ads:
i
AVALIAÇÃO DE MODELOS GAUSSIANOS PARA FINS REGULATÓRIOS – UM
ESTUDO PARA A BACIA AÉREA III DA REGIÃO METROPOLITANA DO RIO DE
JANEIRO
Maria Francisca Azeredo Velloso
DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS
PROGRAMAS DE PÓS-GRADUAÇÃO DE ENGENHARIA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS NECESSÁRIOS
PARA A OBTENÇÃO DO GRAU DE MESTRE EM CIÊNCIAS EM ENGENHARIA
MECÂNICA.
Aprovada por:
________________________________________________
Prof. Luiz Cláudio Gomes Pimentel, D.Sc.
________________________________________________
Dr. Jesús Salvador Pérez Guerrero, D.Sc.
________________________________________________
Prof. Renato Machado Cotta, PhD.
________________________________________________
Prof. William Zamboni de Mello, Ph.D.
________________________________________________
Dr. Paulo Fernando Lavalle Heilbron Filho, D.Sc.
RIO DE JANEIRO, RJ - BRASIL
JULHO DE 2007
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
ii
VELLOSO, MARIA FRANCISCA AZEREDO
Avaliação de Modelos Gaussiano para Fins
Regulatórios – Um Estudo para a Bacia
Aérea III da Região Metropolitana do Rio
de Janeiro [Rio de Janeiro] 2007
XVIII,197 p. 29,7 cm (COPPE/UFRJ,M.Sc.,
Engenharia Mecânica, 2007)
Dissertação - Universidade Federal do
Rio de Janeiro, COPPE
1. Modelagem da qualidade do ar
2. Dispersão de poluentes atmosféricos
3. Modelos Gaussianos
I. COPPE/UFRJ II. Título (série)
ads:
iii
“Aprendi que a lealdade é algo que se pode comprar, mas que somente existe uma moeda
para a mesma: a própria lealdade! A lealdade só pode existir quando é mútua, não existe
lealdade unilateral.”
Julian Jaime Cervantes
iv
Aos meus pais
Carlos Augusto e Rosy.
v
AGRADECIMENTOS
Agradeço a Deus por permitir que eu viesse em mãos tão especiais.
O agradecimento mais especial vai às minhas duas metades, meu pai e minha mãe,
por tudo que sempre fizeram por mim. Meu pai, minha metade que se foi, meu anjo
particular, por todo amor, por querer tanto estar aqui, o que me fez te admirar ainda mais,
se é que isso é possível. Minha mãe sempre guerreira, tão amiga e leal, minha metade mais
generosa! MÃE no sentido mais bonito que existe para essa palavra! Obrigada por
aceitarem e acreditarem sempre nos meus sonhos. Vocês foram e são as pessoas mais
importantes da minha vida, meus maiores e melhores exemplos, perfeitos! Eu devo tudo a
esse casal, a esse amor, a essa vida! Obrigada! Pai, saudade!
Meus irmãos, Ana Flávia, Antônio Carlos, João Augusto e Maria Rita, meus
sobrinhos, Raphael, Victor, Lucas e Amanda (e essa lista só cresce!), pela união mesmo
quando estamos distantes. Meus tios, queridíssimos, meus primos. Minhas avós Lourdes e
Alayde. Chiquinho e Cida que indiscutivelmente fazem parte da dessa família, sempre! Não
tenho palavras pra agradecer, preocupação, carinho, união, companhia, tudo que nos faz...
FAMÍLIA!
Minha querida Tia Kika, por tanto carinho e toda sua família, sempre tão
acolhedora. Agradeço sempre!
Aos meus orientadores, Luiz Cláudio e Jesús, por acreditarem em mim mesmo
quando eu mesmo não acreditava. Por me orientarem em meu crescimento profissional.
Mas também pela amizade, carinho, respeito e paciência com que sempre me trataram!
À todos os integrantes do NCQAr, lugar especial que passei toda minha graduação e
mestrado. Especialmente ao Bruno, David e Maurício, valeu pela força!
vi
Um dia escutei que todos nós temos um dom, o meu, indiscutivelmente, é ter
pessoas especiais, deliciosamente loucas e incríveis sempre ao meu redor! E se te disserem
que quando mais precisar irá descobrir que tem menos amigos do que pensava. Eu digo:
quando precisei descobri ter mais amigos que pensava ter!!!
Aos meus grandes amigos que me acompanharam durante esses anos, dentro e fora
da universidade, muita festa, muita alegria, muito estudo... Nós nos tornamos uma família,
das mais divertidas, com certeza!!! À todos os meus amigos espalhados pelo mundo, que
nem sempre é fácil encontrá-los, mas que com certeza estão sempre comigo!!
Cali, Eduardo, Mari, Dani, Gil e Rodrigo sempre dispostos à ajudar!!! Raquel,
minha amiga-irmã, que nos últimos tempos só escuta falar em tese, pelo carinho, amizade e
companhia!
Agradeço aos professores, colegas e funcionários do Departamento de
Meteorologia da URFJ, pelo carinho. Wallace, Ângela, Audálio, Edílson pela atenção!
Agradeço ao Programa de Engenharia Mecânica da COPPE, em especial à Vera.
Agradeço a Divisão de Ciências Atmosféricas do Instituto de Aeronáutica e Espaço
do Comando Geral de Tecnologia Aeroespacial, pelo fornecimento dos dados
meteorológicos.
Agradeço a FEEMA e a Prefeitura do Rio de Janeiro, pelos dados de qualidade do
ar.
Agradeço a CAPES pelo financiamento.
MUITO OBRIGADA!
vii
Resumo da Dissertação apresentada a COPPE/UFRJ como parte dos requisitos necessários
para a obtenção do grau de Mestre em Ciências (M.Sc.).
AVALIAÇÃO DE MODELOS GAUSSIANOS PARA FINS REGULATÓRIOS – UM
ESTUDO PARA A BACIA AÉREA III DA REGIÃO METROPOLITANA DO RIO DE
JANEIRO
Maria Francisca Azeredo Velloso
Julho 2007
Orientadores: Luiz Cláudio Gomes Pimentel
Jesús Salvador Pérez Guerrero
Programa: Engenharia Mecânica
Este trabalho apresenta a avaliação dos modelos Gaussianos de qualidade do ar
AERMOD e ISC, amplamente utilizados para fins regulatórios, segundo recomendação da
Agência de Proteção Ambiental dos Estados Unidos (EPA). A área do estudo foi a Bacia
Aérea III da Região Metropolitana do Rio de Janeiro (RMRJ) e o período considerado foi o
ano de 2002. Para as simulações foram consideradas as emissões do poluente SO
2
provenientes de 24 fontes fixas, representativa das atividades industriais, e representadas
nas simulações por fontes áreas. As emissões referentes às atividades automotivas foram
assimiladas no modelo através de 22 fontes móveis, representadas nas simulações por
fontes linhas. Os resultados foram representados em cinco estações receptoras, onde estão
localizadas as estações de monitoramento da qualidade do ar, com o objetivo de utilizar os
dados observados dessas estações e compará-los aos dados previstos pelos modelos. Com
os resultados obtidos foi possível analisar a confiabilidade do modelo para a utilização nas
diferentes regiões da Bacia Aérea III. Os resultados dos modelos foram comparados entre
si, com o intuito de analisar qual a melhor relação custo / benefício para as suas aplicações.
A análise dos resultados foi feita com auxílio de índices estatísticos recomendados na
literatura científica para a avaliação de modelos de qualidade do ar e através da elaboração
de mapas de poluição, objetivando estabelecer as áreas da RMRJ onde podem ocorrer
violações dos padrões primários de poluição.
viii
Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Masters of Science (M.Sc.).
EVALUATION OF GAUSSIAN MODELS FOR REGULATORY ISSUE – A CASE FOR
AEREA BASIN III OF THE RIO DE JANEIRO METROPOLITAN REGION
Maria Francisca Azeredo Velloso
July 2007
Advisors: Luiz Cláudio Gomes Pimentel
Jesús Salvador Pérez Guerrero
Department: Mechanical Engineering
In this work is presented the evaluation of the quality air gaussian models
AERMOD and ISC, largely applied in regulatory studies, following the US-EPA (United
States Environmental Protection Agency) recommendations. The Aerea Basin III of Rio de
Janeiro Metropolitan Region (RJMR) has been chosen as study area using the 2002 year
data as base period. The simulations has been performed including SO2 emissions that
came from 24 fixed sources, representing industry actives, and represented by area sources
in the simulations. The automotive emissions were assimilated using 22 mobiles sources,
through line sources in the simulations. The results were analyzed using five receptors
stations, where the air quality monitoring stations were localized, aiming to compare the
data from these stations against models results. With the models results available,
confidence were evaluated on different regions at Aerea Basin III. Those results were inter-
compared aiming to define the best benefits-cost relationship on his application
development purpose. The results were analyzed based on statistical indexes recommended
by scientific literature for quality air models use and through pollution maps, aiming
establish regions on RJMA where pollutions primary patterns violations could happen.
ix
ÍNDICE
1 INTRODUÇÃO
1
2. REVISÃO BIBLIOGRÁFICA
2.1. Avaliação de Modelos Gaussianos
2.2. Modelos de Fonte Linha
2.3 Estudos para a Região da Bacia Aérea III da RMRJ
3. DESCRIÇÃO DOS MODELOS
3.1. Modelos da Pluma Gaussiana Clássica
3.2. Modelo ISC
3.2.1 A Equação Gaussiana para Diferentes Tipos de Emissão
3.2.2 Coordenada dos Receptores
3.2.3 Perfil da Velocidade do Vento
3.2.4 Parâmetros de Dispersão
3.2.5 Fórmulas para elevação da pluma
3.2.6 Procedimentos para a análise da dispersão induzida pela flutuação
3.2.7 Procedimento para a analise do termo vertical
3.2.8Termo de Decaimento
3.3 Modelo AERMOD
3.3.1 AERMET
3.3.1.1 Descrição do AERMET
3.3.1.1.1 Modelos Paramétricos da Camada Limite Convectiva
(CLC)
3.3.1.1.2 Modelos Paramétricos da Camada Limite Estável (CLE)
3.3.2 Interface Meteorológica do AERMOD (IMA)
3.3.2.1. Perfil da Velocidade do Vento na IMA
3.3.2.2 Perfil da Temperatura Potencial na IMA
3.3.2.3 Coeficiente de Dispersão Turbulenta Vertical Calculada pela
IMA
3.3.2.4 Coeficiente de Dispersão Turbulenta Lateral Calculada pela
IMA
9
11
18
23
25
25
28
30
31
32
33
35
36
37
38
40
44
45
46
54
57
58
63
64
68
x
3.3.2.5 Tratamento da Não-Homogeneidade Vertical na Camada
Limite Atmosférica
3.3.2 AERMAP
3.4. Comparação da Formulação Teórica dos Modelos ISC3 e AERMOD
4. CARACTERIZAÇÃO DA REGIÃO
4.1. Caracterização Climatológica
4.1.1 Sistemas que atingem a Região Sudoeste
4.1.1.1 Tempestades Isoladas
4.1.1.2 Frentes Frias
4.1.1.3 Linhas de Instabilidade
4.1.1.4 Zona de Convergência do Atlântico Sul
4.1.2 Caracterização Climatológica da Bacia Aérea III
4.1.2.1 Pressão Atmosférica
4.1.2.2 Temperatura do Ar
4.1.1.3 Umidade Relativa do Ar
4.1.1.4 Precipitação
4.1.1.5 Vento
4.2 Topografia e Uso do Solo
4.3 Fontes de Emissão
5. METODOLOGIA
5.1 Parâmetro de Dispersão Vertical
5.2 Parâmetros Topográficos, Categoria de Uso do Solo e Localizações do
Estudo
5.3 Dados de Emissão
5.4 Arquivo Meteorológico, de Qualidade do Ar e Período das Simulações
5.5 Avaliação dos Resultados das Simulações
5.6 Legislação Brasileira sobre Qualidade do Ar
5.7 Parâmetros Utilizados nas Simulações
6. RESULTADOS
6.1 Custo Computacional
6.2 Análise do Campo de Vento para a Bacia Aérea III para período de 2002
69
70
75
78
80
84
84
86
88
89
90
91
92
93
93
95
102
104
107
107
108
115
119
120
123
124
126
127
127
xi
6.3 Análise Sinótica de 2002
6.4 Comparação entre os Resultados Simulados e de Monitoramento para a
Concentração Média Diária
6.4.1 Verão
6.4.2 Outono
6.4.3 Inverno
6.4.4 Primavera
6. 5 Análise da Concentração Média Mensal – Modelos AERMOD / ISCST3
/ Dados de Monitoramento
6.6 Avaliações a partir dos Índices Estatísticos
6.6.1 Verão
6.6.2 Outono
6.6.3 Inverno
6.6.4 Primavera
6.7Mapas de Concentração
6.8 Avaliações Diárias entre os Resultados Previstos
7. CONCLUSÕES
REFERÊNCIAS BIBLIOGRÁFICAS
ANEXO I
133
134
135
139
143
146
150
153
154
157
160
162
165
180
182
186
xii
ÍNDICE DE FIGURAS
Figura 2.1 Esquema da Pluma gaussiana.
Figura 2.2: Concentrações em função da direção do vento para a linha que liga o
centro da fonte ao receptor.
Figura 3.1: Sistema de coordenadas, mostrando a distribuição Gaussiana
Figura 3.2: Fluxograma do modelo ISC
Figura 3.3: Sistema de coordenadas do modelo
Figura 3.4: Ilustração do conceito das duas camadas, a que permanece na horizontal
e a que ascende sobre o terreno.
Figura 3.5: Descrição da pluma que ascende a colina. A primeira figura ilustra como
a pluma realmente ascende pela colina, e a segunda mostra como á
pluma é tratada pelo modelo.
Figura 3.6: Fluxograma do modelo AERMOD
Figura 3.7: Fluxograma do AERMET.
Figura 3.8: Distribuição vertical da velocidade do vento na CLC e CLE, na região
abaixo de 7Z
0
.
Figura 3.9: Distribuição vertical da velocidade do vento na CLC e CLE, na região
acima de 7Z
0
.
Figura 3.10: Perfil do gradiente de temperatura potencial na CLE.
Figura 3.11: Parcela mecânica na turbulência vertical n CLC
Figura 3.12: Perfil vertical da turbulência na CLE
Figura 3.13: Tratamento da CLA não homogênea
Figura 3.14: Representação idealizada do comportamento da pluma que passa sobre
e contornando uma colina sob uma condição de estabilidade
atmosférica. Para fins de modelagem, a pluma é dividida no ponto x
0
(ponto onde “encontra” a colina), onde é encontrada a altura do plano
divisor H
c
. A partir do ponto x
0
, as plumas são tratadas de modos
diferentes.
Figura 3.15: Localização de hc para um receptor específico (xr,yr,zr).
Figura 3.16: Determinação de hc para uma colina e terreno suavemente inclinado.
9
15
27
29
30
41
42
44
45
59
60
62
67
68
70
72
74
75
xiii
Figura 4.1: Delimitação das Bacias Aéreas da RMRJ.
Figura 4.2: Comportamento das temperaturas máxima e mínima anuais, segundo as
normais climatológicas de 1931/1990.
Figura 4.3: Comportamento da temperatura média anual, segundo as normais
climatológicas de 1931/1990.
Figura 4.4: Comportamento da Precipitação Anual segundo às normais
climatológicas de 1931/1990.
Figura 4.5: Modelo simplificado do ciclo de vida de uma célula simples.
Figura 4.6: Foto de um cumulunimbus.
Figura 4.7: Esquema da penetração de um sistema frontal no hemisfério sul
Figura 4.8: Imagem do satélite GOES -12 às 1745Z do dia 11/06/2004.
Figura 4.9: Imagem do satélite GOES-8 do dia 06/01/1999 às 03Z no canal
infravermelho.
Figura 4.10: Comportamento da pressão atmosférica, para estação Rio de Janeiro, de
acordo com as normais climatológicas.
Figura 4.11: Comportamento das máximas e mínimas temperaturas, para estação
Rio de Janeiro, de acordo com as normais climatológicas.
Figura 4.12: Comportamento da temperatura média, para estação Rio de Janeiro, de
acordo com as normais climatológicas.
Figura 4.13: Comportamento da umidade relativa do ar, para estação Rio de Janeiro,
de acordo com as normais climatológicas.
Figura 4.14: Comportamento da precipitação, para estação Rio de Janeiro, de acordo
com as normais climatológicas.
Figura 4.15: Rosa dos ventos do aeroporto Santos Dumont: (a) anual, (b) verão, (c)
outono, (d) inverno e (e) primavera.
Figura 4.16: Rosa dos ventos da estação Centro: (a) anual, (b) verão, (c) outono, (d)
inverno e (e) primavera.
Figura 4.17: Rosa dos ventos da estação Galeão: (a) anual, (b) verão, (c) outono, (d)
inverno e (e) primavera.
Figura 4.18: Rosa dos ventos da estação Afonsos: (a) anual, (b) verão, (c) outono,
(d) inverno e (e) primavera.
79
81
82
82
85
86
87
88
90
91
92
92
93
94
96
98
99
101
xiv
Figura 4.19: Topografia da Bacia Aérea III.
Figura 4.20: Mapa de uso do solo, com destaque para RMRJ.
Figura 4.21 Configuração da distribuição das fontes fixas e móveis inventariadas na
RMRJ, com destaque para a região da Bacia Aérea III.
Figura 5.1: Mapa da apresentação da localização da grade
Figura 5.2: Mapa da topografia e localização dos receptores
Figura 5.3: Mapa com indicação da localização da estação Carioca.
Figura 5.4: Mapa com indicação da localização da estação Copacabana.
Figura 5.5: Mapa com indicação da localização da estação Nova Iguaçu.
Figura 5.6: Mapa com indicação da localização da estação Saens Peña.
Figura 5.7: Mapa com indicação da localização da estação São Cristóvão.
Figura 5.8: Mapa da apresentação da localização das fontes móveis.
Figura 5.9: Mapa de densidade de emissão de SO
2
.
Figura 5.10: Mapa da apresentação da localização das fontes área.
Figura 6.1 Rosa dos ventos no período do verão: (a) Galeão; (b) Centro; (c) São
Cristóvão e (d) Nova Iguaçu.
Figura 6.2 Rosa dos ventos no período do outono: (a) Galeão; (b) Centro; (c) São
Cristóvão e (d) Nova Iguaçu.
Figura 6.3 Rosa dos ventos no período do inverno: (a) Galeão; (b) Centro; (c) São
Cristóvão e (d) Nova Iguaçu.
Figura 6.4 Rosa dos ventos no período da primavera: (a) Galeão; (b) Centro; (c) São
Cristóvão e (d) Nova Iguaçu.
Figura 6.5: Chuva acumulada mensal X chuva (normal climatológica 61/90) para o
Rio de Janeiro.
Figura 6.6: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor da Carioca, para o período do verão.
Figura 6.7: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de Copacabana, para o período do verão.
Figura 6.8: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de Nova Iguaçu, para o período do verão.
Figura 6.9: Gráfico com o comportamento dos dados previstos e observados, na
102
103
106
109
111
112
113
113
114
114
117
118
119
129
130
131
132
134
136
137
137
xv
estação do receptor de Saens Peña, para o período do verão.
Figura 6.10: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de São Cristóvão, para o período do verão.
Figura 6.11: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor da Carioca, para o período do outono.
Figura 6.12: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de Copacabana, para o período do outono.
Figura 6.13: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de Nova Iguaçu, para o período do outono.
Figura 6.14: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor da Saens Pena, para o período do outono.
Figura 6.15: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de São Cristóvão, para o período do outono.
Figura 6.16: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor da Carioca, para o período do inverno.
Figura 6.17: Gráfico com o comportamento dos dados previstos, na estação do
receptor de Copacabana, para o período do outono.
Figura 6.18: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de Nova Iguaçu, para o período do outono.
Figura 6.19: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor da Saens Pena, para o período do outono.
Figura 6.20: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de São Cristóvão, para o período do outono.
Figura 6.21: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor da Carioca, para o período da primavera.
Figura 6.22: Gráfico com o comportamento dos dados previstos, na estação do
receptor de Copacabana, para o período da primavera.
Figura 6.23: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de Nova Iguaçu, para o período da primavera.
Figura 6.24: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor da Saens Pena, para o período da primavera.
138
139
140
141
141
142
142
143
144
144
145
146
147
147
148
149
xvi
Figura 6.25: Gráfico com o comportamento dos dados previstos e observados, na
estação do receptor de São Cristóvão, para o período da primavera.
Figura 6.26: Gráfico do comportamento anual da estação da Carioca.
Figura 6.27: Gráfico do comportamento anual da estação de Copacabana.
Figura 6.28: Gráfico do comportamento anual da estação de Nova Iguaçu.
Figura 6.29: Gráfico do comportamento anual da estação da Saens Peña.
Figura 6.30: Gráfico do comportamento anual da estação de São Cristóvão.
Figura 6.31: Gráfico de dispersão para o período do verão: (a) Carioca; (b)
Copacabana; (c) Nova Iguaçu; (d) Saens Peña e (e) São Cristóvão.
Figura 6.32: Gráfico de dispersão para o período do outono: (a) Carioca; (b)
Copacabana; (c) Nova Iguaçu; (d) Saens Peña e (e) São Cristóvão.
Figura 6.33: Gráfico de dispersão para o período do inverno: (a) Carioca; (b)
Copacabana; (c) Nova Iguaçu; (d) Saens Peña e (e) São Cristóvão.
Figura 6.34: Gráfico de dispersão para o período da primavera: (a) Carioca; (b)
Copacabana; (c) Nova Iguaçu; (d) Saens Peña e (e) São Cristóvão.
Figura 6.35: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de janeiro
Figura 6.36: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de janeiro.
Figura 6.37: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de fevereiro.
Figura 6.38: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de fevereiro.
Figura 6.39: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de março.
Figura 6.40: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de março.
Figura 6.41: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de abril.
Figura 6.42: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de abril.
149
150
151
151
152
152
156
159
161
164
166
166
167
167
168
168
169
169
xvii
Figura 6.43: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de maio.
Figura 6.44: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de maio.
Figura 6.45: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de junho.
Figura 6.46: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de junho.
Figura 6.47: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de julho.
Figura 6.48: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de julho.
Figura 6.49: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de agosto.
Figura 6.50: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de agosto.
Figura 6.51: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de setembro.
Figura 6.52: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de setembro.
Figura 6.53: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de outubro.
Figura 6.54: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de outubro.
Figura 6.55: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de novembro.
Figura 6.56: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de novembro.
Figura 6.57: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de dezembro.
Figura 6.58: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de dezembro.
170
170
171
171
172
172
173
173
174
174
175
175
176
176
177
177
xviii
ÍNDICE DE TABELAS
Tabela 1.1: Efeitos dos Poluentes ao Homem.
Tabela 3.1: Equações de Briggs para o calculo de σ
y.
Tabela 3.2: Equações de Briggs para o calculo de σ
z.
Tabela 3.3: Comparação entre os Modelos de Dispersão AERMOD e ISCST3
Tabela 4.1: Taxa de Emissão por Tipologia Industrial (x1000/ano)
Tabela 4.2: Taxas de Emissão por tipo de Fonte na RMRJ (x 1000 ton/ano)
Tabela 5.1: Valores utilizados para os parâmetros
Tabela 5.2: Localizações dos Receptores
Tabela 5.3: Característica das fontes móveis usadas nas simulações.
Tabela 5.4: Padrões de Qualidade do Ar – Resolução CONAMA 03/90
Tabela 5.5: : Parâmetros Utilizados nas Simulações
Tabela 6.1: Número de frentes frias que atingiram o Estado do Rio de Janeiro em
2002.
Tabela 6.2: Índices Estatísticos do AERMOD e ISC X Observados
Tabela 6.3: Índices Estatísticos do AERMOD e ISC X Obserdados
Tabela 6.4: Índices Estatísticos do AERMOD e ISC X Obserdados
Tabela 6.5: Índices Estatísticos do AERMOD e ISC X Obserdados
Tabela 6.6: Valores Máximos de Concentração Simulados
Tabela 6.7: Índices Estatísticos do AERMOD X ISC
3
34
34
76
105
106
109
110
116
123
125
133
154
157
160
162
179
181
1
CAPÍTULO I
INTRODUÇÃO
Poluição do ar é um fenômeno decorrente principalmente da atividade humana em
vários aspectos, dentre os quais destacamos o crescimento populacional e, industrial e os
hábitos da população. Na legislação brasileira, a poluição é definida, em termos gerais, pela
Lei n° 6.938, de 31 de agosto de 1981, no art.3°, como "a degradação da qualidade
ambiental resultante de atividades que direta ou indiretamente a) prejudiquem a saúde, a
segurança, e o bem-estar da população; b) criem condições adversas às atividades sociais e
econômicas; c) afetem desfavoravelmente a biota; d) afetem as condições estéticas ou
sanitárias do meio ambiente; e) lancem matérias ou energia em desacordo com os padrões
ambientais estabelecidos".
A poluição atmosférica, entretanto, não é um processo recente e de inteira
responsabilidade do homem, tendo a própria natureza se encarregado, durante milhares de
anos, de participar ativamente deste processo, com o lançamento de gases e materiais
particulados originários de atividades vulcânicas e tempestades. A atividade antrópica, por
sua vez, acaba por intensificar a poluição do ar com o lançamento contínuo de grandes
quantidades de substâncias poluentes (OLIVEIRA, 1997). Mesmo que sentida há muito
tempo, foi principalmente na 2ª metade do século XX que a poluição do ar assumiu
destaque entre a população e junto à comunidade técnico-científica. Com o passar dos anos,
muitos casos famosos, de evento de poluição, tiveram registro, dentre os quais podemos
citar:
Meuse Valley, 1930 – Bélgica; onde a ocorrência de uma condição meteorológica pouco
comum com uma forte inversão térmica perdurando por uma semana, ocasionou um
aumento da concentração de poluentes, já no terceiro dia de inversão, o número de
internações, de pessoas com problemas respiratórios, foi elevadíssimo. O número de óbitos
superou a 60 pessoas e em sua maioria estes óbitos ocorreram em pessoas com idade acima
de 60 anos;
2
Donora, 1948 – Pensilvânia; Novamente uma inversão térmica, associada a um forte
nevoeiro, causou danos gravíssimos à população. Após seis dias de duração, 43 % da
população de 14.000 pessoas apresentaram sintomas de irritação das mucosas, dor de
cabeça, vômitos e náuseas. A severidade das doenças acarretava maiores danos em idosos
e, já no terceiro dia, ocorreu o óbito de vinte pessoas;
Poza Rica, 1950 – México; em 24 de novembro uma fábrica que utilizava compostos de
enxofre deixou escapar hidrogênio nas proximidades da cidade. Diversas pessoas ficaram
doentes, algumas inclusive com edema pulmonar. Trezentas e vinte pessoas foram
hospitalizadas das quais 22 morreram;
Nova York, 1953 – EUA; durante o período compreendido entre 18 e 22 de novembro foi
registrado um aumento no nível de Óxido de Enxofre causado por forte estagnação
atmosférica. Estudos indicaram que, em comparação com anos anteriores nesta mesma
época, houve um aumento no número de óbitos;
Roterdã, 1962 – Holanda em dezembro entre os dias 2 e 7, verificou-se um aumento de
até cinco vezes, em relação ao normal, no nível de óxido de enxofre. No mesmo período
houve um aumento significativo de óbitos nos hospitais da região, especialmente em
pessoas com mais de 50 anos.
Cubatão, 1984/1985 – Brasil a intensa atividade industrial da cidade da Baixada Santista
chegou ao auge da crise quando foram registrados nascimentos de bebês acéfalos devido à
tamanha emissão de poluentes associada a condições meteorológicas que não permitem a
dispersão do poluente.
A poluição atmosférica é de suma importância, pois sempre apresenta algum
impacto sobre o bem-estar humano, direta ou indiretamente. Seja sobre os animais, a
vegetação, construções, materiais, atmosfera, solos, corpos d’água e etc, ou diretamente na
saúde de um indivíduo. A Tabela 1.1 ilustra como alguns poluentes podem afetar a vida do
homem.
3
Tabela 1.1: Efeitos dos Poluentes ao Homem.
Poluente Efeitos à Saúde Relatados Outros Possíveis Efeitos Principais Fontes
Material
Particulado
Aumenta a mortalidade
geral, pode absorver e
carrear poluentes tóxicos
para as partes profundas
do aparelho respiratório, e
na presença de SO
2
,
aumenta a incidência e a
severidade de doenças
respiratórias.
Reduz a visibilidade, suja
materiais e construções.
Processos
industriais, veículos
automotores,
poeiras naturais,
vulcões, incêndios
florestais,
queimadas, queima
de carvão, etc.
Dióxido de
Enxofre
(SO
2
)
Agrava sintomas de
doenças cardíacas, e
pulmonares,
bronconstritor
especialmente em
combinação com outros
poluentes, aumenta a
incidência de doenças
respiratórias agudas.
Tóxico para as plantas,
estraga pinturas, erosão de
estátuas e monumentos.
Corrói metais, danifica
tecidos, diminui a
visibilidade, forma chuva
ácida.
Queima de
combustíveis em
fontes fixas,
veículos
automotores,
fundições,
refinarias de
petróleo, etc.
Monóxido
de
Carbono
(CO)
Interfere no transporte de
oxigênio pelo sangue,
diminui reflexos, afeta
discriminação corporal,
exposição em longo prazo
é suspeita de agravar
arteriosclerose e doenças
vasculares.
Desconhecidos.
Veículos
automotores.
Dióxido de
Nitrogênio
(NO
x
)
Altas concentrações
podem ser fatais, em
concentrações baixas
pode aumentar a
suscetibilidade a
infecções, pode irritar os
pulmões, causar bronquite
e pneumonia.
Tóxico para as plantas, causa
redução no crescimento e na
fertilidade das sementes
quando presente em altas
concentrações. Causa
coloração marrom na
atmosfera, precursor da chuva
ácida, participa do smog
fotoquímico formando O
3
.
Veículos
automotores e
queima de
combustíveis em
fontes
estacionarias,
termoelétricas.
Ozônio
(O
3
)
Irrita as mucosas do
sistema respiratório
causando tosse e prejuízo
a função pulmonar, reduz
a resistência a gripe e
outras doenças como a
pneumonia, pode agravar
doenças do coração, asma
bronquite e enfisema.
Danifica materiais como
borracha e pintura, causa
danos a agricultura e a
vegetação em geral.
Formado na
atmosfera por
reações
fotoquímicas pela
presença de oxidos
de nitrogênio e
hidrocarbonetos ou
outros compostos
orgânicos voláteis.
