente mais baixos (entre 0,55
e 0,65) na região norte do continente sul-americano (Peru, Colômbia e
Venezuela) e os altos valores encontrados num ponto específico na Bolívia
durante todo o ano, possivelmente devido a erro do sensor.
Nos dados de reanálise do MERRA-2 o mesmo padrão se repete com
menor intensidade que os resultados dos sensores a bordo de satélites,
principalmente quando comparado com os dados do sensor MODIS. O período
entre fevereiro e abril apresenta valores entre 0,45 e 0,55 na região norte do
continente sul-americano (Peru, Colômbia e Venezuela).
Apesar dos padrões serem todos parecidos, os valores apresentados
são bem diferentes. Os valores estimados pelo sensor OMI são bem mais altos
que os demais analisados, já os do MERRA-2 são os mais baixos encontrados.
Porém, esses resultados não invalida os dados de reanalise, pois, seus
resultados são bem próximos do sensor MODIS. Também são observados
pontos de divergências entre as 3 fontes de dados como por exemplo o ponto
de alto valores na Bolívia no sensor MODIS ou os altos valores do sensor OMI
na região dos Andes.
65
Figura 27 - Médias mensais de espessura ótica dos aerossóis dos sensores MODIS e OMI e
dos dados de reanálise do MERRA-2 na região da América do Sul do mês de janeiro ao mês
de março para o todo o período de 2005 a 2019.
66
Figura 28 - Médias mensais de espessura ótica dos aerossóis dos sensores MODIS e OMI e
dos dados de reanálise do MERRA-2 na região da América do Sul do mês de abril ao mês de
junho para o todo o período de 2005 a 2019.
67
Figura 29 - Médias mensais de espessura ótica dos aerossóis dos sensores MODIS e OMI e
dos dados de reanálise do MERRA-2 na região da América do Sul do mês de julho ao mês de
setembro para o todo o período de 2005 a 2019.
68
Figura 30 - Médias mensais de espessura ótica dos aerossóis dos sensores MODIS e OMI e
dos dados de reanálise do MERRA-2 na região da América do Sul do mês de outubro ao mês
de dezembro para o todo o período de 2005 a 2019.
69
5.17 Análise anual dos sensores MODIS e OMI e dos dados de reanálise
do MERRA-2
Nas figuras a seguir serão analisadas quatro series temporais: as
médias anuais dos dados observados nas torres da AERONET para as
estações selecionadas (Alta Floresta, Ceilap BA, Ceilap RG e Cuiaba Miranda),
médias anuais dos sensores MODIS, OMI e dos dados de reanalise do
MERRA-2 junto ao BIAS, o RMSE e coeficiente de correlação de Pearson (R).
As quatro estações foram escolhidas com base no período utilizado para este
trabalho (2005 a 2019) sendo as demais estações dentro da região do estudo
não utilizadas pelas falhas de dados presentes neste período.
Na figura 30 pode-se analisar a comparação das fontes de dados
(MODIS, OMI e MERRA -2) com dados da estação de Ceilap BA. Ao observar
os resultados percebe-se que o sensor MODIS tem o melhor resultado dentre
as 3 fontes de dados, segue o padrão dos dados do observado, com exceção
do ano de 2011, quando o sensor não reflete o observado pelos dados da
AERONET. Identifica-se pelos dados da estação da AERONET o valor máximo
de 0,117 (2011) e mínimo de 0,081 (2014) e para os dados de sensoriamento
remoto do sensor MODIS o máximo de 0,114 (ano de 2008) e mínimo de 0,089
(ano de 2007) com correlação de 0,45 e BIAS de 0,0044.
No caso dos dados de reanálise do modelo MERRA-2 percebe-se que
os valores estão sempre superestimados quando comparados com os dados
da AERONET. Porém, observa-se um padrão entre os dados do modelo e da
estação da AERONET com exceção do ano de 2007 onde os dados divergem
em comparação a todos os outros. O valor máximo é de 0,213 (2007) e mínimo
de 0,127 (2014) a correlação é de 0,2 com BIAS de 0,053 e RSME de 0,003.
O sensor OMI, apesar de possuir um comportamento anual parecido
com o do observado pela AERONET, indica uma superestimativa ainda maior
que o MERRA-2 ao longo dos anos (2007 onde MERRA-2 possui valores mais
altos). Sendo o valor máximo de 0,178 (2008) e mínimo de 0,154 (2010) a
correlação é de 0,43, BIAS de -0,070 e o RMSE é de 0,005. Na figura 31
podemos analisar a comparação das fontes de dados com os dados da
AERONET obtidos da estação de Alta Floresta. Essa estação é a que
apresentou os melhores resultados em relação a comparação aos dados de
sensoriamento por satélite e os dados de reanalise. Ao observar os resultados
70
do sensor MODIS percebe-se um padrão similar aos dados da AERONET,
sendo o primeiro representando com eficiência os dados observados. Tem-se
para os dados da AERONET o valor máximo de 0,297 (2017) e mínimo de
0,145 (2013) e valor máximo é de 0,264 (2015) e mínimo de 0,159 (2013) para
o sensor MODIS com correlação 0,80 (a melhor entre os resultados
apresentados), BIAS de -0,011 e RSME de 0,0009.