Fonte: Cavalcanti (2003)
4
Existem muitas fontes de poluição do ar, que podem ser de origem natural
(decomposição de animais e vegetais, cinzas e gases de emissões vulcânicas, etc.) ou
antropogênica, resultante de inúmeras atividades humanas, que podem ser classificadas da
seguinte maneira:
• Fontes estacionárias ou fontes fixas: que podem ser subdivididas em dois grupos: um
abrangendo atividades pouco representativas nas áreas urbanas, como queimadas,
lavanderias e queima de combustíveis em padaria, hotéis e outras atividades consideradas
não industriais; outro formado por atividades individualmente significativas, em vista à
variedade ou intensidade de poluentes emitidos, como a poluição dos processos industriais.
• Fontes móveis: são todos os meios de transporte aéreo, marítimo e terrestre que utilizam
motores à combustão como força motriz.
• Fontes naturais: são todos os processos naturais de emissão que vêm ocorrendo durante
milhares de anos, como atividades vulcânicas, os aerossóis marinhos, a liberação de
hidrocarbonetos pelas plantas, a ação eólica entre outros.
Cada país trata do problema de poluição atmosférica a sua maneira, através de leis e
de estudos, tendo como uma das ferramentas os modelos de dispersão de poluentes. Estes
modelos de qualidade do ar são elaborados a partir de formulações que possibilitam
simulações de processos físicos e químicos que afetam o transporte de poluentes na
atmosfera. Em sua maioria, utilizam dados meteorológicos e de caracterização das fontes de
emissão para inicialização das simulações. Esses modelos são muito importantes para o
estudo ou mesmo para o planejamento e gestão da qualidade do ar. Podem ser usados, por
exemplo, pelas agências reguladoras a fim de fazer um controle qualidade do ar, como é
feito atualmente para industrias que precisam ter expedidos os licenciamentos ambientais.
A escolha de um modelo está diretamente ligada ao problema que será resolvido, e
ao conhecimento da área de estudo, tanto do ponto de vista geográfico quanto
meteorológico. Os modelos podem ser caracterizados pela fonte (pontual, de volume, de
5
área, linha); pelo terreno (plano, complexo e plano e complexo); pela escala espacial (local,
urbano, regional, global); e pela escala temporal (inferior à uma hora, entre uma e 24 horas
ou superior a 24 horas).
No Brasil, infelizmente, ainda não foi definido um padrão criterioso de avaliação do
desempenho dos modelos de qualidade do ar, e por esse motivo fica a necessidade de uma
maior observação dos estudos realizados pela comunidade cientifica e por ela aprovados
para se fazer um melhor julgamento desses modelos através de um procedimento realmente
adequado. Segundo Moreira et al (2004), “uma correta utilização dos modelos de transporte
e difusão na atmosfera não pode prescindir de um estudo sobre suas capacidades de
representarem corretamente situações reais. Quando possível, deve-se verificar a
confiabilidade do modelo utilizado com os dados, cenários topográficos e meteorológicos
próprios da área de seu emprego. Por exemplo, modelos considerados seguros nos EUA e
aplicados em uma configuração particular no Brasil poderão ter um comportamento não
correspondente à expectativa”.
Nos Estados Unidos, país onde a avaliação de modelos é comumente observada
existe até mesmo um guia para modelos de dispersão e qualidade do ar, onde é mostrado
todo o procedimento a ser seguido no momento da escolha de um modelo. A princípio, é
bastante discutida a necessidade de um profundo conhecimento do caso a ser estudado, isto
é, a geografia do local, condições meteorológicas, tipificação das fontes de emissão e até
mesmo os dados disponíveis. São feitas classificações para os modelos de acordo com as
aproximações que são feitas na formulação do modelo físico.
Todo o estudo da escolha da metodologia a ser seguida se deve à existência de
modelos que usam métodos mais simples, através de aproximações e, diante disso, quanto
mais simplificações são usadas dentro do código matemático de um modelo, mais distantes
da realidade ele fica. Por outro lado, a complexidade envolvida requer mais tempo de
aprendizado para se estar apto a usá-lo corretamente. Em algumas situações, os modelos
mais simples apresentam um bom histórico de funcionamento, suas aplicações são bem
dominadas, usam poucos dados meteorológicos de entrada e tem um custo computacional
6
inexpressivo. Em outras situações, essas simplificações conduzem ao comprometimento
dos resultados. Por exemplo, para uma área montanhosa, a consideração das condições de
estagnação atmosféricas se tornam imprescindíveis, para a simulação da dispersão de
poluentes, sem citar a importância da percepção do condicionamento da atmosfera, o fluxo
do ar sobre e ao redor de terrenos complexos e, as diferenças da intensidade dos ventos nas
camadas acima da superfície. Diante de todos esses argumentos, fica clara a necessidade do
conhecimento da área e do caso a ser estudado, para que o modelo escolhido seja o mais
adequado.
Com base na importância do estudo do problema da poluição do ar e do
conhecimento de todos os fatores que envolvem a modelagem desse fenômeno surgiu a
motivação desse trabalho, um estudo focando uma área no Brasil, onde sejam feitas
comparações e avaliações de modelos já consagrados pela Agência Ambiental dos Estados
Unidos da América (EUA), determinado para o território norte americano.
Recentemente o EPA fez um relatório (EPA, 2003a) onde foi requerido o uso do
modelo AMERICAN METEOROLOGY SOCIETY-ENVIRONMENTAL PROTECTION
AGENCY REGULATORY MODEL – AERMOD, em substituição ao modelo INDUSTRIAL
SOURCE COMPLEX SHORT TERM – ISCST3, para fins de licenciamentos ambientais de
instalações industriais.
De acordo com EPA (2003), o modelo AERMOD tem algumas vantagens se
comparado com o modelo ISCST3. Na modelagem de terreno, por exemplo, é mais
vantajoso, pois utiliza um pré-processador de terreno, o AERMOD TERRAIN
PREPROCESSOR – AERMAP (EPA, 1998b). No ISCST3, as características de terreno
possuem as opções rural e urbana, e o AERMOD permite ao usuário a escolha da
rugosidade, do albedo e da razão de Bowen, para inúmeras categorias de uso do solo. A
respeito da distribuição vertical o modelo ISCST3 apresenta parametrização somente para o
cálculo da velocidade do vento, baseado no perfil polinomial e classe de estabilidade de
Pasquill-Gilford. No modelo AERMOD a estimativa da distribuição vertical do campo de
vento, temperatura e turbulência, é desenvolvida usando dados meteorológicos de
7
superfície e altitude e, uma formulação baseada na teoria da similaridade de Monin-
Obhukov. Para a altura da camada de mistura, as formulações do modelo AERMOD são
mais avançadas, permitindo uma modelagem mais realística do regime da camada limite
atmosférica (CLA). O AERMOD realiza a estimativa de parâmetros da CLA, recurso que o
ISCST3 não possui. Para o cálculo da elevação da pluma o modelo AERMOD, considera a
modificação dos campos de vento e temperatura em condições estáveis e, em condições
instáveis são consideradas as correntes convectivas ascendentes e descendentes.
Os modelos utilizados no presente estudo são utilizados para licenciamentos
ambientais, inclusive no Brasil. Porém, nenhum estudo de comparação e avaliação para
uma região brasileira foi feito.
Com base no exposto, esse trabalho tem como objetivo geral fazer uma avaliação
dos modelos gaussianos de dispersão de poluentes atmosféricos ISCST3 e AERMOD, para
a Bacia Aérea III da Região Metropolitana do Rio de Janeiro (RMRJ), para dispersão de
SO
2
e, analisando seus resultados e os comparando com dados observados, obtidos a partir
das estações de monitoramento da qualidade do ar. Como objetivo complementar, será feito
uma análise da confiabilidade dos modelos de qualidade do ar AERMOD e ISCST3, em
função da localização das estações receptoras de monitoramento, a fim de identificar os
setores da Bacia Aérea III onde os modelos reproduzem de forma mais acurada os dados do
monitoramento. O estudo ainda permitirá analisar a configuração atual da rede de
monitoramento da Bacia Aérea III da RMRJ, perceber se as estações de qualidade do ar
instaladas encontram-se dispostas da maneira mais adequadas para registrarem as maiores
ocorrências de poluição atmosférica e possíveis episódios de violação da qualidade do ar.
Foram feitos testes com outros dois poluentes, o CO e o PM
10
. No entanto,
considerando o baixo nível de concentração do poluente monóxido de carbono, na Bacia
Aérea III, sempre muito abaixo do padrão primário e secundário de qualidade do ar, o que
não caracterizaria um caso de interesse no que tange o problema da poluição urbana., e a
carência de dados importantes de emissão para o poluente PM
10
, como as emissões
8
provenientes das ruas sem pavimentação e pedreiras, optamos nesse estudo pela análise da
dispersão atmosférica do poluente dióxido de enxofre.
O trabalho está estruturado da seguinte forma: No Capítulo II é apresentada uma
revisão bibliográfica de trabalhos científicos que trataram de comparações entre diferentes
modelos de dispersão de poluentes e, trabalhos feitos com modelagem de fontes móveis e
linha, com diferentes metodologias e experimentos.
A descrição dos modelos de qualidade de ar, ISCST3 e AERMOD, são descritas no
Capítulo III, mostrando as equações gaussianas utilizadas para o cálculo das concentrações
dos poluentes e também uma abordagem sobre as diferenças entre as formulações físicas
dos dois modelos.
No Capítulo IV, é apresentada a caracterização da região de estudo, a Bacia Aérea
III, com informações das suas atividades industriais, de urbanização, características do
relevo, dos tipos de fontes emissoras de poluentes atmosféricos que atuam na área
específica e da climatologia local.
Toda a metodologia empregada no trabalho está descrita no Capítulo V, com os
parâmetros das fontes emissoras, receptores, grade utilizada, localização da área de estudo,
formato do arquivo de terreno, dados meteorológicos e índices estatísticos.
No Capítulo VI são apresentados os resultados das simulações dos dois modelos e,
comparações feitas com os dados observados. Também foram realizados estudos com
índices estatísticos, para analisar o comportamento entre os dados previstos e, entre os
dados previstos e observados. São apresentados mapas de poluição que indicam as
estimativas das áreas, da Bacia Aérea III, mais afetadas pelas fontes emissoras.
As conclusões do trabalho estão apresentadas no Capítulo VII e algumas propostas
para trabalhos futuros.
O Anexo apresenta os valores simulados pelos modelos de dispersão de poluentes e
os valores monitorados para cada estação receptora.
9
CAPÍTULO II
REVISÃO BIBLIOGRÁFICA
Os modelos Gaussianos são muito usados em problemas de dispersão de poluentes,
principalmente com a finalidade de licenciamento. Esses modelos possuem uma concepção
onde na média a pluma se dispersa segundo uma distribuição gaussiana. A Figura 2.1
ilustra o desenho esquemático deste tipo de dispersão.
Fonte: ALMEIDA, 2005.
Figura 2.1 Esquema da Pluma gaussiana.
O modelo clássico de pluma Gaussiana pode ser derivado da equação de advecção-
difusão em situações idealizadas, como consideração de velocidade do vento constante,
10
regime estacionário e turbulência homogênea. As concentrações são calculadas a partir da
seguinte equação:
( ) ( )
+
−+
−
−×
−=
22
2
2
2
2
exp
2
exp
2
exp
2
),,(
zzz
zy
HzHzy
u
Q
zyxC
σ
α
σσ
σσπ
(3.1)
onde:
C(x,y,z) é a concentração do poluente à sotavento da fonte no ponto (x,y,z);
x é a distância horizontal da fonte;
y é a distância horizontal do eixo central da pluma;
z é altura do solo;
Q é a vazão mássica de emissão (vazão de lançamento do gás);
u é a velocidade média do vento;
H é a altura efetiva da chaminé;
σ
y
é o coeficiente de dispersão lateral;
σ
z
é o coeficiente de dispersão vertical (estes coeficientes são dependentes da estrutura
turbulenta da atmosfera).
O modelo clássico gaussiano é baseado em uma fórmula simples que descreve um
campo de concentrações tri-dimensional gerado por uma fonte contínua pontual elevada
sob condições meteorológicas constantes, isto é, não se alteram com o tempo, pelo menos
no período em que o poluente é transportado da fonte para o receptor. As condições de
emissão também são consideras como sendo constantes neste tipo de modelo. Os modelos
de pluma gaussiana são largamente utilizados, mas apresentam algumas limitações de
aplicabilidade. Eles são utilizados com freqüência na predição de concentrações de
contaminantes presentes na camada limite planetária (CLP), principalmente no cálculo das
máximas concentrações ao nível do solo (ARYA, 1999). No cálculo de concentração, a
aproximação gaussiana incorpora parâmetros de dispersão associados a classes de
estabilidade, definidas a partir da estratégia de Pasquill (PASQUILL, 1962), como no
modelo ISC. Outra metodologia é a determinação, dos parâmetros de turbulência, a partir
11
da teoria da similaridade de Monin-Obukhov, na nova geração dos modelos gaussianos,
como exemplo o AERMOD e o ADMS (Atmospheric Dispersion Modeling System). O
problema básico com estes esquemas simples de quantificação da turbulência é que eles
abrangem uma faixa muito grande de condições de estabilidade.
Os modelos Gaussianos ao longo do tempo foram sendo aprimorados permitindo
cada vez mais representarem de maneira realística o comportamento da dispersão de
poluentes na atmosfera (MOREIRA e TIRABASSI, 2004), como incorporação de situações
de terrenos complexos, variações no regime da CLA, mudança da direção e intensidade do
vento e, modelagem de mecanismos simples de remoção e reação química dos poluentes.
A seguir é apresentada, uma breve revisão de trabalhos na literatura científica,
referente a utilização e avaliação do desempenho dos modelos gaussiano ISC e AERMOD.
2.1 – Avaliação de Modelos Gaussianos:
HONAGANAHALLI E SEIBER (2000) realizaram um estudo sobre a concentração
de brometo de metila em uma área adjacente a uma região montanhosa, vales agrícolas e
junto à costa do Oceano Pacífico, na Califórnia, Estados Unidos. As concentrações foram
simuladas com o uso dos modelos de dispersão de poluentes Industrial Source Complex
Short Term 3 - ISCST3 (EPA, 1998e) e o sistema de modelos CALMET (California
Meteorological Model) / CALPUFF (California Puff Model). Foram utilizados dados
observados de estações meteorológicas de superfície e altitude, além dos dados das fontes
emissoras de poluição. Os valores de concentração originados da simulação do modelo
ISCST3 mostraram coerência física e estatística com relação à concentração dos dados
observados e, o mesmo foi observado com os sistemas de modelos CALMET/CALPUFF.
12
Os dois modelos subestimaram os dados previstos quando comparados aos
observados, a correlação do sistema de modelos CALMET/CALPUFF foi melhor que a do
ISCST3, sendo que o ISCST3 subestimou os valores dos dados previstos em relação ao
sistema de modelos.
CAPUTTO et al. (2002), fizeram um estudo de comparação entre três diferentes
códigos Gaussianos, simulando situações de dispersão sob condições reais de estabilidade.
Foram avaliados, o modelo AERMOD, o modelo HPDM (Hybrid Plume Dispersion
Model), e o modelo PCCOSYMA (PC Code System From Maria).
O objetivo do estudo foi analisar os efeitos dos parâmetros de dispersão sobre o
desenvolvimento da pluma gaussiana. Os parâmetros de dispersão usados pelo
PCCOSYMA são obtidos a partir da classe de estabilidade de Pasquill-Gifford. No
AERMOD e o HPDM, esses parâmetros são obtidos a partir da teoria da similaridade de
Monin-Obukhov.
Foram comparados o parâmetro de dispersão vertical (
z
σ
) com o parâmetro de
dispersão horizontal (
y
σ
) para diferentes condições de estabilidades atmosféricas e notou-
se que tanto para o AERMOD quanto para o PCCOSYMA os parâmetros têm seus valores
sempre na mesma ordem e para o HPDM,
z
σ
é sempre menor que
y
σ
.
Os parâmetros calculados pela teoria da similaridade naturalmente incorporam mais
detalhes que os calculados pela classe de estabilidade de Pasquill-Gifford, o que os autores
consideraram como um grande avanço, a partir disso, é possível demonstrar a fortíssima
dependência que modelos apresentam em relação aos processadores meteorológicos.
SIDLE et al. (2003), fez uma comparação entre os modelos ADM 3.1, AERMOD e
AERMOD PRIME (modelo AERMOD com um módulo que tem sensibilidade de perceber
proximidade de construções em relação à fonte), através de um modelo de intercomparação.
Nesse trabalho o objetivo era mostrar as situações em que os modelos geram seus melhores
resultados.
13
Para tanto, foi feito um estudo da fundamentação teórica de cada um dos modelos
além de simulações, da concentração média anual e concentração média horária, sob
condições de estabilidade atmosférica bem definidas. As avaliações foram feitas para
situações de terrenos planos e complexos e, considerações sobre a influência da
proximidade das construções e o efeito do empuxo térmico das fontes emissoras sobre os
campos de concentração.
Para terreno plano, foram consideradas fontes com altura de 40 metros e 150
metros, com e sem o empuxo térmico. Para os casos onde foi levada em conta a
proximidade de construção em relação à fonte, foram feitos dois testes. O primeiro,
somente com uma fonte de 40 metros de altura, sob condição de atmosfera neutra. E a
avaliação do efeito do empuxo térmico, com uma fonte de 65 metros, tendo a proximidade
três construções significativas, de 40 metros de altura. No estudo feito com terreno
complexo foi considerada uma fonte emissora de 122 metros.
Os resultados obtidos com os modelos AERMOD PRIME e ADMS 3,1 mostraram
diferenças significativas entre si, quando se levou em consideração os efeitos causados por
construções próximas às fontes. As rodadas feitas com terreno plano não mostraram muitas
diferenças entre os modelos AERMOD e AERMOD PRIME, mas esses resultados foram
bem diferenciados do ADMS 3,1, esse último tendo sempre valores de concentração muito
maiores que os outros. Em diferentes condições de estabilidade, o AERMOD PRIME
mostra concentrações menores que o AERMOD e ADMS 3,1.
No trabalho de BUSILLO et al. (2003), foi feita uma comparação entre quatro
diferentes modelos, o SAFE_AIR II (Simulation of Air pollution From Emissions_Above
Inhomogeneous Regions), o CALPUFF (California Puff Model), o AERMOD e o ISC3,
com o foco na questão dos dados meteorológicos de entrada. Aqui os autores afirmam que
os modelos de dispersão de poluentes, têm seus procedimentos fortemente influenciados
pelos dados meteorológicos de entrada, especialmente os modelos mais atuais. Isso devido
a concepção dos pré-processadores de dados meteorológicos, disponíveis nos modelos.
Essa nova metodologia para estimativa de parâmetros micrometeorológicos, é necessária
14
para a simulação da dispersão de poluentes que requer uma base de dados de inicialização
mais completa e confiável.
Para o estudo os autores fizeram simulações com diferentes dados meteorológicos
de entrada (dados de superfície e altitude ou, somente com dados de superfície), e também
diferenciando os dados de terreno (orografia, dados de uso do solo, terreno plano) . Foram
usados dois períodos de calmaria para a comparação entre os modelos SAFE_AIR e
CALPUFF. Como os modelos gaussianos (AERMOD e ISC3) não são aptos para
simulações com condição de ventos calmos, um novo período foi escolhido que
possibilitasse a comparação entre os quatro modelos.
Foram feitas comparações baseadas nos cálculos de velocidade do vento, altura da
camada de mistura, altura de Monin-Obukhov, velocidade de fricção e escala da velocidade
convectiva. Os modelos mostraram diferenças, principalmente no período de inverno. A
altura da camada de mistura calculada pelo SAFE_AIR foi menos que a estimativa do pré-
processador CALMET do modelo CALPUFF. Em geral o CALPUFF subestimou as
concentrações previstas, se comparado aos outros modelos. Outro comportamento que se
diferenciou geral dos outros modelos, foram as simulações com o SAFE_AIR, quando
assimilados somente os dados meteorológicos de superfície.
VENKATRAM et al. (2003) fez uma avaliação da performance de modelos de
qualidade do ar em áreas urbanas. O trabalho descreve os resultados de um experimentos,
onde se mostra a dispersão na escala de metros a partir da fonte emissora.
Os modelos usados nesse estudo foram, o AERMOD, o AERMOD PRIME, o ISC
PRIME e o AQMM (Air Quality Model with Meandering), esse último é usado para
facilitar o cálculo das concentrações em setores com grande desvio angular em relação à
direção do vento predominante.
No experimento, foi liberado SF
6
do topo de um trailer, cercado por prédios. As
concentrações do poluente foram medidas continuamente, ao longo de dois arcos nas
15
distâncias de 10 e 20 metros. Também foram feitas medidas em seis locais ao redor do
trailer na distância entre 2 e 5 metros. O SF
6
foi liberado continuamente por três semanas.
Para análise, foi calculada média das concentrações e também foram utilizados dados
meteorológicos horários.
A figura 1 mostra as concentrações em função da direção do vento, para a linha que
liga o centro da fonte ao receptor, os dados observados de concentração estão no topo da
figura. Nota-se que o AERMODE-PRIME e o ISC-PRIME, superestimaram as
concentrações perto de 0
0
e subestimaram nos maiores graus. O quarto painel da figura
mostra os resultados gerados pelo AERMOD, onde as concentrações ficaram próximas às
observadas, somente superestimando os valores encontrados nos maiores graus. As
estimativas de concentração feitas pelo AQMM, mostradas no último painel da figura 1,
estão bem próximas às observadas, tanto em termo da distribuição angular quanto na
magnitude, o que sugere a importância do conhecimento da turbulência próxima à fonte.
FONTE: Adaptado de Venkatran (2003)
Figura 2.2: Concentrações em função da direção do vento para a linha que liga o
centro da fonte ao receptor.
Na pesquisa feita por Sax et all (2003), o objetivo era demonstrar uma metodologia
para a determinação quantitativa da variabilidade e incertezas em modelos gaussiano de
16
qualidade do ar, através de um caso de estudo e comparar os resultados desse caso às
aproximações feitas na modelagem. Segundo os autores, a variabilidade em modelos
gaussianos se dá a principio pelas taxas de emissão e meteorológicas e, as incertezas vêm
das incertezas dos dados de entrada, incertezas dos parâmetros e incertezas conceituais. Foi
usada a técnica estatística de Monte Carlo para estimar através dos resultados dos modelos
ISCST3 e AERMOD, a contribuição da incerteza e variabilidade proveniente das emissões,
e dos parâmetros meteorológicos.
Através desse estudo, percebeu-se que a magnitude da incerteza é mais importante
onde as concentrações são mais altas. As emissões foram a maior fonte de incerteza no caso
estudado. As localizações espaciais das emissões e dos dados meteorológicos são os fatores
mais importantes quando não se têm as informações necessárias para modelar o domínio do
modelo.
O modelo AERMOD foi capaz de produzir uma escala maior de resultados
confiáveis do que o modelo ISCST3, e essa escala é inversamente proporcional à distância
fonte-receptor. Porém, para propósitos regulatórios, os autores indicam o uso do modelo
ISCST3.
Em EPA (2003a), foi feita uma avaliação onde o objetivo era fazer uma profunda
comparação do modelo AERMOD com os modelos, ISCST3, CTDMPLUS (Complex
Terrain Dispersion Model Plus) e o ISC-PRIME. Segundo o relatório, existem diversas
vantagens para a modelagem de emissão de poluentes do modelo AERMOD em relação ao
modelo ISCST3, que já foram citadas na introdução deste trabalho.
Na comparação com o ISCST3, o AERMOD subestimou os valores médios de
concentração e os valores de máximas concentrações. Já em relação ao ISC-PRIME, os
valores de concentração previstos foram superestimados. Segundo o relatório (EPA, 2003ª)
concluiu-se que o uso do AERMOD no lugar do ISCST3, em situações de terreno
complexo é recomendado de um modo geral, os resultados com o AERMOD apresentam
valores de concentrações inferiores aos previstos com o ISCST3. Quando comparado ao
17
CTDMPLUS, ele tende a prever as concentrações máximas inferiores as obtidas com esse
modelo.
Em EPA (2003b) foi feito um estudo de comparação entre o modelo AERMOD e
ISC-PRIME e, AERMOD e ISCST3, em diversas condições meteorológicas, considerando
os efeitos de grandes construções próximas às fontes ou não. Foi feito um longo estudo
sobre as modificações feitas no modelo AERMOD, e também um extenso trabalho de
comparação entre esse modelo e o ISCST3.
As comparações entre o AERMOD e o ISC-PRIME, indicaram performance similar
para a maioria dos conjuntos de dados utilizados na inicialização dos modelos, porém com
melhorias notáveis para a base de dados do Alaska, por exemplo. Nas comparações entre os
resultados com o AERMOD e o ISCST3, notou-se que o primeiro tende a subestimar os
valores de concentração em relação aos resultados do segundo.
BALANESCU et al (2004) simulou um acidente numa indústria de aço e ferro, onde
ocorreu a rachadura de um forno e a conseqüente emissão de poluentes. A indústria está
localizada no sudeste da Europa. Foi feita uma análise do impacto da poluição sobre o
ambiente e na saúde das pessoas.
Para tal simulação foi usado o sotware ISC – AERMOD View, foram modeladas as
emissões de CO, PM
10
e SO
2
, provenientes da principal fonte da industria em questão. Já
em relação ao forno que rachou, foram estimados a concentração, velocidade e temperatura
dos poluentes emitidos e esses dados foram utilizados na inicialização do modelo.
Muitos dos valores de concentração encontrados ultrapassaram os valores padrões
de qualidade do ar. Porém as altas concentrações só foram encontradas na área da industria
em questão. Os impactos pessoais ficaram restritos aos empregados.
18
PERRY et al (2004) fizeram uma validação do modelo AERMOD, fazendo diversos
testes, com diversas situações e comparando os resultados com dados observados e com os
resultados de outros modelos, foram eles: ISCST3 e CTDMPLUS (Complex Terrain
Dispersion Model Plus Algorithms for Unstable Situations).
Em situação de terreno plano, sem empuxo térmico, o AERMOD subestimou os
valores de concentração quando comparado com o ISCST3, esse comportamento se repetiu
em mais duas diferentes situações, a de forte empuxo térmico em solo urbano e, na de
terreno complexo. O AERMOD superestimou os valores de concentração em relação ao
ISCST3 na situação de terreno plano e forte empuxo térmico. Nos quatro momentos citados
anteriormente, o AERMOD apresentou os melhores resultados comparados com os valores
observados. Quando comparado ao CTDMPLUS, para a condição de terreno complexo, o
AERMOD superestimou o valor de concentração.
A performance do modelo AERMOD foi claramente superior ao do ISCST3.
Quando comparado ao CTDMPLUS, nas circunstâncias avaliadas no estudo, as
performances foram muito similares.
3.2 –Modelos de Fonte Linha:
Na maioria das áreas metropolitanas do mundo existe a preocupação de melhorar
cada vez mais os meios de transporte, a fim de atender a crescente demanda da melhor
maneira possível. O resultado disso é o grande aumento do número dos veículos nas
avenidas e estradas. E dessa maneira os veículos se tornaram a maior fonte de poluição das
áreas metropolitanas. Assim, a preocupação com o impacto dessas fontes de emissão,
aumenta a cada dia, e vários trabalhos têm sido desenvolvidos com a finalidade de avaliar
esse problema.
19
O tráfego veicular, em particular, é responsável, mediamente em um ano, por quase
a totalidade das emissões de monóxido de carbono e de grande parte dos óxidos de
nitrogênio, dos compostos orgânicos voláteis, excluindo o metano e, freqüentemente, das
partículas totais em suspensão (Moreira e Tirabassi, 2004).
SAMSON (1988) afirma que a concentração de poluentes na atmosfera associada ao
movimento de veículos é determinada por diversos fatores, como a razão de emissão dos
veículos, a mistura causada pelo movimento dos automóveis, a velocidade e direção do
vento em relação ao eixo da rodovia, a turbulência atmosférica local, reações de outras
espécies químicas e a deposição. Também diz que uma condição meteorológica que limite a
circulação atmosférica pode afetar a dispersão e causar problemas na qualidade do ar,
podendo ainda piorar, de acordo com a geografia e construções locais, o aprisionamento
dos poluentes.
Modelos de fontes linhas são muito usados para simular a dispersão de poluentes
próximas às rodovias, onde veículos estão emitindo poluentes constantemente. O modelo
mais usado e recomendado para esse tipo de simulação é o modelo gaussiano CALINE
(California Line Source Dispersion Model).
SILVACOUMAR et al. (1998) desenvolveram um trabalho a fim de identificar um
método matemático para diagnosticar a concentração de poluentes próxima a rodovias. Foi
usado o modelo GFLSM (General Finite Line Source Model), desenvolvido por Luhar e
Patil (1986), que tem como vantagem, ser convenientemente aplicado para o diagnóstico da
concentração de longo termo. Os dados de entrada são usados na forma de rosa dos ventos
e a condição de fontes infinitas não é válida para a condição de estabilidade estável.
O estudo foi feito na cidade de Madras, uma das maiores metrópoles da Índia.
Foram simuladas quatro avenidas, modeladas como fontes linhas, para emissão de CO e os
resultados das concentrações foram comparados aos dados observados em um experimento,
20
onde foram feitas medidas horárias de 6 horas às 22 horas. Os dados meteorológicos foram
obtidos na estação mais próxima à região, no período de maio de 1989 à janeiro de 1990.
Foram feitas comparações entre os resultados das simulações e os dados das
medições, para a avaliação da performance do modelo. Na maioria dos casos os resultados
do modelo superestimaram os valores de concentração, porém representando
satisfatoriamente o comportamento. Os autores recomendaram o uso do modelo para o caso
de fontes com comprimento limitado.
GOYAL et al. (1999) desenvolveram um modelo gaussiano de fonte linha para a
região de Nova Delhi, Índia. Os resultados do modelo desenvolvido, o IITLS (Indian
Institute of Technology Line Source) foram comparados a resultados obtidos pelo modelo
CALINE-3 e à dados observados.
Foram obtidos dados horários de NO
2
para o mês de janeiro, quando ocorre o
inverno e têm o pior cenário meteorológico para a poluição, apresentando altos níveis de
concentração de poluentes. Foram utilizados três receptores que estavam localizados
próximos a três avenidas de intenso trafego da cidade. Os dados meteorológicos e de
qualidade de ar utilizados, foram do ano de 1993. A estabilidade atmosférica foi
determinada a partir da classificação de Pasquill, baseada nas medidas de velocidade do
vento, cobertura de nuvens, insolação e hora do dia, a condição atmosférica apresentou
variação de extremamente instável à extremamente estável.
O modelo IITLS subestimou os valores em todos os períodos da análise, nos três
receptores. O modelo CALINE subestimou todos os valores em um dos receptores e nos
outros dois ele superestimou na maior parte das avaliações. Na análise estatística feita com
os resultados, foi mostrado que os dois modelos tiveram um comportamento razoável. A
comparação entre os dois modelos mostrou que o modelo IITLS tem confiabilidade para
avaliação do impacto das fontes veiculares nas diferentes localizações, já o modelo
CALINE-3 não apresentou confiabilidade em dois pontos receptores.
21
MARMUR e MAMANE (2003) fizeram comparações entre modelos de fontes
móveis e fontes linhas. Os modelos de fontes linhas usados no estudo foram o Caline4 e o
Hiway2 (Highway Air Pollution Model) e os modelos de fontes móveis foram o Mobile5b
(Móbile Emission Model) e o COPERT3 (Computer Programme to Calculate Emissions
from Road Transport).
Para análise dos modelos, os autores fizeram uma avaliação estatística utilizando
parâmetros de avaliação para modelos de dispersão dados por Hanna (1998), Hanna et al.
(1991) e Cox e Tikvart (1990), esses parâmetros incluíram o desvio fracional (Fb), o desvio
fracional padrão (Fs), erro quadrático normalizado (EMN), correlação (COR) e o fator de 2
(F2).
Foram feitas previsões de concentração de NO
X
e comparadas com dados
observados em dois locais de Israel, que se diferenciavam pela composição da frota e pelos
cenários físicos dos locais. O foco desse estudo são as grandes avenidas e rodovias com
fluxos fluentes e não ruas de tráfego estagnado, localizadas em situação de “canyons”
urbanos.
A comparação entre os modelos de fontes móveis e o banco de dados disponíveis
mostrou que o modelo COPERT3 foi o mais consistente e teve os menores valores de erro
quadrático normalizado. Já a comparação entre os modelos de fonte linha o modelo Hiway2
previu melhor as concentrações para a atmosfera em condição de instabilidade, enquanto o
Caline4 fez as melhores previsões para os picos de concentração, o que é importante
quando essa análise é feita considerando os padrões de qualidade do ar.
VENKATRAN E HORST (2005) fizeram um trabalho onde aproximações para as
concentrações provenientes de fontes linhas alinhadas com a direção do vento, sugeridas
por Calder (1973), Luhar and Patil (1989) e Esplin (1995), foram examinadas. Como uma
fonte linha pode ser representada por uma seqüência de fontes pontuais, o cálculo da
concentração proveniente dessa fonte pode ser muito complicado, principalmente quando
se tem um grande número de fontes linhas, daí é conveniente ter uma expressão analítica
que seja capaz de calcular a concentração considerando as fontes linha como um só
22
conjunto e é exatamente essa expressão que ainda não foi encontrada quando se tem o
vento com um ângulo arbitrário em relação à fonte linha.
A avaliação foi feita com as aproximações sugeridas por Calder (1973), Luhar and
Patil (1989) e Esplin (1995), onde o cálculo da concentração recai numa integral, devido ao
sistema usado de acordo com a direção do vento e pelo fato da dispersão ser Gaussiana. Foi
a partir dessa integral que as aproximações foram feitas, em busca de melhores resultados,
para representar a concentração associada a fontes linhas, quando o vento está paralelo à
fonte. Verificou-se que essas aproximações correspondiam à substituição das várias
distâncias entre o receptor e as fontes pontuais, localizadas na fonte linha,por uma distância
constante.
Com o estudo feito, Venkatram e Horst (2006) concluíram que uma melhor
aproximação poderia ser obtida através da distância constante, porém com algumas
limitações, como somente serem viáveis para avaliação da difusão vertical e, assumindo a
hipótese de sempre ter pequenas distâncias do vento transversal.
WANG et al. (2006) fizeram uma avaliação do modelo GFLSM (Local General
Finite Line Source Model), através de um experimento realizado em uma rodovia de Hong
Kong, onde foram feitas medições da concentração dos poluentes CO e PM
2,5
, de tráfego
(velocidade média dos veículos e fluxo) e das condições meteorológicas (temperatura,
velocidade e direção do vento).
As medições da concentração dos poluentes foram feitas para comparar aos valores
de concentração previstos pelo modelo. E, as medições de tráfego e condições
meteorológicas, para serem usados como dados de entrada do modelo. As medidas foram
feitas em quatro pontos que se distanciavam perpendicularmente da rodovia de 10 em 10
metros.
23
Os resultados mostraram que os dados previstos tiveram uma boa concordância com
os medidos. Geralmente as concentrações diminuem com a distância das rodovias e esse
comportamento pôde ser observado através do modelo.
O relatório do EPA (2007) indica a possibilidade dos modelos AERMOD e ISCST3
serem utilizados para simular a dispersão proveniente de fontes móveis, apesar de não
serem recomendados como modelos regulatórios para esse tipo de emissão. Segundo o
relatório a simulação de fontes móveis deve ser feita considerando essas emissões como
uma fonte linha. As fontes linhas são tratadas como fontes volumétricas, ou seja, fontes
pontuais distribuídas ao longo da linha, envoltas por um cubo com altura e espessura a
serem especificadas pelo usuário. As fontes linha também podem ser modeladas como
fontes área. O primeiro caso é indicado para situações de tráfego intenso, rodovias,
avenidas e ruas movimentadas, o segundo para regiões de estacionamentos, por exemplo.
3.3 – Estudos para a Região da Bacia Aérea III da RMRJ:
FERREIRA (2005) fez a implementação e a adequação do modelo gaussiano de
qualidade do ar AERMOD para a simulação do transporte de poluentes atmosféricos na
Bacia Aérea III da Região Metropolitana do Rio de Janeiro (RMRJ), o autor também fez
uma verificação do comportamento da altura da camada de mistura estimada pelo pré-
processador meteorológico AERMET. Os resultados de altura de camada limite convectiva
(Z
ic
) estimados experimentalmente pela radiossondagem da atmosfera, mostraram valores
muito próximos aos estimados pelo AERMET
24
O autor afirma que a semelhança entre resultados calculados e medidos demonstra
que aparentemente, para situações convectivas, os modelos paramétricos para o calculo do
fluxo de calor sensível e para a estimativa da altura da camada de mistura, apresentam um
comportamento mais consistente fisicamente que aqueles modelos para situações estáveis.
D'AIUTO et al (2006) fizeram um estudo onde a estimativa da concentração do
poluente monóxido de carbono (CO) de emissões veiculares da Bacia Aérea III da Região
Metropolitana do Rio de Janeiro foi desenvolvida. Para tal estudo foi utilizado o modelo
gaussiano de qualidade do ar AERMOD para perfazer as simulações da dispersão
atmosférica de poluentes. Analisados os dados de saída do modelo, os autores concluíram
que se comparados aos padrões de qualidade do ar da Resolução CONAMA 03/90,
ocorreram violações tanto nos padrões primários quanto nos padrões secundários.
25
CAPÍTULO III
DESCRIÇÃO DOS MODELOS
3.1. Modelo da Pluma Gaussiana Clássica
Para situações idealizadas a concentração média de poluentes emitidos na
atmosfera, a partir de uma fonte pontual contínua, apresenta uma distribuição Gaussiana.
Essa consideração é estritamente correta somente no caso idealizado onde podemos
considerar turbulência homogênea e estacionária na atmosfera.
Segundo TURNER (1994), para a estimativa da concentração de poluentes através
da equação clássica da pluma Gaussiana, algumas suposições necessitam serem tomadas:
• Emissão contínua:
A taxa de emissão do poluente ocorre continuamente e não varia com o
tempo.
• Conservação da massa:
Durante o transporte do poluente, da fonte ao receptor, a massa emitida pela
fonte permanece na atmosfera. Não ocorre perda de massa do poluente por
mecanismos de reações químicas e remoção para o solo ou para o topo da
camada limite atmosférica.
• Condições estacionárias:
As condições meteorológicas não se alteram com o tempo, pelo menos no
período em que o poluente é transportado da fonte para o receptor. Essa
suposição é facilmente satisfeita para receptores próximos às fontes e sob
condições usuais. Portanto, quando os ventos estão muito calmos ou o
receptor está muito afastado da fonte, a condição pode não ser satisfeita.
26
• Distribuição gaussiana da concentração no sentido vertical e horizontal:
Assume-se que os perfis de concentração médios, a qualquer distância e
direção são representados por uma curva gaussiana.
Seja a concentração do poluente no nível do solo (x) num ponto de coordenadas x e
y na direção do vento a partir da chaminé, que tem uma altura efetiva h (figura 3.1), o
desvio padrão da pluma nas direções horizontal e vertical são representados por σ
y
e σ
x,
respectivamente. Os desvios padrões são função das distâncias da fonte e estabilidade
atmosférica. A equação básica da difusão Gaussina é apresentada na equação 3.1. Essa
equação pode ser obtida através da descrição lagrangeana ou euleriana do fenômeno,
seguindo a hipótese de turbulência homogênea e estacionária (SEINFEND e
PANDIS,1997). Na primeira forma de descrição, essa consideração física conduz a uma
distribuição gaussiana para a função densidade de probabilidade (fdp), na equação básica
da expressão lagrangeana para a concentração média dos poluentes (SEINFEND e
PANDIS, 1997). Na descrição euleriana, a consideração de turbulência homogênea e
estacionária conduz a restrição matemática de coeficientes de difusão turbulenta constante
na Teoria K, usada como modelo de fechamento dos fluxos turbulentos na equação média
da advecção - difusão de massa na atmosfera (SEINFEND e PANDIS, 1997).
+
−+
−
−
−
=
22
2
2
1
exp
2
1
exp
2
1
exp),,,(
zzyzy
HzHzy
u
Q
HzyxX
σσσσπσ
(3.1)
onde:
),0,,( hyxX : é a concentração da direção do vento no nível do solo;
Q: taxa de emissão do poluente;
σ
y
e σ
z
: coeficientes de dispersão turbulenta lateral e vertical, respectivamente;
u: velocidade do vento;
x,y,z: distâncias;
H: altura efetiva da pluma.
27
FONTE: TURNER, 1994.
Figura 3.1: Sistema de coordenadas, mostrando a distribuição Gaussiana
Apesar das restrições impostas para a obtenção da pluma gaussiana, devido a
possibilidade de uma solução analítica para a equação que descreve a distribuição da
concentração de poluentes na atmosfera, algumas considerações tem sido feitas a fim de
estender a aplicabilidade do uso desse modelo. Apesar da consideração de turbulência
homogênea e estacionária, os coeficientes de dispersão lateral e vertical, que deveriam ser
constantes segundo essa hipótese, são assumidos como uma função da coordenada
longitudinal, seguindo as equações de Pasquill-Gifford (SEINFELD e PANDIS, 1997).
Outras importantes considerações, que permitiram uma maior gama de aplicabilidade
do modelo, inclusive a possibilidade do desenvolvimento de Modelos de Qualidade do Ar
(MQAr) para uso regulatório, como o ISC3 e o AERMOD, são:
• Consideração de variação na direção e intensidade do vento;
• Aplicabilidade para terrenos com topografia irregular;
• Consideração de uma distribuição de poluente não gaussiana na direção vertical;
• Inserir no modelo matemático a influência de mecanismos simples dos processos
de remoção na atmosfera e mecanismos de decaimento;
y
z
h
x
(x, y, z)
28
• Consideração do efeito do regime da camada limite atmosférica sobre o
mecanismo da dispersão de poluentes;
• Efeito da turbulência gerada pela interação do campo de vento devido a presença
de estruturas físicas nas proximidade das fontes de emissão e a influência da
esteira turbulenta no transporte da pluma de poluentes (“Building Downwash”);
• Efeito da elevação da pluma devido ao empuxo térmico e quantidade de
movimento das emissões gasosas (“Plume Rise”).
A seguir apresentaremos de forma mais detalhadas algumas dessas considerações
através da descrição dos modelos para uso regulatório ISC3 e AERMOD.
3.2. Modelo ISC
O modelo ISC é do tipo Gaussiano, estacionário. Pode ser usado para modelar
emissões e estimar a concentração de poluentes a partir de uma grande variedade de tipos
de fontes que podem inclusive estar presentes num complexo industrial.
O ISC 3, é a terceira versão do modelo e, existem duas versões dele, um modelo de
curta duração “Industrial Source Complex Short Term (ISCST3)” e o modelo de longa
duração “Industrial Source Complex Long Term (ISCLT3)”. Os modelos diferem pelo
período médio disponível para os cálculos, distâncias maiores de terreno, opção de
deposição e formato dos dados meteorológicos de entrada.
A base do modelo é a clássica equação da pluma Gaussiana estacionária em linha
reta, usada com algumas modificações para que seja possível modelar a dispersão de
poluentes de fontes de emissão simples ou múltiplas que podem sofrer influências da
proximidade de construções. O modelo permite considerar na modelagem as emissões
devido a fontes pontuais, de área, volumétrica e abertas. As opções de fonte área e
29
volumétrica podem ser utilizadas para simular fontes linha, e conseqüentemente considerar
na modelagem as emissões automotivas (EPA, 1995).
O ISCST3 requer dados meteorológicos horários para definir a ascensão da pluma,
seu transporte, difusão e deposição. O modelo estima o valor da concentração para cada
combinação de fonte / receptor em cada hora da base de dados meteorológico, e também
calcula as médias para períodos estabelecidos pelo usuário. Para os valores de deposição o
modelo calcula o fluxo de deposição seca, úmida e total. Também existe a opção de cálculo
da média para o período(EPA, 1995).
O modelo ISCST3 utiliza um processador de dados meteorológicos de superfície e
de camada de mistura, denominado RAMMET. A plataforma utilizada nesse trabalho,
permite que o modelo realize tratamento de transporte de poluentes sobre terrenos elevados
através do pré-processador ARMOD TERRAIN PREPROCESSOR – AERMAP, descrito ao
final do capítulo. Assim a partir de arquivos de elevação digital do terreno (DEM), podem
ser gerados os dados topográficos com a localização dos receptores.
Um esquema de funcionamento do modelo ISCST3 está ilustrado na figura 3.2.
Figura 3.2: Fluxograma do modelo ISC.
30
3.2.1 A Equação Gaussiana para Diferentes Tipos de Emissão
Como dito anteriormente, a base do modelo é a equação de pluma gaussiana
estacionária, para uma fonte contínua. Para cada fonte e cada hora, a origem do sistema de
coordenada se coloca na base da chaminé (na superfície). O eixo x (direção longitudinal) é
positivo na direção a favor do vento, o eixo y (direção lateral) é normal ao eixo x e o eixo z
( direção vertical) se estende verticalmente (figura 3.3). As concentrações são calculadas na
forma horária para cada combinação de fonte / receptor que se somam para obter a
concentração média no período estabelecido, produzida em cada receptor (EPA, 1995).
FONTE: Adaptada de Ballesteros, 2003
Figura 3.3: Sistema de coordenadas do modelo.
Para pluma Gaussiana estacionária, a concentração horária a uma distância de X
metros a favor do vento e a distancia Y à normal do vento é dada por:
∑
∆
=
kji
zs
u
QfSVD
R
K
x
,,
2
σ
θπ
(3.2)
onde:
Q é a taxa de emissão do poluente (massa por unidade de tempo).
K é o coeficiente para converter o cálculo da concentração à escala de unidades desejada.
31
V é o termo vertical.
D é o termo de decaimento.
σ
y
, σ
z
são o desvio padrão da distribuição lateral e vertical da concentração (m).
u
s
é a média da velocidade do vento (m/s) na altura da liberação do poluente.
O termo vertical inclui os efeitos de elevação da fonte e do receptor, elevação da
pluma limitação vertical da camada de mistura e deposição gravitacional e seca do material
particulado com diâmetro maior que 0,1 microns (EPA, 1995).
A equação matemática utilizada no ISC3, para fonte área, usada nesse trabalho para
representar as emissões provenientes de complexos industriais, é baseada numa integração
dupla nas coordenadas horizontais da fórmula da pluma Gaussiana para fonte pontual
(equação 3.2), é apresentada na equação 3.3.
∫ ∫
−=
x y
yzys
A
dxdy
yVD
u
KQ
X
2
5,0exp
2
σσσπ
(3.3)
onde:
Q
A
: taxa de emissão da fonte área (massa por unidade de tempo).
K é o coeficiente para converter o cálculo da concentração à escala de unidades desejada.
V é o termo vertical.
D é o termo de decaimento.
σ
y
, σ
z
são o desvio padrão da distribuição lateral e vertical da concentração (m).
u
s
é a média da velocidade do vento (m/s) na altura da liberação o poluente.
32
3.2.2 Coordenada dos Receptores
O modelo ISCST3 permite especificar a rede de receptores através de coordenadas
polares e cartesianas numa mesma simulação. Todos os pontos de receptores podem ser
convertidos em coordenadas cartesianas (x, y) antes de fazer os cálculos de dispersão. Em
coordenadas polares o raio do ponto (r, θ) é medido desde a origem especificado pelo
usuário e o ângulo θ é medido no sentido horário a partir do setor norte. No sistema de
coordenada cartesiana o eixo X é positivo no sentido leste tendo como referência a origem
especificada pelo usuário. Uma descrição mais completa sobre a especificação das
coordenadas da rede de receptores pode ser encontrada no relatório EPA(1995).
3.2.3 Perfil da Velocidade do Vento
A seguinte equação foi utilizada para calcular a velocidade do vento na altura da
chaminé (h
s
), a partir dos dados de vento observado (u
ref
) monitorado na altura de
referência(z
ref
).
p
ref
s
refs
z
h
uu
= (3.4)
Onde p é o expoente do perfil do vento. Os valores de p podem ser fornecidos pelo
usuário em função da categoria da estabilidade e da classe de velocidade do vento.
33
Os valores de p encontram-se tabelados no relatório do EPA (1995) para regiões
rurais e urbanas. Devido às limitações do modelo da pluma gaussiana, reconhecidamente
não adequados para situação de calmaria, a velocidade do vento na altura da chaminé (u
s
)
não deve ter valor menor que 1,0 m/s.
3.2.4 Parâmetros de Dispersão
Como discutido por MORAES (2001), os parâmetros-chave de qualquer modelo
Gaussiano de dispersão são os coeficientes de dispersão lateral e vertical, que representam a
intensidade da troca turbulenta e podem ser estimados utilizando resultados empíricos ou
através da teoria da difusão estatística de Taylor.
O modelo incorpora como equações para esses parâmetros uma aproximação das
curvas de Pasquill-Gifford, apresentando opções de cálculos, respeitando as condições de
localização geográficas da fontes em uma zona rural ou urbana. No modo rural as
considerações são:
)tan()(11628,465 THx
y
=
σ
(3.5)
b
z
ax=
σ
(3.6)
)]ln([017453293,0 xdcTH
−
=
(3.7)
onde:
X é a distância a favor do vento em km;
a,b,c d são os coeficientes tabelados.
34
No modo urbano (que foi o utilizado para as simulações da Bacia Aérea III), os
parâmetros σ
y
e σ
z
são calculados de acordo com as equações de Briggs, que são
apresentadas a seguir nas tabelas 3.1 e 3.2 e representam de uma boa maneira a difusão
vertical na área urbana. Essas equações não são representativas para obtenção de
concentrações em receptores que se situam em distâncias menores que 100 metros.
Tabela 3.1: Equações de Briggs para o calculo de σ
y.
Categorias da Estabilidade de
Paquill
σ
y
(metros)
*
A 0,32 x (1,0 + 0,0004 x)
-1/2
B 0,32 x (1,0 + 0,0004 x)
-1/2
C 0,22 x (1,0 + 0,0004 x)
-1/2
D 0,16 x (1,0 + 0,0004 x)
-1/2
E 0,11 x (1,0 + 0,0004 x)
-1/2
F 0,11 x (1,0 + 0,0004 x)
-1/2
*x está em metros.
Tabela 3.2: Equações de Briggs para o calculo de σ
z.
Categorias da Estabilidade de
Paquill
σ
z
(metros)
*
A 0,24 x (1,0 + 0,001 x)
1/2
B 0,24 x (1,0 + 0,001 x)
1/2
C 0,20 x
D 0,14 x (1,0 + 0,0003 x)
-1/2
E 0,08 x (1,0 + 0,0015 x)
-1/2
F 0,08 x (1,0 + 0,0015 x)
-1/2
*x está em metros
35
3.2.5 Fórmulas para elevação da pluma
Os gases de exaustão provenientes das chaminés normalmente são emitidos com
temperaturas maiores que a da atmosfera e devido a velocidade de exaustão na saída da
chaminé, apresentam uma considerável quantidade de movimento inicial (SEINFELD e
PANDIS, 1995). Como é conhecida da equação da pluma gaussiana, as máximas
concentrações ao nível do solo, provenientes da emissão em fontes pontuais elevadas,
dependem do inverso do quadrado da altura efetiva da chaminé. Dessa forma, como a altura
efetiva da chaminé pode ser calculada como a soma da altura real da chaminé com o termo
de elevação da pluma (“plume rise”), a determinação desse termo é um parâmetro essencial
para o cálculo da concentração média ao nível do solo. Fisicamente esse termo pode ser
compreendido como a altura em que a pluma deixa de ser afetada pelas condições de
emissão e segue o escoamento médio da atmosfera (SEINFELD e PANDIS, 1995). O
tratamento matemático para o cálculo da elevação da pluma é feito através das relações de
Briggs (1975), que é função do empuxo e da quantidade de movimento, está presente no
modelo (EPA, 1995). A altura da pluma é usada para o cálculo do termo vertical da
equação (3,2), como será descrito posteriormente. A ascensão da pluma é influenciada pela
quantidade de movimento inicial dos poluentes que saem verticalmente da chaminé com
uma velocidade V
s
e do fluxo de empuxo térmico na saída da chaminé.
Para determinar a ascensão devido ao empuxo térmico, calcula-se o fluxo de
empuxo F
b
(m
4
/s
2
) mediante a seguinte equação ( EPA, 1995):
∆
=
s
ssb
T
T
dgvF
4
2
(3.8)
sendo: ∆T=T
s
-T
a
,
onde:
T
s
é a temperatura do poluente na chaminé (K);
T
a
é
a temperatura do ambiente (K);
36
d
s
é o diâmetro da chaminé;
s
v é a velocidade de saída da pluma.
Também é necessário determinar a ascensão da pluma devido ao fluxo de
quantidade de movimento inicial, F
m
(m
4
/s
2
):
s
a
ssm
T
T
dvF
22
= (3.9)
No relatório do EPA (1995) encontramos os diversos procedimentos para se
determinar as situações onde a elevação da pluma deve ser calculado considerando o fluxo
de quantidade de movimento ou o fluxo de empuxo térmico.
O modelo ISC3 possui um módulo para o cálculo do chamado efeito “Building
downwash” , que representa a geração de turbulência induzida pela presença de obstáculos
nas proximidades da fonte de emissão e afetam consideravelmente o transporte da pluma de
poluentes exercido pelos obstáculos . Nesse trabalho, esse módulo não foi acionado, uma
breve descrição do procedimento de modelagem desse efeito pode ser encontrado em EPA
(1995).
3.2.6 Procedimentos para a análise da dispersão induzida pela flutuação
O método de Pasquill é usado para explicar a dispersão inicial da pluma causada por
movimentos turbulentos da própria pluma e do ar ambiente. Com este método, a dispersão
vertical efetiva σ
ze
é calculada da seguinte maneira:
37
2/1
2
2
5,3
∆
+=
h
zze
σσ
(3.10)
onde σ
z
e a dispersão vertical devido a turbulência do ar ambiente e ∆h é a altura de
elevação da pluma devido ao fluxo de quantidade de movimento do poluente que sai
verticalmente da chaminé com velocidade V
s
e ao fluxo de empuxo térmico. A dispersão
lateral da pluma (σ
y
) é parametrizada mediante:
2/1
2
2
5,3
∆
+=
h
yye
σσ
(3.11)
onde σ
y
é a dispersão lateral induzida pela turbulência do ar ambiente.
3.2.7 Procedimento para a análise do termo vertical.
O termo vertical inclui os efeitos da elevação da fonte, elevação do receptor,
elevação da pluma, limitação da altura da mistura e da deposição gravitacional e deposição
seca das partículas.
Em geral, os efeitos sobre as concentrações devido a deposição gravitacional e seca
podem ser descartados para gases contaminantes e pequenas partículas (diâmetros menores
que 0,1 microns), portanto, o termo vertical sem o efeito da deposição é dado por:
38
∑
∞
=
−+
−+
−+
−
+
+
−+
−
−=
1
2
4
2
3
2
21
2
1
22
5,0exp5,0exp
5,0exp5,0exp
5,0exp5,0exp
i
zz
zz
z
er
z
er
H
H
HH
hzhz
V
σσ
σσ
σσ
(3.12)
onde:
h
e
=h
s
+∆h (altura equivalente ou efetiva da chaminé);
H
1
=z
r
-(2
i
z
i
-h
e
) (3.13)
H
2
=z
r
-(2
i
z
i
-h
e
) (3.14)
H
3
=z
r
-(2
i
z
i
-h
e
) (3.15)
z
r
: altura do receptor sobre o valor de referência (m)
z
j
: altura de mistura (m)
A série infinita dos termos da equação 3.12 explica os efeitos da restrição sobre o
crescimento da pluma vertical no topo da camada de mistura. O método de imagens virtuais
das fontes é usado para explicar as reflexões múltiplas da pluma na superfície do solo e no
topo da altura da camada de mistura. Se a altura efetiva da chaminé h
e
exceder a altura da
camada de mistura z
j
, se assume que a pluma penetra integralmente na camada de inversão
e a concentração ao nível do solo é considerada ser zero (EPA, 1995). Nesse trabalho não
foram considerados os processos de deposição e não será apresentada uma descrição das
modificações desse termo para as situações onde há a necessidade da consideração desse
mecanismo. Uma descrição do termo vertical com a consideração de deposição seca pode
ser encontrado no relatório (EPA, 1995)
39
3.2.8 Termo de Decaimento
O termo de decaimento possibilita a modelagem dos processos de remoção de
contaminantes por processos físicos e químicos e tem a seguinte formulação:
−=
s
u
x
D
ψ
exp para 0
>
ψ
(3.16)
D=1 para 0
=
ψ
onde:
Ψ é o coeficiente de decaimento (s
-1
) ( quando o valor for zero a decomposição não é
considerada);
x é a distância a favor do vento (m).
O coeficiente Ψ é obtido a partir da seguinte equação:
2/1
693,0
T
=
ψ
(3.17)
Sendo T
½
a meia vida do contaminante em segundos. Se o valor do efeito de Ψ for
zero, o modelo não considera a decomposição. Não obstante se estipula uma meia vida de 4
horas (Ψ = 0,0000481 s
-1
) para o SO
2
quando este for modelado no modo urbano.
40
3.3 Modelo AERMOD
Em 1991 a American Meteorological Society (AMS) e a U.S. Environmental
Protection Agency (EPA) iniciaram formalizaram uma colaboração com o claro objetivo de
introduzirem, nos modelos regulatórios de dispersão de poluentes, os avanços correntes na
concepção de modelagem da camada limite atmosférica (CLA). O esforço de um grupo de
trabalho formado por pesquisadores das duas instituições, o chamado AMS/EPA
Regulatory Model Improvement Committee (AERMIC) são os responsáveis pela
fundamentação teórica do modelo AERMOD (AERMOD, 1998d).
O modelo AERMOD é um modelo gaussiano que fornece resultados de
concentração e dispersão de poluentes atmosféricos. Na camada limite estável a
distribuição gaussiana de poluentes é considerada na direção horizontal e vertical. Na
camada limite instável a distribuição horizontal da concentração de poluentes é considerada
gaussiana, na direção vertical ela é descrita através de uma função densidade de
probabilidade bi-gaussiana (AERMOD, 1998).
O modelo utiliza um processador de dados meteorológicos de superfície e altitude,
denominado AERMOD METEOROLOGICAL PREPROCESSOR - AERMET, que estima
inúmeros parâmetros da Camada Limite Atmosférica (CLA), tais como: velocidade de
fricção, comprimento de Monin-Obukhov, escala de velocidade convectiva, escala de
temperatura, altura de mistura convectiva, altura de mistura mecânica e fluxo de calor na
superfície. O modelo pode realizar o tratamento do transporte de poluentes sobre terrenos
complexos através do pré-processador de terreno, denominado AERMOD TERRAIN
PREPROCESSOR - AERMAP. Assim, a partir de arquivos do modelo de elevação digital
(DEM), tal código permite a geração de uma base de dados topográficos com a localização
dos receptores. Além deste o modelo AERMOD possui, internamente a INTERFACE
41
meteorológica, que utiliza os dados de observação meteorológica de superfície e altitude
para gerar informações necessárias da distribuição vertical da atmosfera.
Com uma aproximação simples, o modelo AERMOD incorpora conceitos atuais de
escoamentos e dispersão de poluentes atmosféricos em terreno complexo. Geralmente, em
escoamentos estáveis, são desenvolvidas duas camadas onde, no nível inferior, o
escoamento permanece na horizontal, enquanto que na camada superior o escoamento tende
a ascender sobre o terreno. Este conceito foi sugerido por SHEPPARD (1956), a partir dos
experimentos desenvolvidos por SNYDER et al. (1985). Estas camadas são distintas
conceitualmente, pela divisão da linha de corrente (Hc). Em condições instável e neutra, a
camada inferior desaparece e todo o escoamento tende ascender sobre o terreno.
O modelo AERMOD possui uma formulação para terreno que considera efeitos de
distorção de escoamentos verticais na pluma.
O conceito das duas camadas é tratado pelo modelo AERMOD do seguinte modo.
Adotando que o valor da concentração em uma colina está entre os valores associados com
dois possíveis estados extremos da pluma. Um destes estados é a pluma horizontal que em
condições estáveis quando o escoamento é forçado a passar sobre a colina. O outro estado
extremo é quando a pluma segue o terreno verticalmente de forma que a altura do centro da
linha da pluma sobre o terreno é igual à altura da pluma inicial. O modelo AERMOD
calcula a concentração em um receptor, localizado a uma posição (xr, yr, zr).
FONTE: Adaptado de PERRY, 1991.
Figura 3.4: Ilustração do conceito das duas camadas, a que permanece na horizontal
e a que ascende sobre o terreno.
42
O peso relativo dos dois estados depende do grau da estabilidade atmosférica, da
velocidade do vento e da altura da pluma relativa ao terreno. Em condições estáveis, a
pluma horizontal é predominante, enquanto que em condições neutras e instáveis, a pluma
transportada sobre o terreno é a mais característica.
FONTE: Adaptado de PERRY, 1991.
Figura 3.5: Descrição da pluma que ascende a colina. A primeira figura ilustra como
a pluma realmente ascende pela colina, e a segunda mostra como á pluma é tratada pelo
modelo.