Ao observar os resultados do modelo MERRA-2 percebe-se um padrão,
porém os dados de reanálise estão sempre subestimados em relação aos
resultados do sensor MODIS e ao observado, com exceção do ano de 2017
onde os dados de reanálise divergem do observado. No entanto, no restante da
série temporal apresenta eficiência em apresentar o padrão dos dados
observados, apesar da subestimativa existente em todos os anos. O valor
máximo encontrado para a AERONET é de 0,242 (2007), mínimo de 0,113
(2013) e correlação de 0,50, BIAS de -0,046 e RMSE de 0,003.
Nos resultados do OMI percebe-se um padrão, apesar de do sensor
superestimar em todos os anos, com o sensor conseguindo representar com
muita eficiência os dados observados. O valor máximo de 0,271 (2010) e
mínimo de 0,183 (2014) com correlação de 0,48, BIAS de 0,012 e RSME de
0,0017.
Na figura 32 podemos analisar a comparação das 3 fontes de dados
com a estação de Ceilap RG da AERONET sendo essa estação a que possui
os piores resultados em comparação aos dados de sensoriamento e o de
reanálise. Percebe-se no sensor MODIS um padrão distinto do observado, a
variação é maior ocorre no ano de 2006 onde o sensor superestima o valor do
observado tendo assim o pior resultado em comparação as outras fontes de
dados neste ano especifico. Tem-se para o observado valor máximo de 0,044
(ano de 2015) e mínimo de 0,023 (ano de 2009) e máximo de 0,112 (ano de
2006) e mínimo de 0,024 (ano de 2009) para os dados de sensoriamento
remoto com uma correlação de 0,09, um BIAS de 0,0051 e um RSME de
0,00011,
Nos resultados da comparação dos dados de reanálise com a torre de
Ceilap RG, essa estação é a que possui os piores resultados em comparação
aos dados de reanálise. Percebe-se que o MERRA-2 consegue representar
pouco o comportamento dos dados observados, superestimando toda a série.
71
O valor máximo é de 0,066 (ano de 2011 e 2012) e mínimo de 0,055 (ano de
2018) com uma correlação de 0,15, BIAS de 0,030 e RSME de 0,001,
No caso do sensor OMI os resultados possuem superestimativa maior
em comparação aos do MERRA-2 fazendo deste o pior resultado em relação a
torre de Ceilap RG, sendo essa a estação que possui os piores resultados em
comparação aos dados analisados. O valor máximo é de 0,133 (ano de 2017) e
mínimo de 0,099 (ano de 2006) com uma correlação de 0,16, BIAS de 0,079 e
RSME de 0,00011.
Na figura 33 podemos analisar a comparação das três fontes de dados
com a torre de Cuiaba Miranda. Ao observar os resultados percebe-se um
padrão entre os sensores a bordo dos satélites e os dados de reanálise
conseguindo representar com eficiência o comportamento dos dados
observados. Tem-se para os dados da AERONET valor máximo de 0,363 (ano
de 2005) e mínimo de 0,124 (ano de 2009) e máximo de 0,187 (ano de 2017) e
mínimo de 0,120 (ano de 2009) para os dados de sensoriamento remoto do
sensor MODIS, com uma correlação de 0,62, um BIAS de -0,0046 e um RSME
de 0,004,
Ao observar dados de reanálise do MERRA-2 percebe-se um padrão, os
dados conseguem representar com certa eficiência o observado, com exceção
de 2015 onde os valores são superestimados pelo modelo. O valor máximo é
de 0,187 (ano de 2017) e mínimo de 0,120 (ano de 2009), com uma correlação
de 0,64, um BIAS de -0,022, um RSME de 0,002.
No caso do sensor OMI, percebe-se o pior dos resultados em relação ao
observado comparado as outras duas fontes de dados, tendo em vista que
possui os piores valores de correlação em duas das quatro torres observadas
(Alta Floresta com R=0,48 e Cuiaba Miranda com R=0,16). O valor máximo é
de 0,243 (ano de 2019) o mínimo é de 0,155 (ano de 2011) com uma
correlação de 0,19, um BIAS de -0,004 e um RSME de 0,002.
Observando os gráficos de dispersão (figuras: 31, 33, 35 e 37) podemos
notar que os melhores resultados são os do sensor MODIS nas estações de
Ceilap BA (R=45) e Alta Floresta (R= 0,80) e no MERRA-2 nas estações de
Ceilap RG (R=0,16) e Cuiaba Miranda (R=64. A reta em trajetória ascendente
indica que essas correlações são positivas, ou seja, quando aumenta o valor
do sensor também aumenta o do observado pela estação correspondente da
AERONET. A estação de Ceilap RG é a que possui as piores correlações. Já a
72
estação com as melhores correlações é a da Alta Floresta para o MODIS (R =
80), MERRA-2 (R= 53) e para o sensor OMI (R= 48). Ao analisarmos trabalhos
como o de Misra et al. (2014) que comparou os valores da EOA do sensor
MODIS com fotômetro solar
(MICROTOPS) em Ahmadabad na Índia(Lat:
23,03 e Lon: 72,62) para o período de 2002 a 2005 constatou apenas uma
fraca correlação (R = 0,43) e Hoelzemann et al. (2009) que realizaram
validação do EOA do MODIS usando dados da AERONET em vários locais na
América do Sul e encontrou uma correlação de R> 0,5 em média, pode-se
dizer que a correlação do sensor MODIS na estação de Alta floresta mostrouse satisfatória.