A concentração do poluente, com a presença da colina é estimada pelo modelo
AERMOD tal que:
(
)
{
}
(
)
{
}
rrrscrrrscrrrT
zyxCfzyxfCzyxC ,,1,,,,
,,
−+= (3.18)
onde:
C
T
(x
r
, y
r
, z
r
): concentração total;
C
c,s
(x
r
, y
r
, z
r
): concentração do estado da pluma horizontal;
C
s
(x
r
, y
r
, z
p
): concentração no terreno seguindo o estado da pluma;
43
f: função peso do estado da pluma;
z
p
: altura do receptor.
A concentração subscrita (c,s) na equação 3.18 relata a concentração total durante as
condições convectivas “c” e condições estáveis “s”. O cálculo de todas as alturas (z) é
referenciado para a elevação da base.
Em geral, a forma de expressões para a concentração de cada termo na equação 3.18
para a camada limite convectica e camada limite estável é dada da seguinte forma
(
)
(
)
∑∑
−
∞
−
−+
−+
−−
−=
2
1 0
2
2
2
2
2
2
exp
2
2
exp.
2
),,(
j m
zj
idj
zj
idj
zj
f
y
p
rr
mzzmzz
F
u
Qf
zyxC
σ
ψ
σ
ψ
σ
λ
π
(3.19)
sendo:
u
xw
hh
j
dsdj
+∆+=
ψ
(3,19a)
e
−
=
2
2
2
exp
2
1
y
y
y
y
F
σ
σπ
(3,19b)
onde:
C(x, y, z): concentração do poluente no ponto (x, y, z);
x: coordenada na direção zonal a partir da fonte emissora;
y: coordenada meridional a partir do eixo central da pluma;
z: coordenada vertical a partir do solo;
Q: vazão do lançamento do gás;
u : velocidade média do vento;
u: velocidade do vento no topo da chaminé;
H: altura efetiva da chaminé;
σ
y:
coeficiente de dispersão lateral;
44
σ
z
: coeficiente de dispersão vertical (esses coeficientes de dispersão dependem da estrutura
turbulenta da atmosfera).
Um esquema de funcionamento do modelo AERMOD, mostrando os dados de
entrada, os pré-processadores e o arquivo final, está ilustrado na figura 3.6.
FONTE:Adaptado de FERREIRA (2005).
Figura 3.6: Fluxograma do modelo AERMOD.
3.3.1 AERMET
O AERMET é um processador que organiza e processa os dados meteorológicos, e
estima os parâmetros da CLA necessários para o cálculo da dispersão de poluentes no
modelo AERMOD.
O Pré-processador Meteorológico AERMET possui três estágios para o
processamento total dos dados meteorológicos, podendo operar com três tipos de dados:
observações horárias de superfície no formato National Wether Service - NWS e dados de
sondagens medidos diariamente em dois horários, também no formato NWS. O primeiro
45
estágio extrai e avalia a qualidade dos dados de altitude e superfície, o segundo faz uma
combinação dos dados disponíveis para um período de 24 horas e escreve estes em um
arquivo intermediário, e o terceiro estágio assimila os arquivos de dados combinados e
realiza a estimativa dos parâmetros da CLA necessários para o cálculo da dispersão no
modelo AERMOD.
FONTE: Adaptado de FERREIRA (2005).
Figura 3.7: Fluxograma do AERMET.
3.3.1.1 Descrição do AERMET
O AERMET utiliza medidas meteorológicas que são representadas dentro do
domínio modelado para estimar alguns parâmetros da CLA, como cálculos dos perfis de
vento, turbulência e temperatura. Estes perfis são calculados pela interface do modelo
AERMOD.
46
Os parâmetros de superfície providos pelo AERMET são:
• comprimento de Monin-Obukhov, L;
• velocidade de fricção de superfície, u*;
• comprimento de rugosidade da superfície, Z
0
;
• fluxo de calor de superfície, H;
• escala de velocidade convectiva, w*.
Além destes, o AERMET uma estimativa das alturas das camadas de mistura
mecânica e convectiva, Z
ic
e Z
im
, respectivamente. Embora o modelo AERMOD permita
estimar perfis meteorológicos com poucos dados de altitude, o modelo também pode
utilizar dados providos pelo usuário para definir a estrutura vertical da CLA.
O crescimento e a estrutura da CLA são governados pelos fluxos de calor e
quantidade de movimento, dependendo da troca dos efeitos da superfície. O comprimento
desta camada e a dispersão do poluente dentro desta são influenciados em uma escala local,
por características de superfície, tais como a rugosidade, a refletividade (albedo) e a
disponibilidade de umidade na superfície. O estado da CLA calculado pelo AERMET é
uma função das características da superfície subjacente. Assim, perfis meteorológicos e
concentrações ambientes podem mudar com a localização, bem como uma direção do vento
e com os ventos ascendentes.
3.3.1.1.1 Modelos Paramétricos da Camada Limite Convectiva (CLC)
Primeiramente, o AERMET estima o fluxo de calor sensível (H) e, então, calcula a
velocidade de fricção (u*) e o comprimento de Monin-Obukhov (L). Com H, u* e L
calculados, o AERMET pode estimar a altura da camada de mistura e a escala de
velocidade de convectiva (w*). O cálculo destes parâmetros da Camada Limite Convectiva
(CLC) são descritos a seguir.
47
(a) Fluxo de Calor Sensível na CLC
O fluxo de calor e a quantidade de movimento direcionam o crescimento e a
estrutura da CLA. Para caracterizar corretamente a CLA é preciso obter uma boa estimativa
do fluxo de calor sensível (H) na superfície, o qual depende da radiação líquida (Rn). A
radiação líquida é medida ou calculada em função da cobertura da nuvem, ângulo solar,
albedo, e temperatura da superfície. Quando a radiação líquida é positiva durante uma
determinada hora do dia o AERMET define a CLA como convectiva. Na CLC, uma
aproximação do balanço de energia simples proposto por OKE (1978) é usado para derivar
a seguinte expressão para H:
( )
0
/11
9,0
B
R
H
n
+
= (3.20)
sendo B
0
a Razão de Bowen.
A hipótese implícita na equação 3.20 é que o fluxo de calor na superfície é 10% da
radiação líquida (Rn). No caso de valores medidos para Rn não estarem disponíveis, este
parâmetro pode ser calculado a partir da insolação e do balanço de radiação térmica pelo
método de HOLTSLAG e VAN ULDEN (1983) onde a insolação para céus claros, R
0
, é
calculado pela seguinte expressão de COLLIER e LOCKWOOD (1975)
{
}
[
]
3
2
46
1
1
1
C
nCTTCRr
R
refSBref
n
+
+−+−
=
σφ
(3.21)
onde:
R
n
é a radiação líquida;
C
1
é igual a 5,31x10
-13
Wm
-2
K
-6
;
C
2
é igual a 60 Wm
-2
;
48
C
3
é igual a 0,12;
σ
SB
é a constante de Stefan Boltzman (5,67x10
-8
Wm
-2
K
-4
);
T
ref
é a temperatura do ar ambiente na altura da medida (K).
O albedo r{
φ
} na equação 3.21 é dado por:
{
}
}exp{)'1(' barrr +−+=
φφ
(3.21a)
onde:
a é igual a -0,1;
b é igual a 0,5(1-r’)
2
;
r’ é igual a{
φ
}=90
0
.
A radiação solar, R, corrigida para a cobertura de nuvem é dado por KASTEN e
CZEPLAK (1980) como:
)75,01(
4,3
nRR
O
−=
(3.21b)
onde R é a radiação solar e n a cobertura de nuvens {0,0 -1,0}.
Na equação 3.21b, Ro é definido da seguinte forma:
30sin990
0
−
=
φ
R
(3.33c)
e o ângulo
φ
é dado como:
2
}{}{ tt
p
φφ
φ
+
=
(3.21d)
sendo tp a hora prévia; t a hora presente; R
0
a insolação de céu claro (Wm
-2
) e f o ângulo de
elevação solar.
(b) Velocidade de Fricção e Comprimento de Monin-Obukhov na CLC
Na CLC, o AERMET estima a velocidade de fricção de superfície, u*, e o
comprimento de Monin-Obukhov, L, usando o valor de H calculado pela equação 3.20. A
velocidade de fricção e o comprimento de Monin-Obukhov são calculados continuamente
através de um método iterativo, semelhante ao utilizado pelo CTDMPLUS, dado por
PERRY (1992). Neste método, o modelo AERMOD inicializa u* supondo que exista
49
condição neutra, realiza o cálculo de L e, então, procede com estimativas subseqüentes de
u* e L até que a convergência pré-estabelecida seja alcançada. A expressão para u* dada
por PANOFSKY e DUTTON (1984) é:
( ) { }
{ }
LZLZZZ
ku
u
mrefmref
ref
///ln
00
*
ΨΨ
+−
=
(3.22)
onde Ψ
m
{Z
ref
/ L} é dado por:
2/tan2
2
1
ln
2
1
ln2
1
2
πµ
µµ
Ψ
+−
+
+
+
=
−
L
Z
ref
m
(3.22a)
e
4/1
161
−=
L
Z
ref
µ
(3.22b)
enquanto que Ψ
m
{Z
0
/ L} pode ser obtido de:
2/tan2
2
1
ln
2
1
ln2
0
1
2
000
πµ
µµ
Ψ
+−
+
+
+
=
−
L
Z
m
(3.22c)
com
4/1
0
0
161
−=
L
Z
µ
(3.22d)
Nas expressões acima, temos k que é a constante de Von Karman que é igual a 0,4;
u
ref
é a velocidade do vento na altura de medida; u* é a velocidade de fricção; Z
ref
é a altura
50
da medida do vento; Z
0
é o comprimento de rugosidade e L é o comprimento de Monin-
Obukhov.
O passo inicial na repetição resolve a equação 3.22 para u* supondo Ψ
m
= 0 (limite
neutro) e u* fixo é igual a u
ref
. Tendo uma estimativa inicial de u*, L é calculado a partir da
seguinte definição (WYNGAARD, 1988).
kgH
uTc
L
refp
3
*
ρ
−=
(3.23)
onde:
g é a aceleração da gravidade;
Cp é o calor específico do ar à pressão constante;
Ψ
m
é a densidade do ar;
k é a constante de Von Karman que é igual a 0,4.
A velocidade de fricção u* é recalculada pela equação 3.22 e L pela equação 3.23.
Este procedimento é realizado até que a variação entre os valores de u* e L, entre uma
interação e outra seja menor que 1%.
As alturas de medida para velocidade do vento e temperatura que são usadas na
determinação da velocidade de fricção e do comprimento de Monin-Obukhov são
especificadas pelo usuário para serem características da camada de superfície, onde a teoria
da similaridade foi formulada e testada com dados experimentais. Tipicamente, é
selecionada uma altura de 10 metros para campos de ventos e entre 2 e 10 metros para o
campo de temperatura. Porém, para locais excessivamente ásperos (como áreas urbanas
com rugosidade, Z
0
, excedendo 1 metro), o AERMET tem uma proteção para aceitar dados
de velocidade do vento referentes a um conjunto de alturas verticais entre 7Z
0
e 100 metros.
Abaixo de 7Z
0
, medidas são incertas para serem representativas da área geral de estudo.
Uma restrição semelhante para medidas de temperatura é imposta para medidas de
temperatura abaixo de Z
0
. Acima de 100 metros, as medidas de campo de vento e de
51
temperatura são prováveis de estarem acima da camada de superfície, especialmente
durante condições estáveis. Então, o AERMET impõe um limite superior de 100 metros
para medidas de velocidade do vento e de temperatura com a finalidade de estimar a
velocidade de fricção e comprimento de Monin-Obukhov horários pela teoria da
similaridade.
(c) Altura de Mistura Convectiva
As medidas da altura da CLC, Z
ic
, que estejam disponíveis são usadas diretamente
pelo modelo. Caso estas medidas não estejam disponíveis, Z
ic
é calculado por um método
simples de balanço de energia proposto por CARSON (1973) e modificado por WEIL e
BROWER (1983). Este modelo usa a sondagem da temperatura potencial matutina, e a
variação temporal do fluxo de calor de superfície para calcular a evolução temporal da CLC
como:
{ } { }
{
}
∫∫
+=−
t
p
Z
icic
dt
c
tH
AdZZZZ
ic
00
'
'
)21(
ρ
θθ
(3.24)
onde:
Z
ic
é a altura de mistura convectiva;
θ é a temperatura potencial;
A é aproximadamente 0,2;
t é a hora ao amanhecer.
(d) Escala de Velocidade Convectiva (w*)
Observações de campo, experimentos em laboratórios e estudos de modelos
numéricos mostram que as grandes escalas turbulentas na CLC têm velocidades
52
proporcionais à escala de velocidade convectiva w* (WYNGAARD, 1988). Assim para
estimar a turbulência na CLC, a seguinte estimativa de w* é utilizada:
3/1
*
=
refp
ic
Tc
gHZ
w
ρ
(3.25)
(e) Altura de Mistura Mecânica (Z
im
)
Ao amanhecer quando a camada de mistura convectiva é pequena, a profundidade
da CLA é controlada pela turbulência mecânica. O AERMET estima a altura da CLA
através dos cálculos da altura da camada limite convectiva, Z
ic
, e da altura de mistura
mecânica, Z
im
. O AERMET usa este procedimento para assegurar que a altura da CLA não
é subestimada no início da manhã, quando Z
ic
é muito baixa, desde que exista uma mistura
mecânica considerável. Quando medidas da camada de mistura mecânica não estão
disponíveis, a altura da camada limite mecânica é calculada supondo que sua altura de
equilíbrio seja dada como proposto por ZILITINKEVICH (1972), isto é:
=
f
Lu
Z
ie
*
4.0
(3.26)
onde Z
ie
é a altura de mistura mecânica de equilíbrio e f é o parâmetro de Coriolis.
Embora a equação 3.26 tenha sido desenvolvida para aplicação na camada limite
estável (CLE), somente é usada na CLC para o período de curta duração no começo do dia,
quando a turbulência mecânica domina. O procedimento usado pelo AERMET garante o
uso da altura da camada de mistura convectiva uma vez adequada à convecção, que foi
estabelecida embora, a altura da camada de mistura mecânica seja calculada durante toda a
condição convectiva. A utilização pelo AERMET da equação 3.26 para estimar a altura da
camada de mistura na CLE, evita descontinuidades na camada de mistura (Z
i
) durante o
período noturno e diurno.
53
VENKATRAM (1980) mostrou que, em latitudes médias, a equação 3.26 pode ser
representada empiricamente pela seguinte expressão:
2/3
*
2300uZ
ie
=
(3.27)
A evolução temporal da altura da camada de mistura mecânica, Z
im
, é dada por:
τ
)(
imieim
ZZ
dt
dZ −
=
(3.28)
onde t é a escala temporal para qual a altura da camada de mistura mecânica fica próxima
do valor de equilíbrio da equação 3.27.
Note que quando Z
im
< Z
ie
, o aumento da altura da camada de mistura mecânica
alcança seu valor de equilíbrio atual; reciprocamente, quando Z
im
> Z
ie
, a altura da camada
de mistura mecânica diminui para seu valor de equilíbrio.
É razoável supor que a escala temporal t que governa a evolução da CLE é
governada pela altura da camada limite e pela velocidade de fricção de superfície, de forma
que:
*
u
Z
im
τ
β
τ
=
(3.29)
Na equação 3.29 ß
τ
é uma constante empírica que, normalmente tem valor 2. Para
ilustrar, se u* é da ordem de 0,2m/s e Z
im
é da ordem de 500 m, então a escala de tempo é
da ordem de 1250 segundos.
A integração da equação 3.28 nos leva a seguinte expressão:
{
}
{
}
(
)
{
}
(
)
[
]
ττ
//
1
t
ie
t
imim
ettZetzttZ
∆−∆−
−∆++=∆+
(3.30)
A escala de tempo médio é dado por:
54
{
}
( )
ttu
tZ
im
∆β
τ
τ
+
=
*
(3.31)
sendo t + ∆t a hora corrente e T a hora anterior.
3.3.1.1.2 Modelos Paramétricos da Camada Limite Estável (CLE)
Durante condições estáveis o termo do balanço de energia associado com a
componente de aquecimento da superfície é especificado na localidade. Durante o dia, esta
componente é aproximadamente 10% da radiação líquida total, enquanto, à noite, seu valor
é comparável a da radiação líquida (OKE, 1978). Então, erros no termo de aquecimento da
superfície geralmente, podem ser tolerados durante o dia, mas não à noite. Para evitar o uso
de uma aproximação para o balanço de energia noturno, que depende do conhecimento
detalhado das características do aquecimento da superfície, o modelo AERMOD adota uma
aproximação semi-empírica muito mais simples para computar u* e L em condições
estáveis.
(a) Velocidade de Fricção (u*) na CLE
O cálculo de u* depende da observação empírica da escala de temperatura, θ
*
,
definida como:
**
/ ucH
p
ρ
θ
−
=
(3.32)
Seguindo o desenvolvimento de VENKATRAM (1980), combinando a equação
3.23 com a equação 3.32, o comprimento de Monin-Obukhov na CLE pode ser expresso da
seguinte forma:
55
2
*
*
u
kg
T
L
ref
θ
=
(3.33a)
ou
2
*
AuL =
(3.33b)
sendo: A= Tref / kgθ
*
(3.33c)
De PANOFSKY e DUTTON (1984), o perfil da velocidade do vento em condições
estáveis é dada na forma:
+
=
L
Z
Z
Z
k
u
u
refm
O
β
ln
*
(3.34)
onde ß
m
é igual a 5 e Z
ref
é a altura de medida da velocidade do vento.
Substituindo a equação 3.33 na equação 3.34 e definindo o coeficiente de arrasto C
D
como k / ln (z
ref
/ z
0
) , segundo GARRAT (1992), podemos escrever:
2
*
*
1
kAu
Z
Cu
u
refm
D
β
+=
(3.35)
Todo o desenvolvimento é mostrado em FERREIRA (2005), para se chegar à
expressão empírica desenvolvida por VANULDEN e HOLTSLAG (1985) para a escala de
temperatura θ
*
.
)5.01(09.0
2
*
n−=
θ
(3.36)
para n = cobertura de nuvem {0,0 -1,0}.
56
(b) Fluxo de Calor Sensível (H) na CLE
Tendo calculado u* e θ
*
, o AERMET calcula o fluxo de calor sensível através da
definição de θ
*
, dada pela equação 3.36, que pode ser reescrita como:
**
θ
ρ
ucH
p
−
=
(3.37)
O AERMET limita a quantidade de calor que pode ser perdido por uma superfície
aproximadamente a 60Wm
-2
. Este valor está baseado em uma restrição que HANNA et al.
(1986) impõe nos valores de θ
*
e u*, isto é:
Kmsu
1
max**
05,0][
−
=
θ
(3.38)
Quando o fluxo de calor, calculado da equação 3.49, é tal que θ
*
u*.> 0,05ms
-1
K, o
AERMET refaz o cálculo de u* substituindo 0,05/u* na equação quadrática por θ. Usando
o novo cálculo do valor de u*, θ
*
é calculado, então pela equação 3.38.
(c) Comprimento de Monin-Obukhov (L) na CLE
O comprimento de Monin-Obukhov na CLE é calculado pela equação 3.23
utilizando os parâmetros da CLE.
(d) Altura da Camada de Mistura Mecânica (Zim) na CLE
A altura da camada de mistura mecânica na CLE resulta exclusivamente do
fenômeno mecânico (ou corte induzido) turbulento. O valor de Zim é calculado pela
equação 3.22, que é a mesma expressão usada na CLC. A evolução da altura da CLE é feita
de forma análoga ao descrito para a CLC.
57
3.3.2 Interface Meteorológica do AERMOD (IMA)
A Interface Meteorológica do AERMOD (IMA) possui um conjunto de rotinas que
utiliza as relações de similaridade com os parâmetros da camada limite os dados
meteorológicos medidos e outras informações especificas providas pelo AERMET para
calcular perfis verticais de: 1) direção do vento, 2) velocidade do vento, 3) temperatura, 4)
gradiente térmico potencial vertical, 5) turbulência vertical (s w) e 6) turbulência horizontal
(s
v
).
No desenvolvimento do cálculo da distribuição vertical, a IMA compara, para
qualquer uma destas seis variáveis (ou parâmetros), cada nível à qual uma variável
meteorológica deve ser calculada com a altura em que a observação foi realizada. Se a
medida estiver abaixo ou acima da medida do último nível medido (ou nos casos em que
não há informação), a IMA realiza o cálculo de um valor apropriado selecionado pelas
relações de similaridade da distribuição vertical da CLA. Caso os dados estejam
disponíveis, seja acima ou abaixo de uma determinada altura, é executada uma interpolação
que está baseada nos dados medidos e na forma do perfil calculado. Pelo menos um nível
de medida da velocidade do vento, direção do vento, e temperatura é exigida. Porém,
turbulência pode ser parametrizada sem qualquer medida de turbulência direta.
No modelo AERMOD, a altura de mistura Zi é usada como uma superfície elevada,
com refletividade e penetração e no cálculo para a determinação de w* na equação 3.25. Zi
é obtida da seguinte forma:
];[
imici
ZZMAXZ
=
, para L < 0 (CLC), (3.39a)
imi
ZZ =
Para L > 0 (CLE). (3.39b)
Considerando que são utilizados algoritmos diferentes para os perfis na CLE e CLC,
a IMA determina a estabilidade da CLA examinando o sinal de L. Se L < 0, então a CLA é
58
considerada convectiva (CLC) pelo modelo AERMOD. Se L > 0, então a CLA é estável
(CLE).
As seções seguintes provêem uma descrição compreensiva dos algoritmos usados
para gerar perfis meteorológicos da camada limite.
3.3.2.1. Perfil da Velocidade do Vento na IMA
Pelo menos uma medida de velocidade de vento é requerida para cada simulação do
modelo AERMOD. A equação do perfil da velocidade de vento é
=
0
0
7
}7{
Z
Z
Zuu
, para Z < 7Z
0
, (3.40a)
+
−
=
L
Z
L
Z
Z
Z
k
u
u
mm
0
0
*
ln
ψψ
, para
i
ZZZ ≤≤
0
7
e (3.40b)
{
}
i
Zuu
=
, para Z > Z
i
. (3.40c)
Para a CLC, os ψ
m
's são avaliados usando a equação 3.34a com Z
ref
substituído por
Z, e enquanto que, para condições estáveis, eles são calculados como proposto por VAN
ULDEN e HOLTSLAG (1985)
−−−=
L
Z
L
Z
m
29,0exp117
Ψ
, (3.41a)
−−−=
Ψ
L
Z
29,0exp117
L
Z
00
m
(3.41b)
Para Z/L pequeno (<< 1), a equação 3.41 se reduz a uma forma conhecida de ψ
m
dada na equação 3.46, com ψ
m
= -β
m
Z/L e β
m
= 5; na equação 3.42 a constante efetiva β
m
é
59
igual a 4,93. Porém, para Z/L grande (>1) e alturas maiores que 200 metros na CLE, o ψ
m
dado pela equação 3.41 é utilizado para estabelecer um melhor ajuste nas observações de
campo de vento dadas pela equação 3.34 (VANULDEN e HOLTSLAG, 1985). As figuras
3.8 e 3.9 mostram as distribuições verticais do vento para a CLC e CLE.
Fonte: Adaptada do EPA (1998d).
Figura 3.8: Distribuição vertical da velocidade do vento na CLC e CLE, na região abaixo
de 7Z
0
.
60
Fonte: Adaptada do EPA (1998d).
Figura 3.9: Distribuição vertical da velocidade do vento na CLC e CLE, na região acima de
7Z
0
.
(a) Perfis de Direção do Vento na IMA
A direção do vento na CLC e CLE é considerada constante para todas as camadas.
Para alturas intermediárias, o modelo AERMOD faz uma interpolação linear entre as
medidas.
(b) Perfis do Gradiente de Temperatura Potencial na IMA
Ignorando a camada de superfície superadiabática, o gradiente da temperatura
potencial misturado na CLC é conduzido ao valor zero. O gradiente na camada interfacial
estável, que fica acima da camada de mistura é governado pela temperatura da sondagem
matutina. Este gradiente é um fator importante na determinação do potencial para
penetração da pluma flutuante acima daquela camada. Sobre a camada interfacial, o
gradiente é tipicamente constante e ligeiramente estável. Estas três camadas (mistura,
61
interfacial, e camada estável superior) na CLC permitem estimar dθ/dZ no modelo
AERMOD como
0,0=
dZ
d
θ
, para
i
ZZ ≤
, (3.42a)
005,0=
dZ
d
θ
, para
mZZ
i
500+>
, (3.42b)
onde Z
i
é dado na equação 3.39.
dZ
d
θ
é obtido do PMA (baseado para
mZZZ
ii
500+≤<
na sondagem matutina).
Embora a profundidade da camada interfacial varie com o tempo, o valor de 500m
foi fixado para que este cálculo assegure que uma camada da sondagem matutina seja
experimentada o suficiente. Isto evita excentricidades irreais freqüentemente apresentadas
nestes dados. O valor constante de 0,005 sobre a camada interfacial é sugerido por HANNA
e CHANG (1991). Quando a sondagem matutina é utilizada para calcular o gradiente de
temperatura na camada interfacial, considera-se que a camada de mistura cresce ao longo
do dia e que o perfil de temperatura na camada Z
i
é pouco modificado na sondagem
matutina.
Para a CLE e na ausência de medidas, o gradiente térmico potencial é calculado
como
+=
L
m
kZ
p
dZ
d
)2(
51.
*
θ
θ
, para
mZ 2
≤
, (3.43a)
+=
L
Z
kZ
p
dZ
d
51.
*
θ
θ
, para
mZm 1002
≤
<
, (3.43b)
{
}
−
−=
θ
θθ
i
Z
mZ
dZ
md
dZ
d
44,0
)100(
exp
100
, para
mZ 100
>
, (3.43c)
onde θ
*p
≡ θ
*
é determinado pela medida local do gradiente de temperatura e
[
]
mZMAXZ
imi
100;=
θ
.
62
Na CLE caso as medidas de dθ/dZ estejam disponíveis abaixo de 100 metros e
acima de Z
0
, então θ
*
p é calculado pela equação 3.43 usando o valor de dθ/dZ medida de
um nível mais baixo e substituindo Z
Tref
pelo nível de medida de dθ/dZ. O limite superior de
100 metros para a medida do gradiente de temperatura vertical é consistente com o que foi
imposto pelo PMA para dados de velocidade do vento e temperatura usados para
determinar parâmetros da teoria da similaridade, como a velocidade de fricção e o
comprimento de Monin-Obukhov. Analogamente, o valor mais baixo de Z
0
para as medidas
do gradiente de temperatura vertical é consistente com que foi imposto para dados de
temperatura de referência de cada nível. Caso nenhuma medida de dθ/dZ esteja disponível
nos níveis, então θ
*
p é considerado igual a θ
*
(a cobertura de nuvem parametrizada pela
escala de temperatura na equação 3.36 usado no PMA para o cálculo do fluxo de calor
noturno) e é calculado combinando as equações 3.23 e 3.37. O parâmetro θ
*
não é usado
dentro da CLC. A figura 3.35 mostra a dependência da altura inversa de dθ/dZ na CLE.
Fonte: Adaptada do EPA (1998d).
Figura 3.10: Perfil do gradiente de temperatura potencial na CLE.
63
Para todo o valor de Z, dθ/dZ é limitado em um valor mínimo de 0,002 K/m
(PAINE e KENDALL, 1993). A Eq. (3.29
a
) foi proposta por BUSINGER et al. (1971). Já
as equações 3.55b e 3.55c foram originada de STULL (1988) e VANULDEN e
HOLTSLAG (1985), respectivamente.
Quando medidas de dθ/dZ estão disponíveis, as equações 3.43a e 3.43b são
aplicadas de modo ligeiramente diferentes, realizando-se uma interpolação entre as
medidas. Acima do nível mais elevado, o perfil de dθ/dZ é extrapolado pelo valor da altura
que mantém a forma definida pelas equações 3.43a e 3.43b. Quando a extrapolação ocorre
no nível de medida mais baixo a equação 3.43a é resolvida primeiro para θ
*
usando a
medida de dθ/dZ no nível mais baixo. O perfil de dθ/dZ é extrapolado na altura de medida
mais baixa mantendo a forma como definido pela a equação 3.55a.
3.3.2.2 Perfil da Temperatura Potencial na IMA
Primeiramente, para uso em cálculos do empuxo da pluma, o modelo AERMOD
determina o perfil vertical da temperatura potencial a partir da estimativa do gradiente
térmico. Primeiro o modelo estima a temperatura potencial no nível que foi medido a
temperatura (Z
Tref
, por exemplo) e da temperatura corrigida pela pressão do nível do mar,
tal que
{
}
p
MSL
refTref
c
gZ
TZ +=
θ
, (3.44)
onde
SBTrefMSL
ZZZ +=
A grandeza
SB
Z é a altura média sobre o nível médio do mar acima de todas as
fontes. Assim, a temperatura potencial é calculada para a CLC e CLE da seguinte forma
64
{ }
{
}
Z
dZ
d
ZZZ
Z
Tref
∆
θ
θ∆θ
−
+=+ |
, para
Tref
ZZ ≤
, (3.45a)
{ } { }
Z
dZ
d
ZZZ
Z
∆
θ
θ∆θ
−
+=+ |
, para
Tref
ZZ >
, (3.45b)
onde
2
Z
ZZ
∆
+=
−
.
Note que para
Tef
ZZ <
,
0
<
Z
∆
.
3.3.2.3 Coeficiente de Dispersão Turbulenta Vertical Calculada pela IMA
Na CLC, a dispersão da velocidade vertical ou turbulência (
2
wT
σ
) é distribuída
verticalmente usando uma expressão que contém uma parcela referente a turbulência
mecânica e uma parcela convectiva semelhante à equação descrita por PANOFSKY et al.
(1977). Esta equação, incluída em outros modelos de dispersão de poluentes atmosféricos
(HANNA e PAINE, 1989; WEIL, 1988), pode ser escrita como:
222
wmwcwT
σσσ
+=
(3.46)
onde:
wT
σ
é o coeficiente de dispersão turbulenta vertical total; o
wc
σ
é a parcela
convectiva da turbulência vertical e
wm
σ
é a parcela mecânica da turbulência vertical.
A equação 3.58 é efetivamente interpolada entre um limite de estabilidade mecânica
ou neutro (
*
~ u
wTwc
ασσ
) e um limite fortemente convectivo (
*
~ w
wTwc
ασσ
).
A parcela convectiva (
2
wc
σ
) da dispersão turbulenta total é calculada da seguinte
forma
65
2
*
3/2
2
6,1 w
Z
Z
ic
wc
=
σ
, para
ic
ZZ 1,0≤
, (3.47a)
2
*
2
35,0 w
wc
=
σ
, para
icic
ZZZ ≤<1,0
, (3.47b)
−
−=
ic
ic
wc
Z
ZZ
w
)(6
exp35,0
2
*
2
σ
, para
ic
ZZ >
, (3.47c)
Na equação 3.47 a expressão para
ic
ZZ 1,0≤
é o limite da convecção livre
(PANOFSKY et al., 1977), para
icic
ZZZ ≤<1,0
é o valor da camada de mistura
(HICKS, 1985) e para
ic
ZZ >
é um parametrização para conectar a camada de mistura
2
wc
σ
para assumir valores próximos de zero bem acima da CLC. O perfil de turbulência
vertical convectiva é descrito na equação 3.47.
Na formulação do modelo AERMOD para a descrição da parcela referente à
turbulência mecânica, foram utilizados parâmetros da camada de superfície. A parcela de
turbulência mecânica,
2
wT
σ
, supõe que consiste da camada limite e da “camada residual” Z
> Z
i
. Isto é feito para:
1) satisfazer o desacoplamento entre a alta turbulência Z > Z
i
e o cisalhamento da camada
de superfície na CLC;
2) manter uma variação contínua de
2
wm
σ
com Z próximo a Z
i
. A turbulência mecânica é
parametrizada da seguinte forma:
222
wmrwmlwm
σσσ
+=
(3.48)
onde
wml
σ
é a parcela mecânica da turbulência vertical dentro da camada limite e
wmr
σ
é a
parcela mecânica da turbulência vertical acima da camada limite.
66
A expressão para o cálculo da σ
wml
é:
2/1
*
13,1
−=
i
wml
Z
Z
u
σ
, para
i
ZZ < , (3.49a)
0,0=
wml
σ
, para
i
ZZ ≥ , (3.49b)
onde
*
3,1 u
wml
=
σ
e Z = 0 é consistente com PANOFSKY et al. (1977).
Para Z > Z
i
wmr
σ
é fixo e igual a
wmx
σ
, o valor máximo da turbulência mecânica na
camada residual. O parâmetro
wmx
σ
é calculado como a média de todos os valores medidos
acima de Z
i
. Caso medidas não estejam disponíveis, então
wmx
σ
é dado como valor padrão
{
}
i
Zu02,0
, onde 0,02 é o valor adotado para a intensidade da turbulência
=
u
i
w
Z
σ
para
as condições muito estáveis acima de Z
i
. Este valor de intensidade de turbulência é
semelhante ao proposto por GIFFORD (1975).
Dentro da camada de mistura, Z > Z
i
, por exemplo, a turbulência residual é reduzida
de seu valor Z
i
para zero na superfície. Então, para todo o Z a turbulência residual é dada da
seguinte forma:
= 0,1;
i
wmxwmr
Z
Z
MIN
σσ
(3.50)
Na figura 3.7 estão apresentadas as distribuições verticais da parcela mecânica e da
turbulência vertical na CLC. A combinação realizada pela turbulência mecânica na camada
limite e na camada residual dada pela equação 3.48 é mostrada nesta figura 3.11. Para o
cálculo de
wmr
σ
são utilizados
i
ZL 1,0=
e
i
ZZ 0001,0
0
=
.
67
Fonte: Adaptada do EPA (1998d).
Figura 3.11: Parcela mecânica na turbulência vertical n CLC.
Na CLE a turbulência vertical contém somente uma parcela mecânica e é
determinada através das equações 3.48 e 3.49. A utilização da mesma expressão de
wm
σ
para a CLE e CLC é realizada para assegurar a continuidade da turbulência no limite da
estabilidade neutra, por exemplo, quando 0
→
Z ou ∞→L . Neste caso, a turbulência
deve ser igual à estabilidade neutra ou próxima da condição instável ou estável. A figura
3.8 é semelhante a figura 3.7, exceto para um notável aumento no valor de
wmr
σ
. Valores
de
wmr
σ
são baseados na magnitude da velocidade do vento de Z
i
. A diferença entre as duas
figuras são os dados para
i
ZZ 0001,0
0
= para CLC e
i
ZZ 001,0
0
= na CLE.
68
Fonte: Adaptada do EPA (1998d).
Figura 3.12: Perfil vertical da turbulência na CLE.
3.3.2.4 Coeficiente de Dispersão Turbulenta Lateral Calculada pela IMA
Na CLE a turbulência lateral total contém apenas uma parcela mecânica. Já na CLC,
o coeficiente de dispersão turbulenta lateral total, σ
2
vT
, é calculado como uma combinação
de uma parcela mecânica e outra convectiva, como descrito para as parametrizações da
turbulência vertical, σ
wT
. Logo, podemos escrever:
σ
2
vT
=
σ
2
vc
+ σ
2
vm
(3.51)
onde:
σ
vT
é o coeficiente de dispersão turbulenta lateral total;
σ
vc
é a parcela convectiva da turbulência lateral;
σ
vm
é a parcela mecânica da turbulência lateral.
69
3.3.2.5 Tratamento da Não-Homogeneidade Vertical na Camada Limite Atmosférica
No modelo AERMOD é necessário proporcionar o controle das liberações de
poluentes atmosféricos junto à superfície e prover um mecanismo para o tratamento das
emissões provenientes de fontes elevadas, que atingem o topo da camada de mistura e
penetram na CLE. Estas emissões podem reentrar na CLC através do transporte
descendente ocasionando pelo campo de vento vertical (downwind). A partir daí, o modelo
AERMOD utiliza um único valor dos parâmetros meteorológicos para representar a camada
de mistura, convertendo o valor da não homogeneidade (medido ou estimado) em um valor
equivalente (efetivo) homogêneo. Em geral, esta técnica é aplicada a u, σ
vT
, σ
wT
e escala de
tempo lateral lagrangeana, T
Ly
. A direção do vento é tratada separadamente.
O conceito das camadas primárias por onde ocorre o deslocamento da pluma
originada das fontes para o receptor é fundamental. O transporte e a difusão do material da
pluma localizada fora da camada primária são considerados sem importância, até que a
pluma refletida contribui significativamente com a concentração no receptor. Parâmetros
efetivos que são sublinhados no documento (velocidade do vento efetiva é indicada por u,
por exemplo) são determinados pelos valores médios da parcela da camada entre a altura do
centro da pluma (H
p
{x}) (altura do centro de massa da pluma) e a altura do receptor (Z
r
) que
a pluma atingiu. Os valores usados no processo são gerados pela IMA.
Devido ao fato de que σ
z
{X
sr
} depende dos valores efetivos de σ
wT
e u o tamanho da
pluma utilizada é estimado usando os valores iniciais de σ
wT
{H
p
} e u{H
p
} para calcular
σ
z
{X
sr
}. Este é então usado para determinar a camada sobre σ
wT
{X
sr
} e u{X
sr
} que são
calculados. A figura 3.13 ilustra essa aproximação.
70
FONTE: FERREIRA 2005.
Figura 3.13: Tratamento da CLA não homogênea.
3.3.2 AERMAP
O pré-processador utiliza informações de topografia que são introduzidas no modelo
AERMOD. O AERMAP suporta uma resolução de até 30 metros, originados do Modelo de
Elevação Digital (Digital Elevation Model - DEM) disponíveis na United States Geological
Survey - USGS (http://www.usgs.gov ou na http://www.webgis.com/terr_us75m.html). O
71
AERMAP utiliza o sistema de coordenada UTM (Universal Transverse Mercator). Este
sistema de coordenada é um método que retrata os meridianos, colocando o terreno do
planeta Terra em uma superfície totalmente plana, como se fosse um mapa. Tal sistema de
coordenada possui zonas, com largura de 6° de longitude, como se fossem “gomos de
laranja”.
O usuário inicialmente identifica as informações da área de estudo, define um
domínio do terreno específico, e indica as posições das fontes e dos receptores para serem
assimilados no modelo AERMOD. O AERMAP calcula uma escala da altura para cada
posição do receptor para o uso dos algoritmos do terreno do modelo AERMOD.
O modelo para terreno complexo do EPA Complex Terrain Dispersion Model –
CTDMPLUS, descrito por PERRY (1992), utiliza o conceito em que a linha de corrente da
pluma é dividida em duas, onde Hc é a altura do plano divisor entre estas duas camadas.
Como tal, a interação da pluma com a colina é considerada diretamente no cálculo da
concentração dos poluentes para qualquer receptor definido para determinada colina, como
por exemplo, a pluma dividida acima e abaixo de Hc. O AERMAP operando de um ponto
de vista do receptor, mostra o terreno ao redor de cada receptor para especificar
objetivamente uma altura representativa da colina associada com o receptor.
Como o CTDMPLUS, o AERMAP é também projetado para prover a informação
necessária do terreno para o cálculo de Hc. O método do AERMAP que define a "escala de
altura" (hc) representa o terreno que domina o escoamento na vizinhança do receptor (altura
representativa da colina). Em outras palavras, hc pode ser pensado como a altura do terreno
que cerca o receptor e influencia o escoamento em condições estáveis. Esta altura hc não é,
necessariamente, a elevação máxima dentro do domínio do modelo, isto é, o cume do
terreno. O Hc é calculado pelos mesmos algoritmos dados em CTDMPLUS
(PERRY,1992), ou seja:
{ } ( )
∫
−=⋅
c
c
h
H
cc
dzzhNHu
22
2/1 (3.52)
72
onde u{H
c
} é a velocidade do fluxo, o parâmetro hc é a altura do topo da colina, z é a altura
e o parâmetro N é a freqüência de Brunt-Vaisala representada pela seguinte expressão:
2/1
∂
∂
=
z
g
N
θ
θ
(3.52a)
A freqüência de Brunt-Vaisala, (STULL, 1988), é uma medida de estabilidade
estática da parcela de ar, em que para uma atmosfera estaticamente instável o valor da
freqüência é negativo. Quando N é igual a zero, a atmosfera está neutra. Para uma
atmosfera estaticamente estável a freqüência N é positiva.
FONTE: Adaptado de PERRY 1991.
Figura 3.14: Representação idealizada do comportamento da pluma
que passa sobre e contornando uma colina sob uma condição de
estabilidade atmosférica. Para fins de modelagem, a pluma é dividida
no ponto x
0
(ponto onde “encontra” a colina), onde é encontrada a
altura do plano divisor H
c
. A partir do ponto x
0
, as plumas
são tratadas de modos diferentes.
Definindo hc para um determinado receptor, são consideradas a seguir todas as
elevações do terreno dentro do domínio definido pelo usuário e as distâncias dessas
elevações a partir do receptor. Então, cada receptor pode ter uma escala de altura.
Considere um domínio de interesse e um receptor localizado em (xr,yr,zr) para o qual uma
escala de altura do terreno associada seja necessária. A suposição inerente a este esquema é
que o efeito do terreno circunvizinho no escoamento perto do receptor diminui com o
crescimento da distância, enquanto que esse efeito o efeito aumenta com o crescimento da
73
elevação daquele terreno. Em outras palavras, a elevação efetiva, heff, do terreno
circunvizinho é uma função de sua elevação e de sua distância do receptor.
A escala da altura de terreno (hc) é determinada para cada receptor local (xr,yr) de
acordo com o seguinte procedimento: o peso efetivo da altura da superfície (heff) é
calculado para cada ponto do terreno (xt, yt) no domínio de interesse pela equação:
{
}
{
}
orttttteff
rxfZyxh /, =
(3.53)
sendo:
(
)
(
)
[
]
2/1
22
trtrrt
yyxxx −+−=
(3.53a)
onde:
{
}
(
)
ortortt
rxrxf /exp/ −=
(3.53b)
função característica do terreno, o parâmetro x
rt
é a distância horizontal entre receptor e
localizações do terreno, heff {x
t
,y
t
}, é a altura efetiva característica da superfície, ∆h
max
é a
diferença entre as alturas máxima e mínima dentro do domínio da modelagem e r
0
o fator
peso do terreno é igual a 10,0 ∆h
max
.
Para um determinado receptor, heff é calculado para todos os pontos do terreno
dentro do domínio modelado, criando assim uma altura efetiva da superfície. Isto acontece
porque é desejável obter informações do terreno já digitalizadas ou na forma de grade. A
escala de altura para cada receptor é então relacionada para o máximo valor efetivo. A
figura 3.15 mostra um exemplo de como a altura efetiva de superfície é determinada para
um receptor específico. Somente há uma direção dentro do domínio de interesse. Calcular
h
c
para um domínio atual neste procedimento teria que ser executado em todas as direções
sobre o receptor.
74
FONTE: FERREIRA, 2005.
Figura 3.15: Localização de hc para um receptor específico (xr,yr,zr).
Uma vez que a altura efetiva da superfície está definida pela equação 3.53, a escala
da altura para um determinado receptor fica definida como a altura do ponto do terreno que
possui a maior altura efetiva (terreno com o maior efeito do receptor). Em outras palavras,
hc é a elevação do terreno no local com o heff máximo.
A figura 3.16 fornece um exemplo de como hc é determinado para dois casos
diferentes: 1) uma colina, e 2) terreno suavemente inclinado. Estes casos demonstram que
este procedimento produz uma escala de altura que é consistente com a divisão crítica da
altura da linha de corrente. A figura 3.16 mostra que o único hc da colina é a altura desta,
que é o esperado para o Hc neste caso. Para um declive suave o esperado é o hc que está
perto da altura do receptor. A figura 3.16 demonstra que, para o declive suave, a escala da
altura é essencialmente igual à altura do receptor.
75
FONTE: FERREIRA, 2005.
Figura 3.16: Determinação de hc para uma colina e terreno suavemente inclinado.
A escala da altura é calculada resolvendo a equação 3.53 no ponto do terreno
associado com o heff máximo, tal que:
{ }
{ }
ortt
eff
rrc
rxf
h
yxh
/
|
,
max
=
(3.54)
onde h
eff
|
max
é o h
eff
máximo dentro do domínio da modelagem e h
c
é a escala de altura do
receptor específico.
3.4. Comparação da Formulação Teórica dos Modelos ISC3 e AERMOD
A seguir apresentamos uma tabela resumo com a comparação e avaliação entre as
diversas características dos modelos gaussianos AERMOD ISC3 ( AERMOD, 1998d).
76
Tabela 3.3: Comparação entre os Modelos de Dispersão AERMOD e ISCST3
Característica
ISCST3
AERMOD
Comentários
Tipos de fontes
modeladas
Pontual, área, linha
e volumétrica
Mesmas que o ISCST3
Dados
meteorológicos de
entrada
São usados dados
em um nível.
Podem ser usados
dados de vários níveis.
AERMOD é capaz de
assimilar dados
meteorológico de
vários níveis, assim se
torna melhor.
Perfil dos dados
meteorológicos
Somente cria o
perfil da velocidade
do vento.
AERMOD cria o perfil
de vento, temperatura
e turbulência, usando
todos os níveis das
medidas disponíveis.
AERMOD supera o
ISCST3 nessa área.
Uso do dado
meteorológico na
dispersão da pluma
Variáveis do topo
da chaminé para
todas as distâncias
da preferencial do
vento.
Variáveis medidas ao
longo do
deslocamento da
pluma.
Tratamento dado pelo
AERMOD é mais
avançado que o do
ISCST3.
Dispersão da
pluma: tratamento
geral
Tratamento
Gaussiano na
horizontal e
vertical.
Tratamento Gaussiano
na horizontal e na
vertical quando o
condicionamento da
atmosfera está estável.
Tratamento da função
da densidade de
probabilidade não
gaussiana na direção
vertical.
Tratamento do
AERMOD para
dispersão vertical em
condição de
instabilidade, retrata
com mais realidade o
que realmente
acontece.
Tratamento urbano Opção urbana ou
rural, nenhuma
outra especificação
é avaliada. As
fontes são todas ou
urbana ou rural.
População é
especificada, assim é
possível tratar
variações dessa
condição; as fontes
podem ser modelas
individualmente como
rurais ou urbanas.
AERMOD propicia
um tratamento em
função da população
local, e é capaz de
perceber fontes
urbanas e rurais.
Caracterização do
uso do solo
Opção entre rural
ou urbano.
Usuário indica a razão
de Bowen, o albedo e
a rugosidade.
AERMOD dá ao
usuário mais opções
para caracterização do
uso do solo.
77
Parâmetros da
Camada Limite
Velocidade do vento,
altura de mistura e
condicionamento
atmosférico
Velocidade de
fricção,
comprimento de
Monin-Obukhov,
escala de velocidade
convectiva, altura de
mistura mecânica e
convectiva e fluxo
de calor sensível.
AERMOD fornece os
parâmetros requeridos
para o uso das
parametrizações da
camada limite
planetária; o ISCST3
não
Altura da
camada de
mistura
Esquema Holzworth;
usa interpolação
baseada na altura
máxima da camada de
mistura da tarde.
Altura de camada
limite mecânica e
convectiva; altura
convectiva baseada
no acumulo horário
do fluxo de calor
sensível.
Formulações do
AERMOD são
significativamente mais
avançadas que as do
ISCST3, inclui a
componente mecânica e
usando os dados de
entrada horários, fornece
um esquema mais
realístico das mudanças
diurnas da altura da
camada de mistura.
Descrição do
terreno
Elevação em cada
ponto de receptor.
Controle dos picos
de elevação e de
cada ponto de
receptor, obtidos
pelo pré-
processador
AERMAP.
AERMAP fornece
informações avançadas
de topografia e usa uma
base de dados digitais
para obter a elevação
dos receptores.
Dispersão da
pluma
Baseado somente em
6 classes de
estabilidade, baseado
nas classes de
estabilidade de
Pasquill-Gifford.
Baseado na Teoria
da Similaridade, usa
perfil de turbulência
vertical e horizontal.
Tratamento provido pelo
AERMOD é
substancialmente mais
avançado que o do
ISCST3.
78
CAPÍTULO IV
CARACTERIZAÇÃO DA REGIÃO
O Estado do Rio de Janeiro tem uma área de 43.910 km
2
, está situado na região
Sudeste, sua Região Metropolitana (RMRJ) é composta por 20 municípios, Rio de Janeiro,
Mangaratiba, Itaguaí, Seropédica, Paracambi, Japeri, Queimados, Nova Iguaçu, Nilópolis,
Mesquita, São João do Meriti, Belford Roxo, Duque de Caxias, Magé, Guapimirim,
Itaboraí, São Gonçalo, Niterói, Marica e Tanguá (Maia, 2005).
A Região Metropolitana do Rio de Janeiro (RMRJ), entre as regiões metropolitanas
existentes no país, é a que apresenta a maior densidade demográfica, aproximadamente
1.700 hab/km
2
, e responsável pela geração de cerca de 80% da renda interna do Estado do
Rio de Janeiro e de 13% da nacional. Possui a segunda maior concentração de população,
de veículos, de indústrias e de fontes emissoras de poluentes do país (FEEMA 2003).
A influência topográfica e meteorológica da região indicam a necessidade de
subdividi-la em sub-áreas, para que a caracterização de cada uma dessas regiões seja feita
de maneira mais homogênea. Então a Fundação Estadual de Engenharia do Meio Ambiente
(FEEMA) dividiu a RMRJ em quatro sub-regiões que foram denominadas “Bacias Aéreas”.
A identificação da RMRJ e suas bacias aéreas são mostradas na figura 4.1.
79
FONTE: FEEMA 2003
Figura 4.1: Delimitação das Bacias Aéreas da RMRJ.
• Bacia Aérea I: área de 730 km
2
compreende os distritos de Itaguaí e Coroa
Grande, no município de Itaguaí; os municípios de Seropédica, Queimados e Japerí e as
regiões administrativas de Santa Cruz e Campo Grande, no município do Rio de Janeiro.
• Bacia Aérea II: área de cerca de 140 km
2
, envolve as regiões administrativas de
Jacarepaguá e Barra da Tijuca, no município do Rio de Janeiro.
• Bacia Aérea III: área de cerca de 700 km
2
. Abrange os municípios de Nova
Iguaçu, Belford Roxo e Mesquita; os distritos de Nilópolis e Olinda, no município de
Nilópolis; os distritos de São João de Meriti, Coelho da Rocha e São Mateus, no município
de São João de Meriti; os distritos de Duque de Caxias, Xerém, Campos Elíseos e Imbariê,
no município de Duque de Caxias; os distritos de Guia de Pacobaíba, Inhomirim e Suruí, no
município de Magé e as regiões administrativas de Portuária, Centro, Rio Comprido,
Botafogo, São Cristóvão, Tijuca, Vila Isabel, Ramos, Penha, Méier, Engenho Novo, Irajá,
80
Madureira, Bangu, Ilha do Governador, Anchieta e Santa Tereza, no município de Rio de
Janeiro.
• Bacia Aérea IV: área de cerca de 830 km
2
, abrange parte do Município de
Niterói, além dos municípios de São Gonçalo, Itaboraí, Magé e Tanguá.
A área selecionada para as simulações no presente trabalho é a Bacia Aérea III por
assumir um papel de destaque em relação às demais, já que abriga a maior parte da
ocupação urbano-industrial do Estado e, conseqüentemente, tem um potencial elevado de
fontes de emissão de poluentes. Segundo Pires (2005), é considerada a área prioritária para
ações de controle da gestão da qualidade do ar.
4.1 – Caracterização Climatológica
A caracterização climatológica da região de estudo é de suma importância já que a
climatologia, junto com os sistemas que afetam uma dada região, podem alterar a dispersão
de poluentes, facilitando ou não o processo.
A Região Sudeste, devido à sua posição latitudinal, caracteriza-se por ser uma
região de transição entre os climas quentes das baixas latitudes e o clima temperado das
latitudes médias. O sul da Região Sudeste é afetado pela maioria dos sistemas sinóticos que
atingem o sul do país, com diferença nas intensidades. Já o norte da referida Região não é
regularmente atingido pelos sistemas frontais, que vem a percorrer uma trajetória marítima,
afastando-se do continente.
A Região Sudeste também é caracterizada pela atuação de sistemas que associam
características de sistemas tropicais com sistemas típicos de latitudes médias. Durante os
meses de maior atividade convectiva, a Zona de Convergência do Atlântico Sul (ZCAS) é
um dos principais fenômenos que influenciam no regime de chuvas.
81
Nas regiões serranas, localizadas na parte leste da Região Sudeste, são registrados
os extremos mínimos de temperatura durante o inverno. Essas regiões são caracterizadas
pela presença de intensa atividade convectiva nos meses de maior aquecimento radiativo.
A figura 4.2 apresenta o comportamento da temperatura máxima anual e da
temperatura mínima anual, onde se pode observar que para a Região Sudeste a temperatura
máxima fica entre 21
0
C e 33
0
C e a temperatura mínima entre 9
0
C e 18
0
C. A temperatura
média anual está na faixa de 15
0
C a 24
0
C, como pode ser observada na figura 4.3.
Fonte: Adaptado de INMET
Figura 4.2: Comportamento das temperaturas máxima e mínima anuais, segundo as
normais climatológicas de 1931/1990.
82
Fonte: INMET
Figura 4.3: Comportamento da temperatura média anual, segundo as normais
climatológicas de 1931/1990.
Em geral a precipitação se distribui uniformemente, com precipitação anual
variando de 1.500 mm a 2.000 mm, segundo as normais climatológicas de 1931-1990
(INMET). A Figura 4.4 mostra esse comportamento.
Fonte: INMET
Figura 4.4: Comportamento da Precipitação Anual segundo às normais
climatológicas de 1931/1990.
83
Fenômenos originados à longas distâncias, como o El Niño, podem conduzir a
alterações climáticas temporárias e com magnitude significativas.
Para o Estado do Rio de Janeiro, evidencia-se uma marcante diversidade climática.
As temperaturas médias são fortemente influenciadas pela combinação dos fatores relevo e
altitude, assim como o regime e a distribuição dos totais pluviométricos são notoriamente
modificados, segundo a posição do local, se a barlavento ou a sotavento dos ventos úmidos
carregados pelas circulações de brisas marítimas na maior parte do ano (Oliveira, 2003).
A presença do Oceano Atlântico também é um importante elemento para a
caracterização climática do Estado do Rio de Janeiro. Ele funciona como um regulador
térmico, provendo assim a suavização das temperaturas nas faixas litorâneas. A elevada
umidade do ar e os elevados índices pluviométricos que ocorrem no estado, confirmam essa
intensa influência da maritimidade no clima regional.
Toda diversidade climática decorre de uma série de fatores locais e atmosféricos, e
isso não deixa de acontecer no Estado do Rio de Janeiro, a interferência de sua topografia
acidentada e compartimentada, é marcante. A associação relevo-altitude-maritimidade é
responsável pelo aumento da turbulência do ar, podendo induzir a formação convectivas
com conseqüentes chuvas nas Serra do Mar e Mantiqueira.
O Estado encontra-se submetido aos ventos regionais de Leste e Nordeste, que
sopram do Anticiclone Subtropical do Atlântico Sul. Este centro de alta pressão é
responsável pela manutenção das temperaturas médias relativamente elevadas, os altos
níveis de umidade relativa, está geralmente associado a céu claro ou com poucas nuvens e
ausência de fenômenos meteorológicos significativos.
As características climatológicas da cidade do Rio de Janeiro, por extensão parcial
da Bacia Aérea III, apresentam relativa variabilidade em virtude da topografia
extremamente complexa e das peculiariedades da região. As montanhas, na maior parte
paralelas à orla marítima, atuam como barreira física aos ventos predominantes de
84
procedência oceânica, não permitindo a ventilação adequada às áreas situadas mais para o
interior.
4.1.1 Sistemas que atingem a Região Sudeste
Segundo SEABRA (2004), entre os principais sistemas meteorológicos que afetam a
região sudeste do Brasil, estão as tempestades isoladas, as frentes frias, as linhas de
instabilidade e a ZCAS. Esses sistemas, na verdade, possuem escalas temporais, sazonais e
horizontais diferentes e, por isso, podem causar mais ou menos precipitação em um mesmo
intervalo de tempo. Os processos de formação e desenvolvimento de cada um dos sistemas
supracitados são descritos, de forma simples, nos próximos itens.
4.1.1.1 Tempestades Isoladas
Ocorre principalmente no verão, devido ao aquecimento local, formando uma única
nuvem, acompanhada em geral de trovões, descargas elétricas, granizo e ventos fortes. A
nuvem característica é a cumulunimbus (Cb), uma nuvem em forma de torre, que se
expande lateralmente no topo, assumindo a configuração de uma bigorna. O grande
desenvolvimento dos Cbs acha-se associado à presença de ar quente, úmido e instável. O
desenvolvimento local está condicionado a um forte gradiente térmico vertical, como
resultado do aquecimento diurno, que atinge maiores proporções no período da tarde. Essa
nuvem tem tempo de vida entre 30 e 60 minutos e possui três estágios durante seu ciclo de
vida, conforme ilustra a Figura 4.5: estágio cúmulus (formação), maturação e decaimento
(ou dissipação) (AHRENS, 1993). Essas etapas do ciclo de vida são descritas a seguir:
• formação - durante esta fase, existe somente correntes ascendentes no interior da
nuvem, levando ar úmido da superfície para altos níveis; não existe tempo suficiente
85
para ocorrer precipitação, e a corrente ascendente mantém as gotas de chuva e
cristais de gelo suspensos dentro da nuvem; também não ocorrem relâmpagos ou
trovoadas;
• maturação - enquanto a nuvem se desenvolve, as gotas de chuva crescem e tornam
-se mais pesadas, até o ponto em que o ar em ascensão, no interior da nuvem, não é
mais capaz de mantê -la em suspensão, e elas começam a cair; a queda das gotas
dentro da nuvem dá origem às correntes descendentes; durante esse estágio, a
tempestade é mais intensa; a nuvem pode alcançar uma altura entre 12 km e 8 km de
largura em sua base; nesta fase, já podem ocorrer relâmpagos e trovoadas, além de
forte vento em superfície; a precipitação pode ser acompanhada por granizos;
• dissipação - ocorre quando as correntes ascendentes enfraquecem e as descendestes
predominam no interior da nuvem; ocorre precipitação fraca.
Fonte: AHRENS, 1993.
Figura 4.5: Modelo simplificado do ciclo de vida de uma célula simples.
Como exemplo, na figura 4.6, é apresentada a foto de um cumulunimbus.
86
Fonte: DHN, 2004.
Figura 4.6: Foto de um cumulunimbus.
4.1.1.2 Frentes Frias
Os conceitos de massas de ar e frentes foram introduzidos na literatura e na previsão
do tempo nas décadas de 20 e 30. Desde então, esses conceitos têm sido amplamente
adotados e ainda figuram como base importante na análise do tempo.
Quando ocorre o encontro de duas massas de ar, de características diferentes, elas
não se misturam imediatamente. A massa mais quente, menos densa, sobrepõe-se à massa
menos quente, mais densa. A zona de transição entre essas duas massas de ar, que apresenta
fortes gradientes de temperatura e umidade, é denominada zona frontal ou frente.
A frente é, portanto, uma zona de transição, que se comporta como uma linha de
descontinuidade, com elevados gradientes de temperatura e umidade entre massas de ar,
cujas características térmica e de quantidade de vapor d’água são diferentes (VIANELLO e
ALVES, 2000).
87
Uma frente fria é definida como aquela ao longo da qual o ar frio está deslocando o
ar quente. A figura 4.7 apresenta os padrões de nuvens e precipitação típicas em uma vista
lateral de uma frente fria. O ar frio e denso na frente força o levantamento do ar quente. Se
o ar quente levantado é úmido e instável, ele condensa em uma série de nuvens cumulus e
cumulunimbus (Cb). Ventos fortes nos níveis altos transportam os cristais de gelo formados
perto dos topos das nuvens Cbs em nuvens cirrostratus (Cs) e cirrus (Ci). Essas nuvens
geralmente aparecem na dianteira de uma frente fria.
Durante a aproximação de uma frente fria, ocorre sensível redução da pressão
atmosférica e elevação da temperatura do ar. Após a passagem da mesma, a pressão
atmosférica sobe rapidamente e a temperatura do ar sofre uma redução acentuada.
Fonte: LAMMA, 2003.
Figura 4.7: Esquema da penetração de um sistema frontal no hemisfério sul
Na Figura 4.8, é apresentada, de forma ilustrativa, uma imagem do satélite GOES-
12 do dia 11 de junho de 2004, no horário das 1745Z, no canal infravermelho, com uma
frente fria atuando nos estados de Santa Catarina, Paraná, Mato Grosso do Sul e São Paulo.
88
Fonte: CPTEC, 2004.
Figura 4.8: Imagem do satélite GOES -12 às 1745Z do dia 11/06/2004.
Existem dois tipos principais de frentes frias, as de deslocamento rápido e aquelas
com deslocamento lento. O deslocamento rápido de uma frente fria pode, eventualmente,
formar, em sua dianteira, Cbs organizados em forma de linha, ocasionando trovoadas e
pancadas de chuva. Este fenômeno é denominado linha de instabilidade.