73
CEILAP BA
BIAS
RSME
R
0,0044
0,053
0,0001
0,003
0,45
0,070
0,005
0,43
0,250
0,20
EOA
0,200
0,150
0,100
0,050
AERONET
0,000
MODIS
MERRA-2
OMI
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
Anos
Figura 31 - Comparação entre MODIS, OMI e MERRA-2 com os dados observados na
AERONET para o período de 2005 a 2019 na estação de CEILAP BA. No Painel consta o
“BIAS”, o “RMSE” e o coeficiente de correlação (R) do MODIS (vermelho), do MERRA-2 (roxo)
e do OMI (azul) em relação aos dados da AERONET.
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
b
MERRA-2
MODIS
a
y = 0,2219x + 0,1016
0
0,1
0,2
0,3
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
y = 0,1891x + 0,1276
0
0,4
0,1
0,2
AERONET
OMI
c
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
y = -0,0066x + 0,1637
0
0,1
0,2
0,3
0,4
AERONET
Figura 32 - Gráfico de dispersão entre a espessura ótica dos aerossóis do MODIS(a), do
MERRA-2(b) e do OMI(c) com os dados da estação de Ceilap BA da AERONET.
0,3
0,4
74
ALTA FLORESTA
0,400
BIAS
RSME
R
-0,011
- 0,046
0,0009
0,003
0,80
0,012
0,0017
0,48
0,53
EOA
0,300
0,200
0,100
AERONET
MODIS
MERRA-2
OMI
0,000
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
Anos
Figura 33 - Comparação entre MODIS, OMI e MERRA-2 com os dados observados na AERONET para o
período de 2005 a 2019 na estação de ALTA FLORESTA. No Painel consta o “BIAS”, o “RMSE” e o
coeficiente de correlação (R) do MODIS (vermelho), do MERRA-2 (roxo) e do OMI (azul) em relação aos
dados da AERONET.
b
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
MERRA-2
MODIS
a
y = 0,9664x + 0,0375
0
0,2
0,4
OMI
c
0,6
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0,8
y = 0,7038x + 0,0408
0
0,2
0,4
0,6
0,8
AERONET
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
y = 0,4947x + 0,1938
0
0,2
0,4
0,6
0,8
AERONET
Figura 34 - Gráfico de dispersão entre a espessura ótica dos aerossóis do MODIS(a), do MERRA-2(b) e do
OMI(c) com os dados da estação de Alta Floresta da AERONET.
75
CEILAP RG
BIAS
RSME
R
0,0051
0,00011
0,09
0,030
0,001
0,0068
0,15
0,16
0,079
0,250
AERONET
MODIS
MERRA-2
OMI
EOA
0,200
0,150
0,100
0,050
0,000
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
Anos
Figura 35 - Comparação entre MODIS, OMI e MERRA-2 com os dados observados na
AERONET para o período de 2005 a 2019 na estação de CEILAP RG. No Painel consta o
“BIAS”, o “RMSE” e o coeficiente de correlação (R) do MODIS (vermelho), do MERRA-2 (roxo)
e do OMI (azul) em relação aos dados da AERONET.
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
b
y = 0,1533x + 0,0365
MERRA2
MODIS
a
0
0,05
0,1
0,15
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0,2
y = 0,1101x + 0,0577
0
0,05
0,1
0,15
AERONET
OMI
c
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
y = -0,2058x + 0,1177
0
0,05
0,1
0,15
0,2
AERONET
Figura 36 - Gráfico de dispersão entre a espessura ótica dos aerossóis do MODIS(a), do
MERRA-2(b) e do OMI(c) com os dados da estação de Ceilap RG da AERONET.
0,2
76
CUIABA MIRANDA
BIAS
RSME
R
- 0,046
0,004
0,62
- 0,022
0,002
0,002
0,64
0,19
- 0,004
0,400
EOA
0,300
0,200
0,100
AERONET
0,000
MODIS
MERRA-2
OMI
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
Anos
Figura 37. Comparação entre MODIS, OMI e MERRA-2 com os dados observados na
AERONET para o período de 2005 a 2019 na estação de CUIBA MIRANDA. No Painel consta
o “BIAS”, o “RMSE” e o coeficiente de correlação (R) do MODIS (vermelho), do MERRA-2
(roxo) e do OMI (azul) em relação aos dados da AERONET.
1
b
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
MERRA-2
MODIS
a 0,9
y = 0,6789x + 0,0478
0
0,2
0,4
0,6
0,8
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1
y = 0,5278x + 0,0904
0
0,2
0,4
0,6
0,8
AERONET
c
1
0,9
0,8
OMI
0,7
0,6
0,5
0,4
0,3
0,2
0,1
y = 0,4333x + 0,1659
0
0
0,2
0,4
0,6
0,8
1
AERONET
Figura 38 - Gráfico de dispersão entre a espessura ótica dos aerossóis do MODIS(a) do
MERRA-2(b) e do OMI(c) com os dados da estação de Cuiaba Miranda da AERONET.