4.1.1.3 Linhas de Instabilidade
As linhas de instabilidade (LIs) ocorrem em áreas tanto tropicais como
extratropicais e em áreas continentais e oceânicas, causando, entre outros, altas taxas de
precipitação (RAY, 1986). Segundo VIANELLO e ALVES (2000), as linhas de
instabilidade desempenham importante papel no regime pluvial das regiões norte, centro-
oeste e sudeste do Brasil.
89
As LIs caracterizam-se pelo conjunto de nuvens do tipo cbs em forma de linha. As
formas mais comuns de tempo severo são as ventanias próximas ao solo. Ocorrem ainda
descargas elétricas e, em alguns casos, granizo.
As condições favoráveis em grande escala para a formação das LIs incluem ar
quente e úmido em baixos níveis e ar relativamente mais frio acima. Em adição, uma
camada de ar seco em níveis médios exatamente acima da camada úmida em baixos níveis
(RAY, 1986).
Uma vez formada, a linha de instabilidade promove seu próprio mecanismo de
alimentação, formando novas nuvens e deslocando-se. O deslocamento geral das linhas de
instabilidade no Brasil e, em especial, no estado do Rio de Janeiro é de oeste para leste, em
geral à frente de uma onda frontal (VIANELLO e ALVES, 2000).
4.1.1.4 Zona de Convergência do Atlântico Sul
A circulação atmosférica durante o verão na América do Sul (AS) apresenta alguns
sistemas bem definidos, em altos níveis, como o anticiclone centrado na Bolívia, conhecida
como alta da Bolívia (AB), que é formada pelo aquecimento da superfície na região do
Chaco, e um cavado próximo à costa do nordeste brasileiro. Já em baixos níveis, a
circulação atmosférica na América do Sul apresenta um escoamento de norte no centro do
continente, que é importante para o transporte de umidade da região amazônica para o
Brasil central e regiões sul e sudeste do país.
Outra importante característica na circulação atmosférica na AS durante o verão é a
Zona de Convergência do Atlântico Sul (ZCAS). Esse fenômeno é caracterizado por uma
banda de nebulosidade quase estacionária, por períodos que variam de 4 a 20 dias,
orientada na direção NW/SE, estendendo-se desde a Amazônia até o oceano Atlântico Sul,
associada a uma zona de convergência de umidade que se prolonga até a média troposfera
(CARVALHO et al., 2004). Devido a sua persistência, a ZCAS exerce um papel importante
90
no regime de chuvas na região atuante, acarretando altos índices pluviométricos
(SANCHES, 2002). Na imagem do satélite GOES-8 do dia 06 de janeiro de 1999 no
horário das 03Z (Figura 4.9), canal infravermelho, é possível observar a configuração de
uma ZCAS, que atuou nas regiões sudeste e centro-oeste no período de 06 a 18 de janeiro
de 1999 (CLIMANÁLISE, 1999).
Fonte: CPTEC, 2004
Figura 4.9: Imagem do satélite GOES-8 do dia 06/01/1999 às 03Z no canal
infravermelho.
4.1.2 – Caracterização Climatológica da Bacia Aérea III
A caracterização da Climatologia da Bacia Aérea III está baseada nas normais
climatológicas do período de 1931/1990 (INMET 2007), para a estação Rio de Janeiro
(latitude: 22
0
53’S e longitude: 43
0
11’ W), se buscou avaliar alguns dos principais
parâmetros primários, que atendessem aos interesses de estudos relacionados a qualidade
91
do ar da região, estes parâmetros foram: pressão atmosférica, temperatura do ar, umidade
relativa do ar, precipitação e vento.
4.1.2.1 – Pressão Atmosférica
Em base diária, ocorrem pequenas flutuações dos valores ao nível da superfície do
solo, apresentando dois máximos e dois mínimos relativos. Os valores de pressão
atmosférica são maiores no inverno se comparados com os valores no verão. A análise da
variabilidade mensal mostrou um máximo em julho e um mínimo em dezembro.
A figura 4.10 mostra o comportamento das normais climatológicas de pressão
atmosférica, a partir dela podemos confirmar a sazonalidade do comportamento da pressão
atmosférica, que tem seus maiores valores no inverno e menores durante o verão. A
diferença está no ponto máximo, onde nas normais climatológicas, observamos o seu maior
valor no mês de julho.
FONTE: INMET
Figura 4.10: Comportamento da pressão atmosférica, para estação Rio de Janeiro,
de acordo com as normais climatológicas.
92
4.1.2.2 – Temperatura do Ar
A figura 4.11 mostra o comportamento das máximas e mínimas temperaturas. A
figura 4.12, também baseada nas normais climatológicas, mostra o comportamento da
temperatura média. Nas duas figuras é possível perceber o comportamento sazonal, com
temperaturas mais altas no período de verão e baixas no período de inverno. Essas
diferenças residem basicamente na combinação do resfriamento causado pela ação das
massas polares migratórias, a nebulosidade e a intensidade de radiação solar incidente ao
nível da superfície.
FONTE: INMET
Figura 4.11: Comportamento das máximas e mínimas temperaturas, para estação
Rio de Janeiro, de acordo com as normais climatológicas.
FONTE: INMET
Figura 4.12: Comportamento da temperatura média, para estação Rio de Janeiro, de
acordo com as normais climatológicas.
93
4.1.1.3 – Umidade Relativa do Ar
Na figura 4.13 temos o comportamento da umidade relativa do ar, das normais
climatológicas, onde podemos perceber durante um período longo com registros no valor
próximo à 80% e valores baixos no período de aproximadamente um mês, possivelmente
associado ao forte aquecimento solar acompanhado por longo período de estiagem.
FONTE: INMET
Figura 4.13: Comportamento da umidade relativa do ar, para estação Rio de Janeiro,
de acordo com as normais climatológicas.
4.1.1.4 – Precipitação
As precipitações no Rio de Janeiro estão associadas a diversos mecanismos
atmosféricos como, frentes frias, linhas de instabilidade e formações convectivas regionais.
As frentes frias dentre esses fenômenos são as que têm caráter mais intenso se foram
considerados as chuvas e ventos.
A introdução aos estudos referentes a climatologia das precipitações no Rio de
Janeiro não pode deixar de apresentar os resultados das observações de longo período,
94
trazidas pelas normais climatológicas, que revelam um período mais chuvoso no verão,
com cerca de 15 dias de chuvas, que tem origem nas perturbações frontais, pré-frontais e
orográficas regionais. No inverno, mais precisamente em agosto, os totais mensais de
precipitação decaem abaixo de 50mm, com um número médio de 6 dias de chuvas
(menores totais de precipitações) e têm nas frentes frias os únicos mecanismos geradores
dessas precipitações.
A figura 4.14 mostra o comportamento da precipitação, trazidos pelas normais
climatológicas onde se observa os meses mais chuvosos e os meses de seca.
FONTE: INMET
Figura 4.14: Comportamento da precipitação, para estação Rio de Janeiro, de acordo
com as normais climatológicas.
95
4.1.1.5 – Vento
De modo geral, na maior parte do ano, predominam os regimes de circulação de
mesoescala na área litorânea do Rio de Janeiro, em virtude, principalmente, das brisas
marítimas originadas pelo aquecimento diferencial entre o continente e o oceano. Tais
sistemas passam a se desfigurar a partir da movimentação dos sistemas transientes de larga
escala, como as massas de ar polares e suas correspondentes áreas de convergência (frentes
frias) com ar tropical mais aquecido.
Constituem parâmetros de extrema relevância nos processos de poluição do ar nas
diversas escalas de ocorrência (local, regional ou global), pois deles resultam,
respectivamente, o sentido do deslocamento da pluma de poluição e a capacidade de
dispersão da mesma.
De acordo com JOURDAN (2007), que em seu trabalho estudou o regime de ventos
da RMRJ, e para a Bacia Aérea III, utilizando dados do aeroporto Santos Dumont, da
estação do centro da FEEMA, do aeroporto do Galeão e do aeroporto dos Afonsos, de
maneira geral, o vento possui menor intensidade e direção predominante de componente
norte, sentido continente-oceano, nas horas do dia em que a região se encontra menos
aquecida (madrugada e manhã). Nas horas do dia em que a região se encontra mais
aquecida o vento possui componente predominante de sul, sentido oceano-continente, e
valores maiores de intensidade. Este fato indica uma modulação dos ventos de acordo com
o mecanismo de brisa marítima/terrestre. Adicionalmente, diversas outras circulações
locais induzidas pelo aquecimento diferenciado da superfície também estariam atuando, tais
como brisas de vale-montanha, lacustres e aquelas provocadas pela urbanização na RMRJ.
No aeroporto Santos Dumont o padrão de vento norte-sul observado nas diferentes
estações do ano, figura 4.15b-e, é comparável ao padrão anual, figura 4.15a. No entanto
algumas diferenças podem ser notadas. No verão e na primavera, figura 4.10b e 4.10e) a
direção sul é mais freqüente do que no período anual, enquanto no outono e no inverno,
figura 4.15c e 4.15d, diminui a freqüência de registros da direção sul e aumenta a
96
freqüência de ventos de norte. No inverno, figura 4.15d, os ventos com componente de
norte são mais freqüentes que os ventos de direção sul. Além disso, as situações de
calmaria são pouco freqüentes (freqüência inferior a 5%) e não se observa uma variação
significativa da freqüência de calmarias entre as diferentes estações do ano.
(a)
(b) (c)
(d) (e)
Fonte: JOURDAN, 2007.
Figura 4.15: Rosa dos ventos do aeroporto Santos Dumont: (a) anual, (b) verão, (c) outono,
(d) inverno e (e) primavera.
97
Na estação do Centro as rosas dos ventos feitas para cada estação do ano, figura
4.16b-e, revelam um padrão de ventos sudeste-nordeste bem semelhante ao padrão anual
(Fig. 4.16a). As diferenças mais significativas estão relacionadas a maior freqüência da
direção sudeste observadas na primavera e no verão, figuras 4.16b e 4.16e, e a menor
freqüência da direção noroeste observada durante a primavera, figura 4.16e. Ainda na
primavera, nota-se o registro de ventos intensos de leste (aproximadamente 10ms
-1
),
aspecto este que difere significativamente dos fracos ventos (menores do que 4ms
-1
)
registrados em todas as épocas do ano. Já no outono e no inverno, figuras 4.16c e 4.16d, a
freqüência dos ventos de sudeste diminui. Outro destaque está relacionado à variação no
registro de calmarias. Estas calmarias representam aproximadamente 20% do total de
observações no verão e 40% do total de observações no inverno.
98
(a)
(b) (c)
(d) (e)
Fonte: JOURDAN, 2007.
Figura 4.16: Rosa dos ventos da estação Centro: (a) anual, (b) verão, (c) outono, (d) inverno
e (e) primavera.
99
O padrão de vento no aeroporto do Galeão varia pouco entre as diferentes estações
do ano (Fig. 4.17a-e). Destaca-se um certo aumento da freqüência de ventos do quadrante
sudeste durante a primavera e o verão (Fig. 4.17b e 4.17e). No outono e no inverno também
ocorre um pequeno aumento da freqüência de ventos com componente de norte (Fig. 4.17c
e 4.17d). A estação do ano que apresenta a maior freqüência de situações de calmaria é o
inverno (aproximadamente 10%), no entanto esta freqüência não é muito diferente do
observado nas outras três estações do ano.
(a)
(b) (c)
(d) (e)
Fonte: JOURDAN, 2007.
Figura 4.17: Rosa dos ventos da estação Galeão: (a) anual, (b) verão, (c) outono, (d)
inverno e (e) primavera.
100
A análise dos resultados do aeroporto dos Afonsos para as diferentes estações do
ano destaca ventos de componente sul, figura 4.18b-e, da mesma forma destacada no
padrão anual, figura 4.18a. Entretanto, importantes diferenças podem ser notadas quando se
compara o verão e o inverno. O verão é a estação do ano que apresenta a maior freqüência
de ventos de sul e o inverno é a estação do ano que apresenta a menor freqüência de ventos
desta mesma direção, figuras 4.18b e 4.18d. Uma característica própria da primavera é o
aumento da freqüência de ventos de leste, figura 4.18e. A freqüência de calmarias é alta em
todas as estações do ano sendo que o inverno se destaca pela maior freqüência de situações
de calmarias (aproximadamente 40%) e ventos fracos, figura 4.18b-e.
101
(a)
(b) (c)
(d) (e)
Fonte: JOURDAN, 2007.
Figura 4.18: Rosa dos ventos da estação Afonsos: (a) anual, (b) verão, (c) outono, (d)
inverno e (e) primavera.
102
4.2 – Topografia e Uso do Solo
Os problemas de poluição do ar são agravados ainda pela topografia extremamente
complexa da Região. As montanhas, paralelas à orla marítima, atuam como barreira física
aos ventos predominantes do mar, não permitindo a ventilação adequada das áreas situadas
mais para o interior, como é o caso da maior parte dos municípios da Baixada Fluminense.
Na figura 4.19, ilustramos a topografia da região.
Figura 4.19: Topografia da Bacia Aérea III.
103
A bacia hidrográfica da Baía de Sepetiba caracteriza-se fisicamente por uma extensa
área plana e baixa, com trechos inundáveis e que a medida que se aproxima do extremo
oeste da Bacia Aérea III, confronta-se com a Serra do Mar. Esta bacia é formada pela
confluência doa rios Santana com o Ribeirão das Lajes, recebe os deságües dos rios
localizados fora da bacia.
Atualmente, o território onde hoje ocupa a Bacia Aérea III apresenta remanescentes
da Floresta Atlântica nas encostas da Serra do Mar, ao norte, localmente chamada Serra dos
Órgãos. Ao sul encontra-se vegetação de manguezais, sobretudo na faixa litorânea da Baía
de Guanabara.
Para a Bacia Aérea III, a análise da densidade demográfica, segundo o IBGE (2004),
revela a diversificada ocupação do solo de cada município, como mostrado pela figura 4.20.
FONTE: Adaptado de Dourado 2006.
Figura 4.20: Mapa de uso do solo, com destaque para RMRJ.
104
4.3 – Fontes de Emissão
No levantamento qualitativo e quantitativo das fontes de poluentes atmosféricos,
realizado na RMRJ, feito pela FEEMA em 2003, foram abordadas as emissões dos
poluentes regulamentados, material particulado, dióxido de enxofre, monóxido de carbono,
óxidos de nitrogênio e, ainda, hidrocarbonetos provenientes não só de atividades
industriais, como também de veículos automotores nas principais vias de tráfego. Fontes
como desgaste do solo, erosão eólica, etc, não foram consideradas, assim como fontes de
pequeno porte e as de baixo potencial poluidor para a atmosfera. Todos os poluentes
emitidos também deveriam ser considerados, porém, usualmente, restringiu-se aos
abrangidos pela legislação ambiental: óxidos de enxofre, óxidos de nitrogênio, monóxido
de carbono, material particulado e, por sua importância no contexto da formação do
oxidantes fotoquimicos, os hidrocarbonetos (FEEMA 2004).
A economia fluminense é amplamente baseada nas atividades industriais
desenvolvidas na RMRJ, sobretudo na Bacia Aérea III, onde se encontram os maiores
parques industriais da região, incluindo parte da indústria de construção naval do estado,
sobretudo no município do Rio de Janeiro, e parte expressiva da indústria química e
petroquímica já existente (Rio de Janeiro, Duque de Caxias e Nova Iguaçu). Cabe ainda
destacar que a Bacia Aérea III contém 3 dos 10 distritos industriais implantados no Estado
do Rio de Janeiro (Maia, 2005).
As tipologias industriais que apresentaram as emissões mais significativas, por tipo
de poluente, são mostradas na Tabela 4.1.
105
Tabela 4.1: Taxa de Emissão por Tipologia Industrial
Taxa de Emissão de Poluentes (t/ano)*1000 Tipologia
SO
2
NO
x
CO HC MP
10
Química 0,87 0,98 0,29 2,19 0,50
Petroquímica 0,39 6,06 1,07 4,74 0,24
Refino de Petróleo 27,77 5,43 1,04 18,45 1,88
Metalúrgica 0,29 0,60 0,18 0,03 0,64
Asfalto 0,22 0,19 0,61 0,18 0,12
Cerâmica 2,66 0,60 2,14 0,03 1,27
Lavanderia 0,15 0,07 0,01 0,00 0,01
Têxtil 0,42 0,17 0,08 0,01 0,04
Alimentícia 1,32 0,78 0,25 0,04 0,17
Farmacêutica 0,34 0,24 0,09 0,01 0,06
Cimenteira 0,18 0,18 0,09 0,01 0,07
Papel 0,29 0,10 0,01 0,00 0,02
Fumo 0,01 0,00 0,00 0,00 0,00
Vidro 0,34 0,67 0,04 0,02 0,13
Naval 0,02 0,00 0,00 0,00 0,01
Geração de Energia 20,37 14,02 0,47 0,12 5,40
Diversos 0,13 0,17 0,02 0,01 0,02
Total Geral 55,76 30,27 6,38 25,85 10,58
Fonte: FEEMA(2004)
SO
2
: dióxido de enxofre
NO
x
: óxidos de nitrogênio
CO: monóxido de carbono
HC: hidrocarbonetos
MP
10
: material particulado inalável
106
Também é importante focar nos tipos de fontes e qual a sua relação com cada poluente.
A tabela 4.2 resume os valores obtidos de acordo com o tipo de fonte e o poluente avaliado.
Tabela 4.2: Taxas de Emissão por tipo de Fonte na RMRJ
(x 1000 ton/ano)
Tipo de Fonte MP10 SO
2
NOX CO HC
Fixas 10,6 55,8 30,3 63,0 25,9
Móveis 7,8 7,5 60,2 314,7 53,4
Total 18,4 63,3 90,5 321,0 79,3
Fonte: FEEMA
As fontes móveis são compostas pelos meios de transporte aéreo, marítimo e
terrestre, em especial os veículos automotores que, pelo número e distribuição espacial,
passam a constituírem como fontes de destaque nas áreas urbanas. As fontes fixas são
compostas pelas indústrias e fábricas. Na figura 4.21, podemos observar as fontes fixas e o
traçado das principais vias de tráfego inventariadas na RMRJ, com destaque para a região
de interesse no presente estudo.
Fonte: Adaptado de FEEMA(2004)
Figura 4.21 Configuração da distribuição das fontes fixas e móveis inventariadas na RMRJ,
com destaque para a região da Bacia Aérea III.
107
CAPÍTULO V
METODOLOGIA
Neste capítulo será descrita a metodologia utilizada nas simulações da dispersão de
dióxido de enxofre (SO
2
) na atmosfera. Para tal foram utilizados os modelos AERMOD e
ISCST3. O período escolhido para o estudo foi o ano de 2002.
Como dito na introdução do trabalho, estudos com os poluentes CO e PM
10
foram
feitos, porém encontramos alguns problemas. Os níveis de concentração do monóxido de
carbono, na Bacia Aérea III da RMRJ, estão muito abaixo do padrão primário e secundário
de qualidade do ar, o que não caracterizaria um caso de interesse no que tange o problema
da poluição urbana. No caso do PM
10
, a carência de dados de emissão provenientes de ruas
não pavimentadas e pedreiras, fez com que os resultados obtidos ficassem muito distantes
da realidade, por não ter sido considerado na modelagem as emissões devido a essas fontes.
5.1 – Parâmetro de Dispersão Vertical
Segundo DRAXLER (1976), a aplicação da equação de difusão da pluma Gaussiana
requer o conhecimento do desenvolvimento tanto vertical, quanto horizontal da pluma. Esse
desenvolvimento é usualmente expressado em termos do desvio padrão da concentração
nas direções vertical e lateral, σ
y
e σ
z
, respectivamente.
Por tanto, o parâmetro de dispersão vertical pode ser considerado como o parâmetro
que expressa a dimensão vertical da pluma. Esse parâmetro é pedido ao usuário no
momento da caracterização da fonte linha.
108
VENKATRAM (2007), fez um estudo com fonte linha, usando o modelo AERMOD
e usou o valor de 1,4 para o parâmetro vertical.
No presente estudo, foi feito um teste de sensibilidade, onde valores de zero à 10
foram aplicados ao parâmetro de dispersão vertical, não obtendo nenhuma diferença
considerável nos valores de concentração obtidos com as simulações. Daí optou-se por
utilizar o mesmo valor aplicado por VENKATRAN (2007), isto é, 1,4.
5.2 – Parâmetros Topográficos, Categoria de Uso do Solo e Localizações do Estudo:
Para o desenvolvimento desse trabalho foram utilizadas as informações topográficas
com resolução de 90 metros que estão armazenadas em um arquivo no formato Modelo de
Elevação Digital (DEM – Digital Elevation Model), disponíveis na United States
Geological Survey - USGS (http://www.usgs.gov ou na
http://www.webgis.com/terr_us75m.html). Depois de tratado o arquivo com o programa
Global Map, o arquivo é assimilado pelo pré-processador AERMAP. A mesma base
topográfica é utilizada tanto para o AERMOD quanto para o ISCST3.
A área selecionada para a simulação do transporte de poluentes engloba a Bacia
Aérea III da RMRJ. Assim, foi desenvolvida uma grade cartesiana de receptores com 50 X
50 pontos, com espaçamento de 1000 metros nas direções x e y, compreendida entre as
coordenadas UTM: 644014,9S e 694014,9S; 745393,05W e 795393,05W. Um mapa, com a
apresentação da grade, está representada na figura 5.1.
109
Figura 5.1: Mapa da apresentação da localização da grade
Para a simulação, com o modelo AERMOD, também é necessário informar os
valores de albedo, razão de Bowen e rugosidade. Na tabela 5.1, são apresentados os valores
desses parâmetros de categoria de uso do solo urbano. No modelo ISCST3, o usuário
somente informa se a característica do solo é urbana ou rural.
Tabela 5.1: Valores utilizados para os parâmetros
Albedo Razão de Bowen Rugosidade
0,2 1 0,5
Foram utilizados 5 receptores, nos pontos onde se encontram estações de qualidade
do ar para que os resultados pudessem ser comparados. Esses receptores foram escolhidos
de acordo com suas localizações em relação às fontes. A tabela 5.2 mostra os receptores e
suas localizações em coordenadas UTM.
110
Tabela 5.2: Localizações dos Receptores
Coordenada UTM X Coordenada UTM Y
Largo da Carioca 686896,7 7465839,7
Campo de São Cristóvão 682403,8 7466694,5
Praça Saens Pena 681285,4 7463754,6
Copacabana 686529,8 7459229,7
Nova Iguaçú 660095,0 7482060,0
A figura 5.2 mostra a localização dos receptores e a topografia da região, com a
localização da estação do aeroporto do Internacional do Rio de Janeiro (SBGL), de onde os
dados meteorológicos para inicialização do modelo foram utilizados. Também mostra a
localização das cinco estações de qualidade do ar presentes no estudo, estação do Largo da
Carioca (CA), estação do Campo de São Cristóvão (SC), estações da Praça Saens Peña
(SP), estação de Copacabana (COPA) e estação de Nova Iguaçu (NI).
Através da figura também notamos que a Bacia Aérea III da RMRJ, tem formações
rochosas bastante significativas, porém nos limites da região, fazendo com que a grande
maioria de sua extensão seja uma região plana.
111
Figura 5.2: Mapa da topografia e localização dos receptores
A localização de cada receptor é importantíssima, pois a topografia da região e até
mesmo a existência ou não de grandes construções próximas, podem influenciar a dispersão
do poluente próximo a cada receptor. Conhecendo esses aspectos é possível fazer uma
melhor análise de como o poluente se comportaria próximo ao receptor. As figuras 5.3 até
5.7 mostram a localização de cada um dos receptores e nelas é possível perceber a
geografia local.
A estação Carioca, figura 5.3, se encontra entre grandes construções, o que pode
alterar a rota dos ventos e tornar o cálculo da dispersão bastante complicado, pela figura
5.2, também é possível perceber, a proximidade com a Baía de Guanabara, o que também
pode afetar o regime de ventos na região.
112
FONTE: Google Earth
Figura 5.3: Mapa com indicação da localização da estação Carioca.
A figura 5.4, mostra a localização do receptor da estação Copacabana, que por ficar
numa praça, Praça Cardeal Arcoverde, tem uma área com grandes construções, e ainda
observando a figura 5.2, podemos perceber uma condição bem particular devido à sua
proximidade com o mar e por estar quase cercada por montanhas que compõem o maciço
da Tijuca. Essa condição pode fazer com que o comportamento de ventos à superfície seja
muito particular.
113
FONTE: Google Earth
Figura 5.4: Mapa com indicação da localização da estação Copacabana.
O receptor de Nova Iguaçu, figura 5.5, é a que tem uma característica diferente dos
demais, fica localizada numa região descampada, e sem grandes construções ao seu redor.A
formação de montanhas próxima está localizada à LESTE da estação
FONTE: Google Earth
Figura 5.5: Mapa com indicação da localização da estação Nova Iguaçu.
114
Através figura 5.2 percebemos a formação rochosa próximo ao receptor SP, mais
especificamente à sudoeste do receptor.Com a apresentação da figura 5.6 notamos a
presença de grandes construções ao seu redor.
FONTE: Google Earth
Figura 5.6: Mapa com indicação da localização da estação Saens Peña.
O do receptor SC, através da figura 5.7, está localizado numa região menos
urbanizada que SP, porém tem proximidade com construções relevantes. O terreno nesse
local é plano, de acordo com a figura 5.2.
FONTE: Google Earth
Figura 5.7: Mapa com indicação da localização da estação São Cristóvão.
115
5.3 – Dados de Emissão:
Os dados de emissão foram baseados nos trabalhos de LOUREIRO (2005) e PIRES
(2005). O primeiro foi utilizado para obtenção dos dados de fontes móveis, o inventário das
fontes apresentado usou a metodologia de cálculos das emissões considerando os fluxos no
horário e dia de pico, a contagem não diferenciou os veículos por ano, categoria e
combustível utilizado (carros a álcool foram contabilizados como a gasolina) e não foi feita
diferenciação na contagem entre os veículos pesados (caminhões e os ônibus). O segundo
foi utilizado para a obtenção dos dados das fontes estacionárias, o processo de
desenvolvimento do inventário teve como base a metodologia recomendada pelo Emission
Inventory Improvement Program –EIIP da United States Environmental Protection Agency
– USEPA, para fontes estacionárias (FEEMA, 2004).
A tabela 5.3 mostrará todas as fontes móveis utilizadas no presente trabalho e suas
características.
116
Tabela 5.3: Característica das fontes móveis usadas nas simulações.
Nome da Fonte
Emissora
Coord. X*
UTM(m)
Coord. Y*
UTM(m)
Coord. X2*
UTM(m)
Coord. Y2*
UTM(m)
Comprimento
(m)
Largura
(m) SO
2
(g/s)
TRECHO-228A 676182 7478091 675697 7487576 9486,8 52 8,0588
TRECHO-28A 684697 7469909 692455 7469061 7811,4 20 4,9377
TRECHO-79 675227 7476203 679591 7472264 5858,6 57 6,1917
TRECHO-87 672818 7475303 668121 7473788 4948,3 48 5,1981
TRECHO-87B 665273 7471879 661758 7470394 3817,4 16 4,019
TRECHO-08 676364 7495606 676152 7491576 4036,2 30 3,4243
TRECHO-87A 668121 7473788 665333 7471848 3394,5 25 3,5776
TRECH0-85 672848 7475242 675364 7475909 2595,0 43 2,7414
TRECHO-09 676212 7491515 675727 7488515 3031,1 54 2,5785
TRECHO-81 679727 7469758 681333 7467727 2593,6 39 2,7271
TRECHO-80 679848 7472303 679758 7469727 2558,0 29 2,7149
TRECHO-28 682697 7467879 684667 7469909 2839,4 45 1,7896
TRECHO-143 683727 7465152 687030 7466273 3495,6 34 2,2488
TRECHO-173 675273 7468091 678000 7469576 3111,3 26 1,4106
TRECHO-102 667606 7477091 673606 7470818 8715,5 27 1,705
TRECHO-19 681606 7474848 684061 7477273 3451,9 17 1,4449
TRECHO-207 670030 7468394 667970 7464788 4154,5 14 1,5904
TRECHO-204 675273 7468091 674121 7466879 1673,2 19 1,0676
TRECHO-296 683485 7465242 679303 7461879 5374,0 15 1,6919
TRECHO-203 678030 7469545 679727 7469697 1695,8 13 1,1503
TRECHO-132 682758 7464758 687303 7465879 4685,2 15 1,1625
TRECHO-83 680818 7470515 681788 7467939 2738,1 8 1,6022
* Coord X, X2, Y e Y2 são os limites em UTM de cada uma das fontes.
Fonte:LOUREIRO (2005).
A figura 5.8, a seguir, mostra a localização das fontes móveis utilizadas nas
simulações. É importante citar que as fontes móveis foram configuradas nas simulações
como fontes linha, com a finalidade de terem uma melhor representação dentro do
problema.
117
Figura 5.8: Mapa da apresentação da localização das fontes móveis.
As fontes estacionárias foram configuradas como fontes áreas nas simulações e
foram determinadas a partir do mapa de densidade de emissão, que pode ser visto na figura
5.9, PIRES (2005).
118
Fonte: Pires, 2005.
Figura 5.9: Mapa de densidade de emissão de SO
2
.
119
A figura 5.10 mostra a localização das fontes áreas utilizadas nas simulações. Esse
tipo de fonte está representando todas as fontes fixas da Bacia Aérea III da RMRJ, para o
poluente do estudo.
Figura 5.10: Mapa da apresentação da localização das fontes área.
5.4 – Arquivo Meteorológico, de Qualidade do Ar e Período das Simulações:
As informações meteorológicas de superfície foram originadas dos dados
disponibilizados pela ACA/IAE/CTA (Divisão de Ciências Atmosféricas do Instituto de
Aeronáutica e Espaço do Comando Geral de Tecnologia Aeroespacial), são dados da
estação do Galeão (SBGL – 83746), de latitude 22,81S e longitude 43,25W. Como os
dados não foram encontrados originalmente no formato necessário para assimilação dos
pré-processadores AERMET, foi desenvolvido um programa em linguagem de
programação FORTRAN 90, tendo em vista processar os dados meteorológicos de
120
superfície para o formato CD-144. O formato que o RAMMET, pré-processador
meteorológico do ISCST3, também é o CD-144, que foi gerado da mesma base de dados,
porém, com dados da camada de mistura, e para tal foi utilizado o estimador.
Já as informações meteorológicas de altitude, foram originadas dos dados de
sondagens, desenvolvidas pela INFRAERO e, disponibilizados na página da Internet da
Wyoming University (http://wether.uwyo.edu/uppeair/sounding.html). Foi desenvolvido,
em linguagem de programação FORTRAN 90, um programa que teve em vista processar os
dados meteorológicos de altitude para o formato UA, assimilado pelo pré-processador
AERMET.