1
77
6. CONCLUSÃO
A análise da variabilidade da EOA sobre a América do sul indica que apesar
das
diferentes
características
climáticas
das
sub-regiões
existe
um
comportamento sazonal predominante com altos valores nas estações secas e
baixos nas estações chuvosas, estando possivelmente relacionado com a
ocorrência de precipitação e consequente focos de queimadas sobre as
regiões nas épocas descritas, com exceção da região nordeste que apresenta
pouca variação nos valores de EOA ao longo do ano.
Das três fontes de dados utilizadas na comparação com o observado o
sensor MODIS obteve destaque ao apresentar os melhores resultados, pois
suas correlações foram as que atingiram os melhores valores principalmente
na estação da Alta floresta com R = 0,80. O sensor OMI obteve duas das
piores correlações observadas durante todo o estudo, sempre superestimando
os dados das estações. A estação da AERONET onde as três fontes de dados
obtiveram as melhores correlações com os dados observados foi a da Alta
Floresta, possuindo também com os melhores valores de BIAS (-0,011) e
RMSE (0,0009) ambos para o sensor MODIS. Em contrapartida a que obteve
os piores resultados foi a estação de CEILAP RG com BIAS de 0,079 e RMSE
de 0,0068). Os anos de 2005, 2007 e 2010 apresentaram altos valores de EOA
nas regiões da centro-oeste/Norte do Brasil e Norte da Bolívia por conta dos
com períodos de seca nas regiões.
Na análise das médias mensais, observa-se padrões semelhantes com os
maiores valores sempre ocorrendo sobre as áreas centro-oeste/Norte do Brasil
e Norte da Bolívia, com variação da área do seu máximo conforme o mês
analisado (geralmente no centro-oeste do Brasil no mês de setembro).
78
6.1 Sugestões para trabalhos futuro
•
Analisar a influência de sistemas meteorológicos específicos atuantes e
e seu papel no transporte dos aerossóis.
•
Utilizar períodos menores e específicos de dados da AERONET
(estação seca x chuvosa, série de 1 ano de dados, etc) para obter a maior
quantidade de torres possível para avaliar a qualidade da espessura ótica do
OMI, do MODIS e do MERRA-2;
•
Observar o comportamento dos aerossóis em outros lugares do mundo
com climas distintos utilizando o sensor MODIS por ter demonstrado os
melhores resultados.
6.2 Limitações
Pensando nas limitações a maior delas foi a indisponibilidade de uma rede
mais ampla e com maior período de medição de fotômetro solar sobre a área
analisada. Pois, para o período utilizado a AERONET apenas tinha 4 estações
com series com poucas falhas para a região da américa do sul, sendo que uma
delas ainda foi adaptada (CEILAP RG) por não possuir o ano de 2019.
79
7. REFERÊNCIAS
ALBUQUERQUE, T.T .Distribuições de tamanho, composição química e
identificação das fontes do aerossol atmosférico de São Paulo: Um
estudo
de
Mestrado
caso
para
o
inverno
(DEPARTAMENTO
de
DE
2003.
CIÊNCIAS
2005.
Dissertação
de
ATMOSFÉRICAS
–
DCA )Universidade de São Paulo.
ALMEIDA, S. M. et al. Source apportionment of atmospheric urban aerosol
based on weekdays/weekend variability: evaluation of road re-suspended dust
contribution. Atmospheric Environment, v. 40, n. 11, p. 2058-2067, 2006.
ALMEIDA,
A.
M.
E.
,Aerossol
carbonoso:
Contribuição
para
sua
caracterização. 2009. Dissertação de mestrado (Departamento de Ambiente e
Ordenamento), Universidade de Aveiro.
ALVES, C. Aerossóis atmosféricos: perspectiva histórica, fontes, processos
químicos de formação e composição orgânica. Química Nova, v. 28, n. 5, p.
859-870, 2005.
ANDRADE, K. M. Climatologia e comportamento dos sistemas frontais sobre a
América do Sul. Mestrado em meteorologia, Instituto Nacional de Pesquisas
Espaciais, São José dos Campos, 2005.
ANDREAE, MEINRAT O.; CRUTZEN, PAUL J. ATMOSPHERIC AEROSOLS:
BIOGEOCHEMICAL
SOURCES
AND
ROLE
IN
ATMOSPHERIC
CHEMISTRY. SCIENCE, V. 276, N. 5315, P. 1052-1058, 1997.
ANDREAE, M.O. (1983). Soot carbon and excess fine potassium: Long-range
transport of combustion-derived aerosols. Science 220: 1148–1151.
ANDREAE, M. O.; ROSENFELD, D.; ARTAXO, P.; COSTA, A. A.; FRANK, G.
P.; LONGO, K. M.; SILVA-DIAS, M. A. F. Smoking rain clouds over the
Amazon. Science (New York, N.Y.), v. 303, n. 5662, p. 1337-1342, 2004. ISSN
0036-8075.
80
ANDREAE, M. O.; MERLET, P. Emissions of trace gases and aerosols from
biomass burning. Global Biogeochemical Cycles, v. 15, n. 4, p. 955-966,
2001.
ANDREAE, M. O.; ROSENFELD, D. Aerosol–cloud–precipitation interactions.
Part 1. The nature and sources of cloud-active aerosols. Earth-Science
Reviews, v. 89, n. 1-2, p. 13-41, 2008.
ANORUO, C. M. Validation of OMI seasonal and spatio-temporal variations in
aerosol-cloud interactions over Banizoumbou using AERONET data. Journal of
Atmospheric and Solar-Terrestrial Physics, v. 211, p. 105457, 2020
ARTAXO,P.;OLIVEIRA, P. H.; LARA, L. L.;PAULIQUEVIS,T. M.; RIZZO, L. V.;
JUNIOR, C. P.;PAIXÃO, M. A.;LONGO, K. M.; FREITAS, S.;CORREIA, A. L.
Efeitos climáticos de partículas de aerossóis biogênicos e emitidos em
queimadas na Amazônia. Revista Brasileira de Meteorologia, v.21, n.3a, p.
168-22, 2006.
ARTAXO, Paulo; HANSSON, Hans-Christen. Size distribution of biogenic
aerosol particles from the Amazon Basin. Atmospheric Environment, v. 29, n. 3,
p. 393-402, 1995.
BETZER, P.R., Carder, K.L., Duce, R.A., Merrill, J.T., Tindale, N.W., Uematsu,
M., Costello, D.K., Young, R.W., Feely, R.A., Breland, J.A., Bernstein, R.E. and
Greco, A.M. (1988). Long–range transport of giant mineral aerosol particles.
Nature 336: 568–571.
BLOOM S, Takacs L, DaSilva A, Ledvina D. Data assimilation using
incremental analysis updates. Mon Wea Rev. 1996; 124:1256–1271.
BRAGA, A., Pereira, L. A. A., Böhm, G. M., & Saldiva, P. (2001). Poluição
atmosférica e saúde humana. Revista USP, (51), 58-71.
81
BUSTAMANTE, Teodoro. Historia de la conservación ambiental en Ecuador:
volcanes, tortugas, geólogos y políticos. FLACSO Ecuador, 2016.
CARVALHO, L. M. V., JONES, C., LIEBMANN, B. The South Atlantic
Convergence Zone: Intensity, Form, Persistence, and Relationships with
Intraseasonal and Interannual Activity and Extreme Rainfall. Journal of
Climate, v. 17, p. 88-108, 2004.
COOPER, O.R., Langford, A.O., Parrish, D.D. and Fahey, D.W. (2015).
Challenges of a lowered U.S. ozone standard. Science 348: 1096–1097.
COUTINHO, L.M., H.S.Miranda e H.C. de Morais. O Bioma do Cerrado e o
Fogo. Revista do Instituto de Estudos Avançados da USP, 50 pp., 2002
COULSON,
John
Metcalfe. Tecnologia
química.
Fundação
Calouste
Gulbenkian. Serviço de Educação, 1975.
CRUTZEN, P., Andreae, M., 1990. Biomass burning in the tropics: impact on
Atmospheric chemistry and biogeochemical cycles. Science 250, 1669-1678.
CUSPILICI, A., Monforte, P. and Ragusa, M.A. (2017). Study of Saharan dust
influence on PM10 measures in Sicily from 2013 to 2015. Ecol. Indic. 76: 297–
303.
DA SILVA, Abel Antônio. A Espessura óptica de aerossóis na banda do UVB. SILVA, v. 551, p. 17, 2001.
DE MOURA, Arieli Fernandes; DA CUNHA, Waldirene Sales; DA SILVA,
Wandréia Oliveira. VI-023-A INTENSIFICAÇÃO DO FENÔMENO EL NIÑO EM
2015.
DINER, D.J., Beckert, J.C., Reilly, T.H., Bruegge, C.J., Conel, J.E., Kahn, R.,
Martonchik, J.V., Ackerman, T.P., Davies, R., Gerstl, S.A.W., Gordon, H.R.,
Muller, J.-P., Myneni, R., Sellers, R.J., Pinty, B., Verstraete, M.M., 1998.
82
Multiangle imaging spectroradiometer (MISR) escription and experiment
overview. IEEE Trans. Geosci. Remt. Sens. 36, 1072e1087.
DUNCAN, Bryan N. et al. The observed response of Ozone Monitoring
Instrument (OMI) NO2 columns to NOx emission controls on power plants in the
United States: 2005–2011. Atmospheric Environment, v. 81, p. 102-111, 2013.
DUSEK, Ulrike et al. Size matters more than chemistry for cloud-nucleating
ability of aerosol particles. Science, v. 312, n. 5778, p. 1375-1378, 2006.
FERREIRA, J.; OLIVEIRA, P.A. Variação sazonal do ciclo diurno e anual da
espessura óptica na cidade de São Paulo. Anais do...XVI Congresso Brasileiro
de Meteorologia, 2006.
FINLAYSON-PITTS, B. J., PITTS, J. N. (1999). Chemistry of the upper and
lower atmosphere: theory, experiments and applications. Academic Press.