Os dados de qualidade do ar utilizados foram do ano de 2002, relativos a estações
da Prefeitura do Rio de Janeiro (Carioca, Copacabana, São Cristóvão e Saens Peña), e da
FEEMA (Nova Iguaçu). O inventário das fontes, foi feito com dados de 2001.
Como não foi possível a aquisição dos dados de qualidade do ar do ano em que foi
feito o inventário das fontes, para obtermos resultados mais próximos possíveis da
realidade, optamos por fazer o estudo baseado no ano de 2002. O que não prejudica o
estudo, já que o inventário não é válido somente para o ano em que é feito, tendo em vista
que o aumento da frota nesse curto período de tempo não sofre uma variação tão
significativa a ponto de prejudicar os resultados obtidos.
5.5 - Avaliação dos Resultados das Simulações:
Foram feitos gráficos para a análise do comportamento dos dados previstos e
observados e gráficos de dispersão, para todas as estações de qualidade do ar utilizadas
(receptores), separados por estação do ano.
121
HANNA (1998) e HANNA et al. (1991) propuseram alguns índices estatísticos a
fim de avaliar modelos de dispersão. Esses índices incluem o desvio fracional (Fb), o erro
médio quadrado normalizado (EMQN), coeficiente de correlação (COR), desvio fracional
padrão (Fs) e o fator de dois (Fa2). Os índices são descritos a seguir, onde X
P
e X
O
representam, respectivamente, os valores prognosticados e observados.
• Coeficiente de Correlação (COR): determina a relação linear entre duas
propriedades, neste caso, entre os valores simulados e os observados. A equação
para o coeficiente de correlação é:
(
)
OP
OP
.
X,XCov
COR
σσ
= (5.1)
onde
P
σ
e
O
σ
representam, respectivamente os desvios padrões de x e y. A
Covariância é dada por:
∑
−
−−=
n
1i
OOiPPiOP
)X)(X(
n
1
)X,X(Cov
µµ
(5.2)
Onde n é o número de elementos utilizados no cálculo e
P
µ
e
o
µ
são as médias
dos valores simulados e observados. O valor da correlação pode ir de -1 a 1, onde 1
indica que os valores têm o comportamento correlacionados, -1 indica que os valores
são inversamente correlacionados.
• Erro Médio Quadrático Normalizado (EMQN): este índice calcula a relação
entre os valores numéricos das concentrações observadas e previstas. O valor do
122
erro vai de 0 à infinito, onde o zero é considerado o valor ótimo. A fórmula do erro
é:
op
op
XX
XX
EMQN
2
)( −
=
(5.3)
• Desvio Fracional Padrão (Fs): indica se a dispersão simulada em torno da
concentração média é superestimada ou subestimada. Em outras palavras, se σ
p
>σ
o
,
o poluente simulado, está mais disperso que o observado, e também se σ
p
<σ
o,
no
caso contrário (-2
≤
Fs
≤
2).
op
op
Fs
σσ
σ
σ
+
−
=
)(2
(5.4)
• Desvio Fracional (Fb): determina se a concentrações médias simuladas
superestimam ou subestimam as concentrações médias observadas. Quando FB
tende a zero,
p
X tende a
o
X
(
)
( )
op
op
XX
XX
Fb
+
−
=
2
(5.5)
• Fator de Dois (Fa2): indica o percentual de partículas que se encontram dentro de
um erro de até 100%. Quanto mais próximo de 1, melhor o resultado.
o
p
X
X
Fa =2 (5.6)
Ao final do estudo, são apresentados os mapas de concentração máxima diária de
cada mês, com a finalidade de observar se houve ou não violação dos índices estabelecidos
pela resolução CONAMA 03/90.
123
5.6 – Legislação Brasileira sobre Qualidade do Ar:
A poluição do ar ocorre quando a alteração de composição da atmosfera resulta em
dados reais ou potenciais. Dentro desse conceito pressupõe-se a existência de níveis de
referência para diferenciar a atmosfera poluída da não poluída. O nível de referencia sob
aspecto legal é denominado Padrão de Qualidade do Ar no Brasil, os Padrões de Qualidade
do Ar vigentes, foram estabelecidos pela Resolução CONAMA n
o
3, de 26/06/1990 (tabela
5.4).
Tabela 5.4: Padrões de Qualidade do Ar – Resolução CONAMA 03/90
Poluente Tempo de
Exposição
Padrão
Primário
(µg/m
3
)
Padrão
Secundário
(µg/m
3
)
Partículas Totais em
Suspensão (PTS)
24 horas
anual
240
80
150
60
Dióxido de Enxofre
(SO
2
)
24 horas
anual
365
80
100
40
Monóxido de
Carbono (CO)
1 hora
8 horas
40.000
10.000
40.000
10.000
Ozônio (O
3
) 1 hora 160 160
Fumaça 24 horas
anual
150
60
100
40
Partículas Inaláveis
(PM
10
)
24 horas
anual
150
50
150
50
Dióxido de
Nitrogênio (NO
2
)
1 hora
anual
320
100
190
100
124
Vale ressaltar que os padrões primários estabelecem valores de concentrações que,
quando atingidos, podem ser prejudiciais à saúde da população e os padrões secundários
são os que delimitam uma concentração que além das quais poderá haver um incômodo ao
bem estar da população, assim como prejuízos à fauna, flora e meio ambiente como um
todo. Na verdade, os padrões secundários têm como objetivo definir uma base que auxilie
na política de prevenção à degradação da qualidade do ar, devendo ser aplicados em áreas
de preservação como, por exemplo, estâncias turísticas e parques nacionais (CETESB,
2004).
5.7 – Parâmetros Utilizados nas Simulações
Na tabela 5.5 apresentamos todos os parâmetros com seus respectivos valores e/ou
características utilizados para as simulações com os modelos de dispersão ISCST3 e
AERMOD, analisados no presente trabalho.
125
Tabela 5.5: Parâmetros Utilizados nas Simulações.
MODELOS
PARÂMETROS
ISC AERMOD
Poluente SO
2
SO
2
Urbano Urbano
População - 3133453
Uso do solo
Comprimento da camada
de rugosidade urbana
-
1,0 (m)
Terreno Elevado Elevado
Elevações de
receptores
Dados de saída
do AERMAP
Dados de saída do
AERMAP
Altura de emissão 0 0 Fonte Área
Orientação de ângulo 0 0
Dimensão vertical
(parâmetro de dispersão)
1,4
1,4
Fonte Linha
Altura de emissão 0 0
Fontes urbanas - todas
Origem X 644014,9 644014,9
Origem Y 7453493,05 7453493,05
Número de pontos 50 50
Grade
Espaçamento 1000 (m) 1000 (m)
Perfil de
Temperatura
Potencial
Base de elevação
10 (m)
10 (m)
126
CAPÍTULO VI
RESULTADOS
Neste capítulo serão apresentados os resultados obtidos com a simulação
computacional da dispersão de poluentes atmosféricos na Bacia Aérea III da RMRJ
utilizando os modelos AERMOD e ISCST3. O poluente considerado no estudo é o dióxido
de enxofre (SO
2
). Os resultados das simulações foram para as concentrações médias ao
nível do solo.
No trabalho foram consideradas 24 fontes área, que representaram as fontes fixas
emissoras de SO
2
na RMRJ, e 22 fontes linha, que representaram as fontes móveis para a
mesma região.
Os resultados obtidos foram para o ano de 2002 e estão divididos de acordo com as
estações do ano, sendo o verão de 1 de janeiro à 20 de março; outono 21 de março à 20 de
junho; inverno de 21 de junho à 23 de setembro e o primavera de 24 de setembro à 21 de
dezembro.
Primeiramente foram analisados os campos de ventos nas diferentes sub-áreas da
Bacia Aérea III da RMRJ, com o objetivo de verificar as diferenças de comportamento da
circulação atmosférica de superfície, no período da análise.
Em seguida é feita uma comparação entre os resultados das simulações e dos dados
de monitoramento da concentração média diária, para cada uma das estações do ano.
Logo após, foi feita uma análise dos modelos de qualidade do ar, com relação aos
resultados observados, através dos índices estatísticos, também divididas para cada estação
do ano.
127
Para completar a análise, serão apresentados gráficos de dispersão. Os gráficos
foram feitos relacionando os resultados apresentados pelos modelos com os dados
monitorados e por último, relacionando os resultados das simulações entre si.
Por fim, mostraremos mapas com as máximas concentrações médias diárias, para
todos os meses do ano, com o intuito de mostrar na região estudada a área mais afetada pela
emissão do SO
2
.
6.1 Custo Computacional
O custo computacional também é um importante fator à ser analisado. As
simulações dos modelos foram feitas em um Pentium4, 3,2MHz, com memória RAM de
512Mb e HD de 120 Gb.
A simulação de um mês dos modelos ISC apresentou um tempo computacional de
cerca de 40 minutos enquanto que o mesmo período simulado pelo modelo AERMOD
consumiu cerca de 18 horas de CPU.
6.2 Análise do Campo de Vento para a Bacia Aérea III para período de 2002
As análises dos campos de vento, assim como todos os tópicos abordados no
trabalho, como dito anteriormente, serão analisados para cada estação do ano.
Os modelos analisados só permitem que sejam usados dados meteorológicos de
entrada de somente uma localidade do domínio analisado. Dessa forma, sentimos a
128
necessidade de investigar o comportamento do campo de vento para algumas localidades da
Bacia Aérea III da RMRJ, a fim de ter uma melhor percepção do comportamento da
circulação em superfície na região e aferir a possibilidade de erros nas simulações devido a
consideração em um campo de vento uniforme.
Como os dados de entrada meteorológicos utilizados foram da estação SBGL, do
aeroporto do Galeão, iremos comparar o comportamento do campo de vento dessa estação
com o comportamento de ventos das estações do Centro, São Cristóvão e Nova Iguaçu,
todos localizados na região do estudo. O objetivo seria analisar o comportamento da
circulação em superfície em todas as estações receptoras, porém, não tivemos acesso aos
dados meteorológicos das estações da Praça Saens Peña e Copacabana.
Nas figuras 6.1a-d temos a distribuição das freqüências de direção e intensidade do
vento para o período do verão para a estação do Galeão, Centro, São Cristóvão e Nova
Iguaçu, representadas através de gráficos do tipo rosa dos ventos. Podemos perceber que
uma grande diferença no regime de vento nas estações selecionadas.
Na região do aeroporto do Galeão (SBGL), notamos uma distribuição do vento em
todos os quadrantes. As direções predominantes estão no setor E-S. O regime de calmaria
que corresponde a intensidade do vento menor que 1m/s, é de cerca de 4% de acordo com a
intensidade, podemos considerar no período uma predominância de ventos calmos e
moderados (<10m/s).
Para a região do Centro (CE), encontramos ainda uma ligeira distribuição da direção
do vento, menos acentuada, que o observado para a SBGL. Os ventos predominantes são de
SE e NW, não representando fidedignamente ao observado na SBGL. O regime de
intensidade é de ventos calmos com percentual de calmaria de cerca de 80%.
Na região de São Cristóvão (SC) os ventos predominantes são do setor NE e SW,
com baixa distribuição da direção do vento. O índice de calmaria é de cerca de 21% e
predominância de ventos calmos.
129
Na região de Nova Iguaçu (NI) podemos notar uma distribuição da direção do
vento, similar ao observado para o SBGL. No entanto notamos uma predominância da
direção dos ventos de NW e segunda predominância do setor SE. O índice de calmaria é de
cerca de 37% e regime de ventos calmos.
(a)
(b)
(c)
(d)
Figura 6.1 Rosa dos ventos no período do verão: (a) Galeão; (b) Centro; (c) São Cristóvão e
(d) Nova Iguaçu.
130
Nas figuras 6.2a-d são mostrados os campos de vento do período do outono, através
de gráficos do tipo rosa dos ventos, das estações SBGL, CE, SC, NI. A análise do regime
de vento para o outono é similar ao observado no período do verão para todas as sub-
regiões analisadas.
Podemos apenas ressaltar como diferença a diminuição do percentual de calmaria
nas estações CE e ligeiro aumento em NI e SBGL. Com relação a direção do ventos,
notamos uma intensificação do vento NW para a estação CE e NI.
(a)
(b)
(c)
(d)
Figura 6.2 Rosa dos ventos no período do outono: (a) Galeão; (b) Centro; (c) São Cristóvão
e (d) Nova Iguaçu.
131
Nas figuras 6.3a-d estão ilustradas as rosas de ventos, da estações SBGL,CE, SC e
NI, para o período do inverno, mostrando assim como se comporta o regime de ventos
nessas regiões.
Notamos um regime de vento nesse período praticamente idêntico ao padrão
observado no outono, para todas as sub-regiões, exceto a CE. Nessa localização notamos
uma intensificação do regime de calmaria em relação ao verão e outono. Na estação SC
notamos uma diminuição do regime da calmaria de cerca de 20% para 11%.
(a)
(b)
(c)
(d)
Figura 6.3 Rosa dos ventos no período do inverno: (a) Galeão; (b) Centro; (c) São
Cristóvão e (d) Nova Iguaçu.
132
As figuras 6.4a-d mostram o regime de vento, para o período da primavera,
representado através de gráficos do tipo rosa dos ventos, para as estações SBGL, CE, SC,
NI.
O padrão de vento observado é extremamente similar ao observado no período de
inverno, com ligeira diferença para as outras estações do ano. Esses resultados estão em
concordância à climatologia dos ventos na região, discutida no capítulo IV, onde foi
identificado não haver grande alteração sazonal do regime de vento.
(a)
(b)
(c)
(d)
Figura 6.4 Rosa dos ventos no período da primavera: (a) Galeão; (b) Centro; (c) São
Cristóvão e (d) Nova Iguaçu.
133
Observamos ainda, para todas as sub-regiões, uma diferença do padrão de vento,
sendo que a distribuição de direção do vento em NI é a que mais se aproxima do observado
no SBGL, onde os dados meteorológicos foram usados para assimilação nos modelos de
qualidade do ar AERMOD e ISCST3.
6.3 Análise Sinótica de 2002
Na tabela 6.1 apresenta-se um resumo do número de frentes frias que atingiram a
região, em todos os meses do ano de 2002.
Tabela 6.1: Número de frentes frias que atingiram o Estado do Rio de Janeiro em
2002.
Meses Ocorrências
Dias
Janeiro
2
15 / 24
Fevereiro
1
14
Março
1
21
Abril
1
3
Maio
3
3 / 8 / 21
Junho
3
14 / 22 / 24
Julho
5
7 / 11 / 17 / 23 / 27
Agosto
3
1 / 10 / 22
Setembro
4
1 / 7 / 14 / 21
Outubro
4
1 / 22 / 26 / 30
Novembro
2
5 / 12
Dezembro
5
4 / 8 / 21 / 25 / 31
A análise dessa freqüência de frentes é importante para o estudo da dispersão de
poluentes, pois como argumenta ARYA (1999), os modelos gaussianos não são aplicáveis
para situações meteorológicas governadas por sistemas transientes de tempo. Segundo
ARYA (1999) a atuação desses sistemas pode explicar o baixo índice de correlação,
134
encontrados nas comparações entre resultados dos modelos Gaussianos e dados de
monitoramento da qualidade do ar.
A figura 6.5 ilustra, para o ano em questão, a chuva acumulada mensal comparada
com as normais climatológicas de 1961/1990.
FONTE: INMET, 2007.
Figura 6.5: Chuva acumulada mensal e chuva (normal climatológica 61/90) para o
Rio de Janeiro.
As informações do índice de precipitação são importantes para análise do problema
da poluição atmosférica. O nível de chuva está diretamente associado ao processo de
deposição úmida, mecanismo de remoção de poluentes, que não foi considerado na
modelagem dos fenômenos simulados na análise do presente estudo. Dessa forma, uma
comparação desse índice com os resultados da avaliação dos modelos podem indicar as
possíveis fontes de discrepâncias identificadas nas análises.
135
6.4 Comparação entre os Resultados Simulados e de Monitoramento para a
Concentração Média Diária
As figuras 6.6 à 6.25 vêm com os gráficos de concentração das médias diárias, do
poluente dióxido de enxofre (SO
2
), mostrando o comportamento da dispersão para os cindo
receptores utilizados no presente trabalho, nas quatro estações do ano. Em cada um desses
gráficos estão representados as curvas dos resultados previstos pelas simulações e os dados
do monitoramento.
Foi observado que em nenhum momento do período analisado ocorreu violação ao
padrão primário de qualidade do ar, estabelecidos pela Resolução CONAMA 03/90, de
365µg/m
3
. Outro aspecto importante notado durante todo o período foi que os resultados
apresentados pelos dois modelos de dispersão de poluentes têm o comportamento muito
similar quando comparados entre si.
Os traços amarelos apresentados nos gráficos são os dias em que foi registrado
entrada de frente fria na região do estudo.
6.4.1 Verão
Na figura 6.6, referente aos dados da estação de qualidade do ar da Carioca, é
possível perceber os resultados do modelo ISC, em quase todos os períodos, superestima
ligeiramente os valores em relação ao AERMOD. Também existiu coerência entre o
comportamento dos dados previstos e observados, percebe-se que os resultados das
concentrações via modelos, na maior parte do período da análise permaneceram abaixo dos
níveis de concentração obtidos via monitoramento. Os períodos de maiores discrepâncias
entre os dados modelados e observados foram nos dias, 25 de janeiro à 2 de fevereiro, 18 à
22 de fevereiro e 6 à 14 de março.
136
Figura 6.6: Gráfico com o comportamento dos dados previstos e observados, na estação do
receptor da Carioca, para o período do verão.
A figura 6.7 mostra o comportamento dos resultados previstos e observados para a
estação de Copacabana (COPA), percebemos que a relação entre os dados previstos e
observados é difícil de ser percebida, através dos índices estatísticos essa relação será
melhor fundamentada. Os resultados via modelos, subestimam os valores quando
comparados aos monitorados, somente no dia 18 de janeiro, o resultado do modelo ISC
superestima o valor da concentração em relação ao monitorado. Notamos para essa estação
receptora, maiores discrepâncias entre os resultados das simulações e do monitoramento,
que o observado para a estação CE e ocorrem nos dias, 5 à 9 de janeiro; 2 à 10 de fevereiro;
18 à 24 de fevereiro e, 2 à 20 de março.
137
Figura 6.7: Gráfico com o comportamento dos dados previstos e observados, na estação do
receptor de Copacabana, para o período do verão.
O comportamento dos resultados previstos e observados na estação do receptor de
Nova Iguaçu é mostrado na figura 6.8 onde qualitativamente observamos uma melhor
concordância entre as simulações e monitoramento. Os períodos com maiores discrepâncias
foram: 18 à 22 de fevereiro e 6 à 10 de março.
Figura 6.8: Gráfico com o comportamento dos dados previstos e observados, na estação do
receptor de Nova Iguaçu, para o período do verão.
138
Os dados monitorados e os previstos da estação de qualidade do ar da Praça Saens
Pena (SP) estão ilustrados na figura 6.9, onde a comparação com os dados observados será
melhor analisada através do índices estatísticos. Em alguns períodos as simulações
superestimaram as observações, em outras o comportamento se inverteu. Os períodos de
maiores discrepâncias são: 1 à 5 de janeiro; 14 à 21 de janeiro;5 à 8 de fevereiro; 6 à 14 de
março e 16 à 2º de maço.
Figura 6.9: Gráfico com o comportamento dos dados previstos e observados, na estação do
receptor de Saens Peña, para o período do verão.
Aparentemente, através dos resultados mostrados na figura 6.10, os resultados
previstos estão em melhor concordância com as observações com relação às estações CE,
COPA e SP.
De um modo geral os resultados das simulações são inferiores aos dados de
monitoramento. No entanto, ocorreram breves períodos onde o comportamento se inverteu.
Os períodos de maiores discrepâncias são: 6 à 11 de janeiro, 15 à 18 de janeiro, 6 à 9 de
fevereiro, 5 à 14 de março e 16 à 21 de março.
139
Figura 6.10: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor de São Cristóvão, para o período do verão.
A análise qualitativa dos resultados indica que entre todos os receptores, a
comparação entre os resultados previstos e monitorados apresentam maior concordância na
estação NI. Uma possível explicação é a localização desse receptor, em área pouco afetada
por construções, como discutido no capítulo de metodologia e, a maior proximidade em
relação a SBGL, de onde os dados meteorológicos para a simulação foram utilizados.
Podemos observar que a partir da análise do padrão de vento que a estação NI está em
maior conformidade com a distribuição da direção do vento da estação SBGL.
6.4.2 Outono
Na figura 6.11, referente aos dados da estação de qualidade do ar da Carioca, é
possível perceber que os dados previstos tenderam a superestimar os dados observados,
com breves períodos onde esse comportamento se inverte.
Um comportamento inverso foi observado no período do verão. Vale ressaltar os
menores níveis de concentração observados pelo monitoramento em relação ao verão. Esse
140
menor nível pode estar associado ao maior número de entrada de frentes e índice de
precipitação acumulado, que deve conduzir para maiores discrepâncias entre o simulado e
observado no outono. Essa discussão será feita quantitativamente, com auxilio dos índices
estatísticos. Devido as grandes discrepâncias, não foi destacado um período onde as
simulações apresentam os piores resultados.
Figura 6.11: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor da Carioca, para o período do outono.
A figura 6.12 mostra o comportamento dos dados previstos e observados para a
estação de Copacabana. Durante todo período analisado ocorrem grandes discrepâncias
entre as simulações e observações. Os níveis de poluição no período, novamente, encontra-
se inferiores aos obtidos no período do verão. De uma forma geral os resultados das
simulações subestimaram os dados observados.
141
Figura 6.12: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor de Copacabana, para o período do outono.
O comportamento dos dados previstos e observados na estação do receptor de Nova
Iguaçu, é mostrado na figura 6.13, onde notamos uma tendência das simulações de
subestimarem os dados de monitoramento. No entanto, podemos afirmar que a
concordância entre simulação e monitoramento para estação NI é superior ao observado em
COPA e CE. Os períodos de maiores discrepâncias foram : 2 à 4 de maio, 13 à 15 de maio,
17 à 20 de maio, 27 à 30 de maio e 2 à 5 de junho. Os níveis de concentração de poluentes
são ligeiramente superiores aos observados no verão.
Figura 6.13: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor de Nova Iguaçu, para o período do outono.
142
Os dados monitorados e os previstos, da estação de qualidade do ar da Praça Saens
Pena, estão ilustrados na figura 6.14. Notamos que as simulações apresentam uma
tendência a superestimar os dados monitorados. As discrepâncias estão distribuídas por
todo o período, não sendo possível destacá-los.
Figura 6.14: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor da Saens Pena, para o período do outono.
De um modo geral, através do comportamento mostrado pela figura 6.15, notamos
que os resultados das simulações subestimaram os dados monitorados.
Figura 6.15: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor de São Cristóvão, para o período do outono.
143
Os níveis de concentração no receptor SC estiveram acima do nível monitorado no
verão.
Numa análise preliminar, notamos uma maior concordância entre as simulações e
monitoramento, para o receptor NI, como observado para o período do verão.
6.4.3 Inverno
No período, através da análise da tabela 6.1 e da figura 6.5, notamos um grande
número de entrada de frentes frias e uma maior distribuição das chuvas ao longo do período
do inverno considerado, que o observado no verão e outono.
Na figura 6.16, referente aos dados da estação de qualidade do ar da Carioca,
notamos uma alternância do comportamento, em determinados períodos as simulações
superestimam os dados da observação e em outras situações esse comportamento se inverte.
As maiores discrepâncias entre resultados simulados e dados observados estão nos
seguintes períodos: 27 de junho à 1 de julho, 9 à 13 de julho, 21 à 27 de julho, 8 à 14 de
agosto e 28 de agosto à 1 de setembro. Apesar do aumento das entradas de frentes no
período, não foi notado qualitativamente, uma redução nos índices de poluição em relação
ao verão.
Figura 6.16: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor da Carioca, para o período do inverno.
144
A figura 6.17 mostra o comportamento dos resultados previstos para a estação de
Copacabana. Como a estação de qualidade do ar ficou fora de funcionamento na maior
parte dos dias do inverno de 2002, é impossível verificar qualquer relação entre os
resultados previstos e os dados observados.
Figura 6.17: Gráfico com o comportamento dos dados previstos, na estação do receptor de
Copacabana, para o período do outono.
O comportamento dos dados previstos e observados na estação do receptor de Nova
Iguaçu, é mostrado na figura 6.18. As maiores discrepâncias foram observadas nos
seguintes períodos: de 11 à 17 de julho; 24 à 27 de julho; 4 à 6 de agosto, 20 à 24 de agosto
e 20 à 23 de setembro.
Figura 6.18: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor de Nova Iguaçu, para o período do outono.
145
Os dados monitorados e os previstos, da estação de qualidade do ar da Praça Saens
Pena, estão ilustrados na figura 6.19. Notamos claramente uma tendência dos resultados da
modelagem superestimar aos dados do monitoramento. Em alguns períodos podemos
identificar grandes discrepâncias entre os resultados como, por exemplo, entre 21 à 27 de
junho, 9 à 18 de julho, 27 de julho à 5 de agosto e 29 de agosto à 5 de setembro.
Figura 6.19: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor da Saens Pena, para o período do outono.
Através do comportamento mostrado pela figura 6.20 notamos uma alternância do
comportamento, em determinados períodos as simulações superestimam os dados da
observação e em outras situações esse comportamento se inverte.
As discrepâncias estão distribuídas por todo o período, não sendo possível destacar
períodos com as maiores diferenças.
146
Figura 6.20: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor de São Cristóvão, para o período do outono.
O inverno do período estudado foi o que registrou o maior número de entradas de
frentes frias na região, foram 14. Isso pode ser responsável pelas maiores discrepâncias
ocorridas, o que só poderá ser quantitativamente confirmado através dos índices
estatísticos.
6.4.4 Primavera
Na figura 6.21, referente aos dados da estação de qualidade do ar da Carioca,
é possível perceber a tendência dos resultados previstos em superestimar os dados
observados, com breves períodos onde esse comportamento se inverte. Esse
comportamento ocorreu no outono e é inverso ao ocorrido no verão. Os níveis de
concentração apresentam-se baixos, estando em quase todo o período abaixo de 25µg/m
3
, o
que pode estar relacionado ao elevado número de entradas de frentes ocorridas na região,
que no período da primavera foram 9. As maiores discrepâncias observadas, entre os
resultados previstos e os dados observados foram nos seguintes períodos: 30 de setembro à
1 de outubro, 29 de outubro à 3 de novembro, 18 à 26 de novembro, 2 à 9 de dezembro e 16
à 20 de dezembro.
147
Figura 6.21: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor da Carioca, para o período da primavera.
A figura 6.22 mostra o comportamento dos dados previstos para a estação de
Copacabana, a estação receptora só entrou em funcionamento novamente, no dia 25 de
outubro, portanto a análise foi feita a partir dessa data. Percebemos que as concentrações,
como na estação COPA, tem um baixo nível, abaixo de 23µg/m
3
, durante todo período.
Notamos que as discrepâncias estão distribuídas por todo o período, dificultando o
destaques das maiores ocorrências.
Figura 6.22: Gráfico com o comportamento dos dados previstos, na estação do receptor de
Copacabana, para o período da primavera.
148
O comportamento dos dados previstos e observados na estação do receptor de Nova
Iguaçu, é mostrado na figura 6.23, onde é possível percebera tendência dos resultados
previstos à superestimar os dados observados.
As maiores discrepâncias entre os resultados previstos e os dados observados são
observadas nos períodos de 30 de setembro à 2 de outubro, 20 à 22 de outubro, 25 à 28 de
outubro e 26 de novembro à 2 de dezembro.
Figura 6.23: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor de Nova Iguaçu, para o período da primavera.
Os dados monitorados e os resultados previstos, da estação de qualidade do ar da
SP, estão ilustrados na figura 6.24, onde notamos claramente a tendência dos resultados
previstos a superestimar os dados observados, os períodos onde esse comportamento se
inverte são breves. Durante todo o período analisado ocorrem grandes discrepâncias entre
as simulações e os dados observados.
149
Figura 6.24: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor da Saens Pena, para o período da primavera.
Na figura 6.25, referente aos dados da estação de qualidade do ar SC, notamos que
na maior parte do período analisado, os resultados previstos superestimam os dados
observados, porém, o comportamento inverso também acontece.
Notamos a existência de grandes discrepâncias entre os resultados previstos e os
dados observados, durante longos períodos, os mais intensos são: de 27 à 28 de setembro, 9
à 11 de outubro, 12 à 28 de novembro e 30 de novembro à 19 de dezembro.
Figura 6.25: Gráfico com o comportamento dos dados previstos e observados, na estação
do receptor de São Cristóvão, para o período da primavera.
150
Notamos que durante a primavera a melhor concordância entre as simulações e os
dados observados ocorreu na estação receptora NI, como observado em todas as estações
do ano. Esse comportamento pode estar associado à localização dessa estação receptora e
sua proximidade em relação a região onde os dados meteorológicos inseridos nas
simulações foram coletados .
6.5 Análise da Concentração Média Mensal – Modelos AERMOD / ISCST3 / Dados de
Monitoramento
Nas figuras 6.26 a 6.30 mostramos os gráficos da concentração média mensal do
poluente dióxido de enxofre para as cinco estações receptoras. Em cada figura estão
representadas as curvas dos resultados previstos pelos dois modelos e os dados de
monitoramento.
Mensal - Carioca
0
5
10
15
20
25
30
35
40
janeiro
fe
ve
reiro
mar
ç
o
abr
i
l
m
ai
o
j
unho
j
ulho
a
g
ost
o
s
etemb
r
o
outubro
novem
bro
dezemb
r
o
mês
AERMOD ISC OBSERVADO
Figura 6.26: Gráfico do comportamento anual da estação da Carioca.
151
Mensal - Copacabana
0
5
10
15
20
25
30
35
40
ja
nei
r
o
f
eve
r
ei
ro
març
o
a
bril
m
a
io
j
unho
julho
agosto
set
em
br
o
outub
ro
no
ve
mbr
o
dezembro
mês
AERMOD ISC OBSERVADO
Figura 6.27: Gráfico do comportamento anual da estação de Copacabana.
Mensal - Nova Iguaçu
0
2
4
6
8
10
12
14
16
18
20
ja
nei
r
o
f
eve
r
ei
ro
març
o
a
bril
m
a
io
j
unho
julho
agosto
set
em
br
o
outub
ro
no
ve
mbr
o
dezembro
mês
AERMOD ISC OBSERVADO
Figura 6.28: Gráfico do comportamento anual da estação de Nova Iguaçu.
152
Mensal - Saen Peña
0
5
10
15
20
25
30
35
40
janeiro
fe
ve
reiro
mar
ç
o
abr
i
l
m
ai
o
j
unho
j
ulho
a
g
ost
o
s
etemb
r
o
outubro
novem
bro
dezemb
r
o
mês
AERMOD ISC OBSERVADO
Figura 6.29: Gráfico do comportamento anual da estação da Saens Peña.