FREITAS, S.R; LONGO, M.K; SILVA DIAS, F.A.M; SILVA DIAS, L.P. Emissões
De queimadas em ecossistemas da América do Sul.Estudos avançados, v.19,
n. 53, p. 167-185, 2005.
FREITAS, R.S.; LONGO, K.; SILVA DIAS, A.M.; SILVA DIAS, L.P.;
CHATFIELD, R.; FAZENDA, A.; RODRIGUES, F.L.; The coupled aerosol and
tracer transport model to the Brazilian developments on the regional
atmospheric modeling system: Validation using direct and remote sensing
observations.
In:
INTERNATIONAL
CONFERENCE
ON
SOUTHERN
HEMISPHERE METEOROLOGY AND OCEONAGRAPHY. 8. Anais do… Foz
do Iguaçu, 2006, p. 101-107 (a).
FREITAS, S.R., Longo, K.M., Silva Dias, M.A.F., Chatfield, R., Silva Dias, P.,
Artaxo, P. and Panetta, J. (2009). The Coupled Aerosol and Tracer Transport
model to the Brazilian developments on the Regional Atmospheric Modeling
System (CATT-BRAMS) – Part 1: Model description and evaluation. Atmos.
Chem. Phys. 9: 2843– 2861.
83
GIGLIO, L.; VAN DER WERF, G. R.; RANDERSON, J. T.; COLLATZ, G. J.;
KASIBHATLA, P. Global estimation of burned area using MODIS active fire
observations. Atmospheric Chemistry and Physics Discussions, v. 5, n. 6,
p. 11091-11141, 2005-11-01 2005. ISSN 1680-7367.
HAYWOOD, J. M., P. N. Francis, M. D. Glew, and J. P. Taylor, Optical
properties and direct radiative effect of Saharan dust: A case study of
two Saharan dust outbreaks using aircraft data, J. Geophys. Res., 106,
18,417–18,430, 2001.
HOLBEN, B.N., Eck, T.F., Slutsker, I., Tanre, D., Buis, J.P., Setzer, A.,
Vermote, E., Reagan, J.A., Kaufman, Y., Nakajima, T., Lavenu, F., Jankowiak,
I., Smirnov, A., 1998. AERONET - a federated instrument network and data
archive for aerossol characterization. Rem. Sens. Environ. 66, 1e16.
HOSKER, R.P.; LINDBERG,S.E. Review: Atmospheric deposition and plant
assimilation of gases and particles. Atmospheric Environment, v. 16, n. 5,
p.889-910, 1982.
HSU, N.C., Tsay, S.C., King, M.D., Herman, J.R., 2004. Aerosol properties over
bright reflecting source regions. IEEE Trans. Geosci. Remote Sens. 42,
557e569.
HSU, N.C., Tsay, S.C., King, M.D., Herman, J.R., 2006. Deep blue retrievals of
Asian aerosol properties during ACE-Asia. IEEE Trans. Geosci. Remote Sens.
44, 3180e3195.
HOELZEMANN, Judith J. et al. Regional representativity of AERONET
observation sites during the biomass burning season in South America
determined by correlation studies with MODIS Aerosol Optical Depth. Journal of
Geophysical Research: Atmospheres, v. 114, n. D13, 2009.
INMET – Instituto de Meteorologia. Boletim de Prognóstico Climático. N° 8.
2015. Disponível em: Acesso em: 20/12/15
84
INPE – Instituto Nacional de Pesquisas Espaciais. Centro de Previsão de
Tempo e Estudos Climáticos. Disponível em: Acesso em: 20/12/15
KAUFMAN, Y.J.; TANRÉ, D.; BOUCHER, O. A satellite view of aerosols in the
climate system Nature, v.419 p. 215-223. 2002.
KHONDOKER, Roulin et al. New constraints on elemental and Pb and Nd
isotope compositions of South American and Southern African aerosol sources
to the South Atlantic Ocean. Geochemistry, v. 78, n. 3, p. 372-384, 2018.
KLEIST DT, Parrish DF, Derber JC, Treadon R, Wu W-S, Lord S. Introduction
of the GSI into the NCEP Global Data Assimilation System. Weather
Forecasting. 2009; 24:1691–1705.
KODAMA, Y., 1992: Large-scale common features of Sub-tropical Precipitation
Zones (the Baiu Frontal Zone, the SPCZ, and the SACZ). Part I: characteristics
of Subtropical Frontal Zones. Journal of Meteorological Society of Japan, v. 70,
n. 4, p. 813-835.
LENTERS, J. D.; COOK, Kerry Harrison. On the origin of the Bolivian high and
related circulation features of the South American climate. Journal of the
Atmospheric Sciences, v. 54, n. 5, p. 656-678, 1997.
LEVELT, P.F., van den Oord, G.H., Dobber, M.R., et al. 2006. The ozone
monitoring instrument. geoscience and remote sensing. IEEE Trans. 44,
1093e1101.
LEVY, R.C., Remer, L.A., Mattoo, S., Vermote, E.F., Kaufman, Y.J., 2007.
Second-generation operational algorithm: retrieval of aerosol properties over
land from inversion of moderate resolution imaging spectroradiometer spectral
reflectance. J. Geophys. Res. 112 (D13), 211.
LIOUSSE, C. et al. Deriving global quantitative estimates for spatial and
temporal distributions of biomass burning emissions. In: Emissions of
atmospheric trace compounds. Springer, Dordrecht, 2004. p. 71-113.
85
LIN, M., Fiore, A.M., Horowitz, L.W., Cooper, O.R., Naik, V., Holloway, J. and
Wyman, B. (2012). Transport of Asian ozone pollution into surface air over the
western United States in spring. J. Geophys. Res. 117: D00V07
LI, J., Carlson, B.E., Lacis, A.A., 2014a. Application of spectral analysis
techniques in the inter-comparison of aerosol data, Part II: using maximum
covariance analysis to effectively compare spatio-temporal variability of satellite
and AERONET measured aerosol optical depth. J. Geophys. Res. 119,
153e166.
LI, J., Carlson, B.E., Lacis, A.A., 2014b. Application of spectral analysis
techniques in the inter-comparison of aerosol data, part III: using combined
PCA to compare spatio-temporal variability of MODIS, MISR and OMI aerosol
optical depth. J. Geophys. Res.
LI, J., Carlson, B.E., Lacis, A.A., 2014c. Application of spectral analysis
techniques to the intercomparison of aerosol data e part 4: combined maximum
covariance analysis to bridge the gap between multi-sensor satellite retrievals
and groundbased measurements. Atmos. Meas. Tech. Discuss. 7, 3503e3547.
LI, JING; CARLSON, Barbara E.; LACIS, Andrew A. How well do satellite
ESPESSURA ÓTICA DOS AEROSSÓIS observations represent the spatial and
temporal variability of PM2. 5 concentration for the United States?. Atmospheric
Environment, v. 102, p. 260-273, 2015.
LUCCA, S.; ARTAXO, P.; CASTANHO, A. A.; CORREIA, A.; PIRES, C.
Questões relacionadas á obtenção de espessura óptica de aerossóis em alta
resolução na região amazônica. Anais do... XIV Congresso Brasileiro de
Meteorologia, 2006.
LUTZ, Mark. Programming python. " O'Reilly Media, Inc.", 2001.
86
MARTINS, Leila Droprinchinski et al. Long-range transport of aerosols from
biomass burning over southeastern South America and their implications on air
quality. Aerosol Air Qual. Res, v. 18, p. 1734-1745, 2018.
MARTIN, M.; TRITSCHER, T.; JURÁNYI, Z.; HERINGA, M. F.; SIERAU, B.;
WEINGARTNER, E.; CHIRICO, R.; GYSEL, M.; PRÉVÔT, A. S. H.;
BALTENSPERGER, U.; LOHMANN, U. Hygroscopic properties of fresh and
aged wood burning particles. Journal of Aerosol Science, v. 56, p. 15-29,
2013. ISSN 0021-8502.
MARENGO, José A. et al. Low-frequency variability of the SALLJ. CLivAR
exchanges, v. 9, n. 1, p. 26-27, 2004.
MOLOD AM, Takas LL, Suarez M, Bacmeister J. Development of the GEOS-5
atmospheric general circulation model: Evolution from MERRA to MERRA-2.
Geoscientific Model Development. 2015; 8:1339–1356. DOI: 10.5194/gmd-81339-2015.
MISRA, Amit et al. Validation of version 5.1 MODIS aerosol optical depth (Deep
blue algorithm and dark target approach) over a semi-arid location in Western
India. Aerosol and Air Quality Research, v. 15, n. 1, p. 252-262, 2015.
NASA – National Aeronautics and Space Administration. Disponível em:
<http://www.esrl.nooa.gov>. Acesso em 14 de jul. de 2013
OVERLAND, J. E. et al. Surface air temperature. Arctic report card, 2018.
PAIXÃO, Melina Mara de Andrade. Propriedades ópticas de aerossóis naturais
e de queimadas da Amazônia. 2011. Tese de Doutorado. Universidade de São
Paulo.
PEARSON, K. LIII. On lines and planes of closest fit to systems of points in
space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal
of Science, v. 2, n. 11, p. 559-572, 1901.
87
PEREIRA, Heloisa Ramos; REBOITA, Michelle Simões; AMBRIZZI, Tércio.
Características da atmosfera na primavera austral durante o El Niño de
2015/2016. Revista Brasileira de Meteorologia, v. 32, p. 293-310, 2017.
POWDER, H.C. The geography and climatologie of aerossol. Progress en
physical/geography v.27, n. 4, p. 502-547, 2003.
RECUERO, F. S ; LONGO, K. M. ; FREITAS, S. R. Estudo do Transporte das
Partículas de Aerossol de Queimada Via Sensoriamento Remoto. Anais do...
XIII Congresso Brasileiro de Meteorologia, 2004, Fortaleza.
RENOUX, A.; Boulard, D.; Les aérosols. Physique et Métrologie, Lavoisier
Technique & Documentation: Paris, 1998.
REID, J. S.; KOPPMANN, R.; ECK, T. F.; ELEUTERIO, D. P. A review of
biomass burning emissions, part II: Intensive physical properties of biomass
burning particles. Atmospheric Chemistry and Physics Discussions, v. 4, n.
5, p. 5135-5200, 2004. ISSN 1680-7316.
RIENECKER MM, et al. Tech Rep 27. NASA Global Modeling and Assimilation
Office; 2008. The GEOS-5 Data Assimilation System – Documentation of
versions 5.0.1, 5.1.0, and 5.2.0.
ROSÁRIO, N.E., Longo, K.M., Freitas, S.R., Yamasoe, M.A., and Fonseca,
R.M. (2013). Modeling the South American regional smoke plume: Aerosol
optical depth variability and surface shortwave flux perturbation. Atmos. Chem.
Phys. 13: 2923–2938.
SEINFELD J., PANDIS, S. Atmospheric Chemistry and Physics. Hoboken,
New Jersey. 2ed. John Wiley & Sons, Inc., 2006, 1248p.
88
SEINFELD, J. H. S, N. Pandis. 1998. Atmospheric Chemistry and Physics:
From Air Pollution to Climate Change. John Willey and Sons. USA, 1998.
SONG, Zijue et al. Diurnal and seasonal variability of PM2. 5 and ESPESSURA
ÓTICA DOS AEROSSÓIS in North China plain: Comparison of MERRA-2
products and ground measurements. Atmospheric Environment, v. 191, p. 7078, 2018..
SWAP, R., Garstang, M., Greco, S., Talbot, R. and Kållberg, P. (1992). Saharan
dust in the Amazon Basin. Tellus B 44: 133–149.
TANRÉ, D., Kaufman, Y.J., Herman, M., Mattoo, S., 1997. Remote sensing of
aerosol properties over oceans using the MODIS/EOS spectral radiances. J.
Geophys. Res. 102 (D14), 16971e16988.
TORRES, O., Tanskanen, A., Veihelmann, B., Ahn, C., Braak, R., Bhartia, P.K.,
Veefkind, P., Levelt, P., 2007. Aerosols and surface UV products from ozone
monitoring instrument observations: an overview. J. Geophys. Res. 112 (D24),
S47.
UNO, I., Osada, K., Yumimoto, K., Wang, Z., Itahashi, S., Pan, X., Hara, Y.,
Yamamoto, S. and Nishizawa, T. (2017). Importance of long-range nitrate
transport based on long-term observation and modeling of dust and pollutants
over East Asia. Aerosol Air Qual. Res. 17: 3052–3064
UVO, Cíntia Regina Bertacchi; UVO, Cíntia Regina Bertacchi. A Zona de
Convergência Intertropical (ZCIT) e sua relação com a precipitação da Região
Norte do Nordeste Brasileiro. INPE, 1989.
VERSTRAETEN, W.W., Neu, J.L., Williams, J.E., Bowman, K.W., Worden, J.R.
and Boersma, K.F. (2015). Rapid increases in tropospheric ozone production
and export from China. Nat. Geosci. 8: 690–695.
WARD, D.; COTTON, W. A method for forecasting cloud condensation nuclei
using predictions of aerosol physical and chemical properties from WRF/Chem.
89
Journal of Applied Meteorology and Climatology, v. 50, n. 7, p. 1601-1615,
2011.
WANG, Z., Itahashi, S., Uno, I., Pan, X., Osada, K., Yamamoto, S., Nishizawa,
T., Tamura, K. and Wang, Z. (2017). Modeling the long-range transport of
particulate matters for january in East Asia using NAQPMS and CMAQ. Aerosol
Air Qual. Res. 17: 3065–3078.
WHITE, Benjamin Leonardo Alves. SATELLITE DETECTION OF WILDLAND
FIRES IN SOUTH AMERICA. FLORESTA, v. 49, n. 4, p. 851-858, 2019.
WHITE, B. L. A.; WHITE, L. A. S. Queimadas e incêndios florestais no estado
de Sergipe, Brasil, entre 1999 e 2015. Floresta, Curitiba, v. 46, n. 4, p. 561-570,
2016.
WILKS, Daniel S. Statistical methods in the atmospheric sciences. Academic
press, 2011.
WU W-S, Purser R, Parrish D. Three-dimensional variational analysis with
spatially inhomogeneous covariances. Mon Wea Rev. 2002; 130:2905–2916.
YAMASOE,
REMER,
of
the
sky
M.
L.
A.;
real
part
A.;
KAUFMAN,
HOLBEN,
of
radiometers
the
during
Y.
B.
N.;
refractive
J.;
DUBOVIK,
ARTAXO,
P.
index
of
aerosols
Journal
of
MIGUEL,
A.
SCAR-B.
O.;
Retrieval
from
sun/
Geophysical
Research, v. 103, n.D24, p.3 1893-3 1902, 1998.
YAMASOE,
A.
direct
G.
M.
Chemical
emissions
water-soluble
A.;
of
species
ARTAXO,
P.;
composition
of
biomass
burning
and
trace
H.;
ALLEN,
aerosol
particles
from
in
Amazon
Basin:
the
elements.
Atmospheric
Environment, v.34, p.1.641-1.653, 2000.
YADAV, I.C., Linthoingambi Devi, N., Li, J., Syed, J.H., Zhang, G. and
Watanabe, H. (2017). Biomass burning in Indo-China peninsula and its impacts
90
on regional air quality and global climate change-A review. Environ. Pollut. 227:
414–427.