Mensal - São Cristóvão
0
5
10
15
20
25
30
35
40
janei
r
o
fevereiro
mar
ç
o
abril
maio
jun
h
o
j
ulho
ag
ost
o
set
em
b
r
o
outubro
no
v
em
b
r
o
d
e
z
e
m
bro
mês
AERMOD ISC OBSERVADO
Figura 6.30: Gráfico do comportamento anual da estação de São Cristóvão.
Notamos que os maiores desvios entre os resultados das simulações e observações
ocorreram para as estações SP e COPA. Os resultados indicaram ligeira variação do nível
de poluição em função das estações do ano, representando um comportamento similar entre
as simulações e o monitoramento.
153
Nos meses de verão notamos as maiores discrepâncias entre as comparações,
mesmo para as estações NI, SC e Carioca, onde os resultado dos modelos reproduziram
satisfatoriamente as observações. Esse comportamento pode ser explicado pela ocorrência
de inúmeros sistemas frontais que atingiram a região nesse período e o elevado índice
pluviométrico, vide Tabela 6.1 e figura 6.5. Como discutido anteriormente, essas situações
não foram consideradas na modelagem. A primeira devido às limitações intrínsecas dos
modelos gaussianos, como discutido por ARYA (1999) e o segundo devido à opção de não
considerarmos no trabalho os mecanismos de remoção úmida.
No mês de julho também foram registradas no Estado do Rio de Janeiro a atuação
de cinco sistemas frontais, porém o acumulo de chuva mensal já não foi tão evidente como
em dezembro. Em novembro foi registrado o segundo maior acumulo de chuva mensal, e
nesse mês em todas as estações é observado o afastamento entre os resultados previstos e os
dados observados.
Através das figuras, notamos como havia sido observado nas análises das
concentrações médias diárias, a concordância entre os resultados previstos pelos modelos
de qualidade do ar AERMOD e ISCST3.
6.6 Avaliações a partir dos Índices Estatísticos
De acordo com ARYA (1999), a hipótese de condição estacionária, necessária para
obtenção do modelo da pluma Gaussianas, implica em uma limitação intrínseca a esses
modelos na modelagem da qualidade do ar em situação de ocorrência de sistemas frontais.
Por exemplo, tais modelos não são propícios para simular a concentração de poluentes
durante uma passagem de frente fria ou ocorrência de uma tempestade. Isso faz com que os
resultados dos modelos tenham uma correlação baixa quando comparados aos dados de
monitoramento da qualidade do ar. De um modo geral, segundo ARYA (1999) o erro
154
associado aos modelos Gaussianos está em uma faixa superior a 50%, sendo consideradas
simulações satisfatórias aquelas onde as concentrações previstas estejam numa ordem entre
a metade e o dobro da concentração monitorada. Dessa forma, nesse item estaremos
analisando o desempenho dos modelos a partir de índices estatísticos que permitam avaliar
quantitativamente as situações de melhor desempenho dos modelos.
6.6.1 Verão
Na tabela 6.2 são mostrados os índices estatísticos calculados para os dados
previstos pelos modelos AERMOD e ISC, relacionados com os dados observados, para os 5
receptores, no período do verão.
Tabela 6.2: Índices Estatísticos do AERMOD e ISC X Observados
R
(A)
R
(I)
E
(A)
E
(I)
F2
(A)
F2
(I)
FB
(A)
FB
(I)
FS
(A)
FS
(I)
Carioca
0,161 0,085
0,945
0,606
0,542
0,729 -0,593 -0,313 -0,537 -0,409
Copacabana
0,335 0,310
2,746
2,639
0,244
0,255 -1,215 -1,188 -0,551 -0,459
Nova Iguaçu
0,298 0,308
0,760
0,765
1,306
1,530 0,265 0,419 0,412 0,419
Saens Peña
0,090 0,064
2,100
2,034
0,743
0,815 -0,294 -0,204 -0,570 -0,511
São Cristóvão
0,229 0,208
0,582
0,491
0,686
0,807 -0,373 -0,214 0,125 0,229
R (A): Correlação entre os dados previstos pelo AERMOD e os dados observados.
E (A): EMQN entre os dados previstos pelo AERMOD e os dados observados.
F2 (A): Fator de 2 entre os dados previstos pelo AERMOD e os dados observados.
FB (A):Desvio Fracional entre os dados previstos pelo AERMOD e os dados observados.
FS (A): Desvio Padrão entre os dados previstos pelo AERMOD e os dados observados.
R (I): Correlação entre os dados previstos pelo ISC e os dados observados.
E (I): EMQN entre os dados previstos pelo ISC e os dados observados.
F2 (I): Fator de 2 entre os dados previstos pelo ISC e os dados observados.
FB (I): Desvio Fracional entre os dados previstos pelo ISC e os dados observados.
FS (I): Desvio Padrão entre os dados previstos pelo ISC e os dados observados.
Pela tabela 6.2 é possível perceber que o índice de correlação entre os resultados
previstos e os dados observados foi insatisfatória. Porém, essa baixa correlação já era
esperada, como citado anteriormente, de acordo com as hipóteses do uso de modelos
Gaussianos. Os resultados com o AERMOD apresentaram, em geral, índice de correlação
ligeiramente superiores ao ISC3, com exceção da estação NI. Apesar das maiores
discrepâncias entre as simulações e observações na estação de COPA, o índice de
155
correlação para esse receptor, juntamente com o obtido para NI, apresentou os melhores
valores.
Os erros calculados foram mais baixos para as estações de São Cristóvão, Nova
Iguaçu e Carioca. Nas estações de Copacabana e Saens Pena os valores foram muito altos,
O modelo ISC teve erros ligeiramente inferiores aos obtidos com o AERMOD. Os modelos
apresentaram uma tendência a superestimar os valores de concentração monitorados apenas
na estação NI, como pode ser visto da análise do fator de dois e do desvio fracional. Os
resultados indicam que para todas as estações, com a exceção de COPA, os índices
estatísticos estão em concordância ao discutido na literatura científica ARYA (1999). Para
todas os receptores o fator de dois está na faixa entre 0,5 e 2,0. Apenas para NI os
resultados do AERMOD, para esses índices, foram superiores ao ISC3. De acordo com o
desvio fracional padrão, nota-se que somente nas estações NI e SC, os valores previstos
estão mais dispersos que os observados.
Nas figura 6.31a-e apresentamos os gráficos de dispersão dos resultados das
estações de qualidade do ar. Observando os gráficos percebemos que os resultados
previstos para a estação de Copacabana teve o pior comportamento quando avaliados em
relação aos dados observados, como mostrado anteriormente, essa estação se localiza bem
próxima ao oceano, é praticamente cercada por uma cadeia rochosa que forma o maciço da
Tijuca, além de sofrer influência da urbanização intensa. Os dados de concentração
simulados também não estão bem representados para a estação da Praça Saens Peña, onde
se mostraram muito dispersos.
Os melhores resultados foram obtidos respectivamente para as estações de SC e NI,
seguidos pelas simulações para a estação da Carioca. Esses resultados estão em
concordâncias com as análises anteriores. Na estação de COPA notamos que os modelos
apresentam resultados subestimados em relação aos dados monitoprados. Para a estação da
SP há uma grande dispersão dos resultados. Notadamente os modelos apresentam
desempenho similares.
156
MODELADOS X OBSERVADOS
Carioca_Verão
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3))
(a)
MODELADOS X OBSERVADOS
Copacabana_Verão
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(b)
MODELADOS X OBSERVADOS
Nova Iguaçu_Verão
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(c)
MODELADOS X OBSERVADOS
Saens Peña_Verão
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(d)
MODELADOS X OBSERVADOS
São Cristóvão_Verão
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(e)
Figura 6.31: Gráfico de dispersão para o período do verão: (a) Carioca;
(b) Copacabana; (c) Nova Iguaçu; (d) Saens Peña e (e) São Cristóvão.
157
6.6.2 Outono
A tabela 6.3 mostra os índices estatísticos calculados para os resultados previstos
pelo AERMOD e ISCST3, relacionados com os dados observados, para os 5 receptores, no
período do outono.
Tabela 6.3: Índices Estatísticos do AERMOD e ISC X Obserdados
R
(A)
R
(I)
E
(A)
E
(I)
F2
(A)
F2
(I)
FB
(A)
FB
(I)
FS
(A)
FS
(I)
Carioca
0,041 0,030 1,266
1,071
1,313
1,731 0,271 0,535 -0,114 -0,367
Copacabana
0,035 0,060 2,414
2,166
0,500
0,543 -0,666 -0,593 -0,336 -0,253
Nova Iguaçu
0,178 0,275 0,492
0,340
0,839
1,016 -0,175 0,016 0,043 0,064
Saens Peña
-0,134
-0,136
2,113
1,902
0,915
0,919 -0,088 -0,084 0,133 0,046
São Cristóvão
0,015 0,043 1,054
0,855
0,689
0,743 -0,368 -0,295 -0,230 -0,315
R (A): Correlação entre os dados previstos pelo AERMOD e os dados observados.
E (A): EMQN entre os dados previstos pelo AERMOD e os dados observados.
F2 (A): Fator de 2 entre os dados previstos pelo AERMOD e os dados observados.
FB (A):Desvio Fracional entre os dados previstos pelo AERMOD e os dados observados.
FS (A): Desvio Padrão entre os dados previstos pelo AERMOD e os dados observados.
R (I): Correlação entre os dados previstos pelo ISC e os dados observados.
E (I): EMQN entre os dados previstos pelo ISC e os dados observados.
F2 (I): Fator de 2 entre os dados previstos pelo ISC e os dados observados.
FB (I): Desvio Fracional entre os dados previstos pelo ISC e os dados observados.
FS (I): Desvio Padrão entre os dados previstos pelo ISC e os dados observados.
Através dela é possível perceber que o índice de correlação apresentou resultados
inferiores ao obtido para o verão. O maior número de ocorrência de sistemas frontais nessa
estação do ano podem explicar esse comportamento. A correlação entre os dados do
ISCST3 foi superior à obtida com o AERMOD, principalmente nas estações, COPA, NI, e
SC,
Nitidamente notamos que as menores discrepâncias foram para a estação NI. Nos
demais receptores observamos erros significativos. Como nas análises anteriores, os piores
resultados são para os receptores de COPA e SP. Os resultados com o modelo ISC3 foram
ligeiramente superiores ao obtido com o AERMOD.
158
De acordo com o fator de dois e o desvio fracional, para essa estação do ano, os
índices indicaram uma tendência do modelo subestimar os dados do monitoramento, exceto
para o receptor localizado na Carioca. Os melhores índices foram observados para NI e SP.
Vale ressaltar que para o receptor SP o resultado está em contraste as análises anteriores.
Para a estação da Carioca observamos o pior desempenho do modelo ISC3, com
índice de super-estimativa acima dos valores encontrados na literatura. Apenas para esse
receptor o desempenho do modelo ISC foi inferior ao do AERMOD. Nas demais
localizações o ISC apresentou índices similares ou ligeiramente superiores ao do
AERMOD.
Considerando o índice desvio fracional padrão os resultados para a estação NI
indicam um mínimo de dispersão entre os resultados modelados e de monitoramento.
A análise estatítica, para o outono, reforça as análises anteriores onde destacamos os
melhores resultados dos modelos para a região NI. A região de COPA, novamente
apresenta os piores índices estatísticos, reforçando os argumentos apresentados
anteriormente, onde devido a localização desse receptor, modelos gaussianos de qualidade
do ar não possibilitam uma boa simulação da dispersão de poluentes.
Na figura 6.32a-e apresentamos os gráficos de dispersão das concentrações médias
diárias, para os diversos receptores localizados na Bacia Aérea III.
Os melhores resultados são observados para os receptores NI e SC. A análise das
figuras indica, como discutido anteriormente, a tendência dos modelos superestimarem os
dados de monitoramento na estação da Carioca e subestimarem esses dados para COPA,
Os modelos ISC e AERMOD apresentaram resultados similares, apesas de
observarmos uma ligeira superioridade do ISC3.
159
MODELADOS X OBSERVADOS
Carioca_Outono
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(a)
MODELADOS X OBSERVADOS
Copacabana_Outono
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(b)
MODELADOS X OBSERVADOS
Nova Iguaçu_Outono
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(c)
MODELADOS X OBSERVADOS
Saens Peña_Outono
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(d)
MODELADOS X OBSERVADOS
São Cristóvão_Outono
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(e)
Figura 6.32: Gráfico de dispersão para o período do outono: (a) Carioca;
(b) Copacabana; (c) Nova Iguaçu; (d) Saens Peña e (e) São Cristóvão.
160
6.6.3 Inverno
A tabela 6.4 apresenta os valores encontrados para os índices estatísticos dos
resultados previstos pelos modelos AERMOD e ISC, relacionados com os dados
observados, para os 5 receptores, no período do inverno.
Tabela 6.4: Índices Estatísticos do AERMOD e ISC X Obserdados
R
(A)
R
(I)
E
(A)
E
(I)
F2
(A)
F2
(I)
FB
(A)
FB
(I)
FS
(A)
FS
(I)
Carioca
0,021 0,055 0,835
0,510
0,871
1,012 -0,138 0,012 0,117 -0,170
Copacabana
-0,687
-0,665 1,415
1,563
0,825
0,826 -0,191 -0,191
0,041 0,134
Nova Iguaçu
0,210 0,319 0,820
0,487
0,953
1,020 -0,049 0,020 0,639 0,464
Saens Peña
-0,187
-0,227 1,683
1,829
1,785
1,846 0,564 0,595 0,624 0,657
São Cristóvão
-0,040
-0,060 1,014
0,890
1,038
1,074 0,037 0,071 0,266 0,163
R (A): Correlação entre os dados previstos pelo AERMOD e os dados observados.
E (A): EMQN entre os dados previstos pelo AERMOD e os dados observados.
F2 (A): Fator de 2 entre os dados previstos pelo AERMOD e os dados observados.
FB (A):Desvio Fracional entre os dados previstos pelo AERMOD e os dados observados.
FS (A): Desvio Padrão entre os dados previstos pelo AERMOD e os dados observados.
R (I): Correlação entre os dados previstos pelo ISC e os dados observados.
E (I): EMQN entre os dados previstos pelo ISC e os dados observados.
F2 (I): Fator de 2 entre os dados previstos pelo ISC e os dados observados.
FB (I): Desvio Fracional entre os dados previstos pelo ISC e os dados observados.
FS (I): Desvio Padrão entre os dados previstos pelo ISC e os dados observados.
Notamos, mais uma vez, a baixa correlação entre os dados monitorados e os
resultados simulados, confirmando que os modelos não têm sensibilidade para perceber
mudanças no tempo. Vale ressaltar os índices de correlação negativos para as estações
COPA, SP e SC. Para a estação NI foram obtidos os melhores resultados. Nessa estação do
ano ocorreram diversas entradas de sistemas frontais, o que pode explicar os resultados
obtidos.
O menor erro encontrado foi para a estação de qualidade do ar NI, considerando os
resultados de ambos os modelos. Em concordâncias as análises anteriores notamos os
piores resultados para a estação SP e COPA. O resultado do fator de dois. e desvio fracional
indicaram uma tendência dos modelos superestimarem os dados de monitoramento para a
estação SP. Nos demais receptores, inclusive para COPA os resultados das simulações
foram satisfatórios.
Na figura 6.33a-e, são apresentados, para as 5 estações, os gráficos de dispersão,
que relacionam os resultados previstos pelos modelos AERMOD e ISC aos dados
monitorados.
161
MODELADOS X OBSERVADOS
Carioca_Inverno
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(a)
MODELADOS X OBSERVADOS
Copacabana_Inverno
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(b)
MODELADOS X OBSERVADOS
Nova Iguaçu_Inverno
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(c)
MODELADOS X OBSERVADOS
Saens Peña_Inverno
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(d)
MODELADOS X OBSERVADOS
São Cristóvão_Inverno
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(e)
Figura 6.33: Gráfico de dispersão para o período do inverno: (a) Carioca;
(b) Copacabana; (c) Nova Iguaçu; (d) Saens Peña e (e) São Cristóvão.
162
Através da figura 6.33b, não é possível analisar a relação entre os dados observados
e os resultados previstos para estação COPA, porque existe uma carência de dados de
monitoramento, já que a estação ficou sem funcionamento em grande parte do tempo do
inverno de 2002.
A estação SP, localizada numa região de intensa urbanização, com grandes prédio
ao seu redor e com cadeias de montanhas bem próximas, mostrou um comportamento
insatisfatório.
As melhores representações são das estações da Carioca, NI e SC.
6.6.4 Primavera
Na tabela 6.5 são apresentados os valores encontrados para os índices estatísticos
dos resultados simulados pelos modelos AERMOD e ISC, relacionados aos dados
observados, para os 5 receptores, no período da primavera.
Tabela 6.5: Índices Estatísticos do AERMOD e ISC X Obserdados
R
(A)
R
(I)
E
(A)
E
(I)
F2
(A)
F2
(I)
FB
(A)
FB
(I)
FS
(A)
FS
(I)
Carioca
-0,019
-0,014 1,043
1,050
1,460
1,752 0,374 0,546 0,281 0,263
Copacabana
0,064 -0,028 1,387
1,508
0,519
0,538 -0,633 -0,600
-0,321
-0,258
Nova Iguaçu
0,261 0,248 1,067
0,938
1,781
1,766 0,561 0,554 0,685 0,572
Saens Peña
0,010 0,006 1,907
2,278
2,221
2,397 0,758 0,823 0,996 1,092
São Cristóvão
0,259 0,220 0,993
1,215
1,675
1,762 0,505 0,552 0,489 0,603
R (A): Correlação entre os dados previstos pelo AERMOD e os dados observados.
E (A): EMQN entre os dados previstos pelo AERMOD e os dados observados.
F2 (A): Fator de 2 entre os dados previstos pelo AERMOD e os dados observados.
FB (A):Desvio Fracional entre os dados previstos pelo AERMOD e os dados observados.
FS (A): Desvio Padrão entre os dados previstos pelo AERMOD e os dados observados.
R (I): Correlação entre os dados previstos pelo ISC e os dados observados.
E (I): EMQN entre os dados previstos pelo ISC e os dados observados.
F2 (I): Fator de 2 entre os dados previstos pelo ISC e os dados observados.
FB (I): Desvio Fracional entre os dados previstos pelo ISC e os dados observados.
FS (I): Desvio Padrão entre os dados previstos pelo ISC e os dados observados.
163
Percebe-se, como esperado, a baixa correlação entre os dados modelados e
monitorados e, na estação da Carioca, temos uma correlação negativa.
O menor erro encontrado foi para a estação de qualidade do ar NI pelos dados do
ISC e, SC pelos dados previstos pelo AERMOD.
Pelo desvio fracional, os modelos mais uma vez não concordam em todas as
estações, subestimando os dados de concentração para estação COPA.
Na figura 6.34a-e apresentamos os gráficos de dispersão das estações de qualidade
de ar, com os resultados previstos pelos modelos avaliados em relação aos dados
observados. Repetindo o comportamento das outras estações do ano, os receptores COPA e
SP são mal representados pelos resultados previstos pelos modelos de qualidade do ar.
Através das análises, considerando todos os períodos do ano e os resultados obtidos
notamos que as piores correlações foram para o período do inverno, período em que foi
registrado o maior número de entradas de frentes frias na região, 14. Nas estações
receptoras COPA, SP e SC, os índices de correlação em muitas situações foram negativos,
acusando comportamento inverso dos resultados simulados e dados monitorados. As
melhores correlações encontradas foram para o período do verão, onde foi registrado o
menor número de entrada de frentes frias, 3.
De uma forma geral, os melhores índices estatíticos foram para a estação NI. e os
piores índices para os receptores de COPA e SP. Os modelos ISC e AERMOD
apresentaram resultados similares, podendo destacar uma ligeira superioridade para os
resultados com o ISC.
164
MODELADOS X OBSERVADOS
Carioca_Primavera
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADO (µg/m3)
(a)
MODELADOS X OBSERVADOS
Copacabana_Primavera
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADOS (µg/m3)
(b)
MODELADOS X OBSERVADOS
Nova Iguaçu_Primavera
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADOS (µg/m3)
(c)
MODELADOS X OBSERVADOS
Saens Peña_Primavera
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADOS (µg/m3)
(d)
MODELADOS X OBSERVADOS
São Cristóvão_Primavera
0
5
10
15
20
25
30
35
40
45
50
55
60
65
70
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70
OBSERVADO (µg/m3)
MODELADOS (µg/m3)
(e)
Figura 6.34: Gráfico de dispersão para o período da primavera: (a) Carioca;
(b) Copacabana; (c) Nova Iguaçu; (d) Saens Peña e (e) São Cristóvão.
165
6.7 Mapas de Concentração
As figuras 6.35 a 6.58 apresentam os mapas das máximas concentração médias
diárias, na região do estudo, fornecidas pelos modelos AERMOD e ISC, neles podemos
notar que na região do estudo ocorrem violações aos padrões de qualidade do ar,
determinados pela Resolução CONAMA 03/90, em todos os meses. Esse comportamento
não foi possível ser percebido anteriormente porque as violações não ocorreram no local
das estações receptoras de qualidade do ar.
Nas figuras também são mostradas as localizações das estações de qualidade do ar e
a SBGL, onde os dados meteorológicos de inicialização das simulações foram coletados.
As violações ocorrem sempre no município de Duque de Caxias, onde são
realizadas atividades de refino de petróleo e atividades petroquímicas, ambas responsáveis
por razoável parcela na contribuição das emissões de SO
2
, a taxa de emissão das fontes
fixas nessa região é muito alta, em torno de 1000 g/s. Em alguns meses também temos
violação numa área do município do Rio de Janeiro, numa região caracterizada por grande
concentração de atividades industriais de diversas tipologias que consomem em suas
operações unitárias quantidades significativas de óleo combustível, essa emissão é em torno
de 79,5x10
-2
g/s, enquanto que as fontes móveis utilizadas nas simulações têm emissão em
torno de 2,31x10
-7
g/s.
Podemos destacar a ausência de estações de monitoramento de qualidade do ar em
regiões onde supostamente, com base nas simulações, ocorrem violações da qualidade do
ar. Essa análise indica a necessidade de um redimensionamento da rede de monitoramento
da qualidade do ar na Bacia Aérea III.
Também é importante destacar, mais uma vez, que a estação COPA se encontra
praticamente cercada pelo maciço da Tijuca, tem uma grande proximidade com o oceano,
fatores que fazem com que o regime de ventos na superfície, seja bem particular,
infelizmente não tivemos acessos aos dados meteorológicos dessa estação. Essa localização
pode justificar os maiores desvios entre o monitoramento e as simulações para esse
receptor,
Os locais onde identificamos as violações estão marcados com um círculo nos
próprios mapas.
166
Figura 6.35: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de janeiro
Figura 6.36: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de janeiro.
167
Figura 6.37: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de fevereiro.
Figura 6.38: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de fevereiro.
168
Figura 6.39: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de março.
Figura 6.40: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de março.
169
Figura 6.41: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de abril.
Figura 6.42: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de abril.
170
Figura 6.43: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de maio.
Figura 6.44: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de maio.
171
Figura 6.45: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de junho.
Figura 6.46: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de junho.
172
Figura 6.47: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de julho.
Figura 6.48: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de julho.
173
Figura 6.49: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de agosto.
Figura 6.50: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de agosto.
174
Figura 6.51: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de setembro.
Figura 6.52: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de setembro.
175
Figura 6.53: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de outubro.
Figura 6.54: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de outubro.
176
Figura 6.55: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de novembro.
Figura 6.56: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de novembro.
177
Figura 6.57: Mapa das máximas concentrações diárias gerado pelo AERMOD para
o mês de dezembro.
Figura 6.58: Mapa das máximas concentrações diárias gerado pelo ISC para o mês
de dezembro.
178
Diante de todos os mapas apresentados, percebemos, como dito anteriormente, que
em todos os meses do ano, numa região situada no município de Duque de Caxias,
conhecida como Campos Elíseos, local de intensa atividade industrial, ocorre violação dos
padrões de qualidade do ar e esse evento é previsto pelos dois modelos. O raio do local de
ocorrência de violação é de aproximadamente 4km em torno das emissões de fonte área. Já
a violação que ocorre no município do Rio de Janeiro, mais precisamente na Zona Norte da
cidade, foram identificadas para os meses de abril, junho, julho, agosto, setembro,
novembro e dezembro. Esse comportamento foi diagnosticado com as simulações do ISC e
AERMOD. Nos meses de março e maio, somente o modelo AERMOD acusa violação dos
padrões de qualidade do ar para a região e no mês de fevereiro, é o ISC que acusa essa
violação. O raio do local de ocorrência de violação, é de aproximadamente 3km.
A tabela 6.6 apresenta os máximos de concentração encontrado por cada um dos
modelos, através dela é possível confirmar mais uma vez a tendência do modelo ISCST3 de
superestimar os resultados em relação aos gerados pelo modelos AERMOD, já que em
todos os meses seus máximos tiveram valores mais altos.
Através da tabela também fica mais fácil de perceber que os valores mais altos de
concentração entre os valores máximos se encontram nos meses de inverno, reforçando o
que já foi dito anteriormente.
179
Tabela 6.6: Valores Máximos de Concentração Simulados
ISC (µg/m
3
) AERMOD (µg/m
3
)
Janeiro 1532,38 1260,71
Fevereiro 1179,83 904,97
Março 1909,63 1586,32
Abril 2322,89 1862,67
Maio 2273,68 1912,50
Junho 2365,06 1888,22
Julho 2083,03 1902,64
Agosto 2290,13 1718,62
Setembro 1826,98 1525,22
Outubro 1575,10 1236,18
Novembro 1982,96 1615,08
Dezembro 2366,21 1855,73
A apresentação desses mapas e da tabela 6.6 é de suma importância, pois é possível
perceber que pela análise feita os pontos receptores não são os mais indicados para se
perceber as violações violação aos padrões de qualidade do ar determinados pela Resolução
CONAMA 03/90. O que indica que estações de qualidade do ar poderiam estar
estrategicamente localizadas em regiões diferentes das que estão hoje.
Através desses mapas também é possível perceber a evolução da emissão do
poluente no domínio estudado e, perceber as principais fontes poluidoras de SO
2
.
180
6.8 Avaliações Diárias entre os Resultados Previstos
Na tabela 6.7 são apresentados os valores encontrados para os índices estatísticos
entre os resultados simulados pelos modelos AERMOD e ISC, para os 5 receptores, em
todas as estações do ano.
Através da tabela confirmamos as concordâncias entre os resultados modelados,
apresentados durante todas as análises feitas anteriormente. Todos os índices se apresentam
muito próximos aos seus valores ótimos.
As correlações mais altas foram obtidas para o período do verão, porém em todos os
períodos os valores são altos, os erros também são baixos.
Notamos a tendência dos resultados previstos pelo AERMOD de subestimar os
valores em relação aos resultados previstos pelo ISCST3 de acordo com o desvio fracional
e o fator de dois. O comportamento inverso ocorre em COPA no inverno e em NI na
primavera. Analisando o desvio fracional padrão, notamos que os resultados previstos pelo
ISC estão mais dispersos que os resultados previstos pelo AERMOD, novamente o
comportamento inverso acontece para COPA no inverno e para NI na primavera.
181
Tabela 6.7: Índices Estatísticos do AERMOD X ISC
VERÃO
R E F2 FB FS
Carioca
0,924 0,232 0,744 -0,294 -0,135
Copacabana
0,965 0,047 0,959 -0,042 -0,098
Nova Iguaçu
0,939 0,059 0,853 -0,158 -0,007
Saens Peña
0,983 0,021 0,912 -0,092 -0,064
São Cristóvão
0,982 0,033 0,850 -0,163 -0,105
OUTONO
R E F2 FB FS
Carioca
0,858 0,136 0,759 -0,274 0,256
Copacabana
0,953 0,060 0,922 -0,082 -0,085
Nova Iguaçu
0,884 0,085 0,826 -0,191 -0,021
Saens Peña
0,955 0,048 0,996 -0,004 0,086
São Cristóvão
0,912 0,060 0,928 -0,075 0,087
INVERNO
R E F2 FB FS
Carioca
0,867 0,111 0,860 -0,150 0,286
Copacabana
0,938 0,066 1,055 0,054 0,002
Nova Iguaçu
0,888 0,114 0,934 -0,068 0,190
Saens Peña
0,932 0,045 0,967 -0,034 -0,037
São Cristóvão
0,901 0,073 0,967 -0,034 0,104
PRIMAVERA
R E F2 FB FS
Carioca
0,905 0,070 0,834 -0,182 0,018
Copacabana
0,894 0,096 0,965 -0,036 -0,065
Nova Iguaçu
0,873 0,084 1,008 0,008 0,126
Saens Peña
0,979 0,025 0,926 -0,076 -0,132
São Cristóvão
0,935 0,052 0,951 -0,050 -0,123
182
CAPÍTULO VII
CONCLUSÕES
Os modelos AERMOD e ISC foram implementados para a Bacia aérea III da RMRJ
por ser a área de maior concentração de fontes emissoras de poluentes atmosféricos do
Estado do Rio de Janeiro. Os parâmetros das fontes de emissão fixa, simuladas como fontes
áreas, foram estimados com as informações disponíveis no trabalho de PIRES (2005) e, as
fontes móveis, simuladas como fontes linhas, foram estimados com as informações
disponíveis no trabalho de LOUREIRO (2005). As simulações foram feitas para emissão do
poluente SO
2
e o período de estudo foi o ano de 2002. As informações topográficas
oriundas do arquivo digital DEM, de resolução de 90 metros. De acordo com as literaturas
científicas, o estudo de avaliação e comparação desses dois modelos de qualidade do ar,
não havia sido realizado para a RMRJ.
Os resultados simulados obtidos com cada um dos modelos de qualidade do ar
foram comparados com os dados observados de cinco estações de qualidade do ar, e
também comparados entre si. Foram feitas análises estatísticas através de índices de
avaliação para os resultados de modelos Gaussianos. Também foram analisados os
comportamentos dos dados obtidos e monitorados. Mapas de concentrações máximas
diárias, para todos os meses do ano em questão, foram apresentados. E um estudo do campo
de vento para a Bacia Aérea III da RMRJ.
Pela análise do campo de vento para a Bacia Aérea III no período do estudo,
percebemos que ocorre pouca variação sazonal da distribuição da direção do vento, nas
estações analisadas. Identificamos diferenças de padrão do vento nas diferentes sub-regiões
localizadas na região de estudo, o que pode comprometer os resultados das simulações, já
que só é possível inicializar os modelos gaussianos com dados meteorológicos de apenas
183
um ponto da grade. Na estação de NI identificamos padrões de vento mais similares ao
monitorado na SBGL.
Com relação aos modelos de qualidade do ar, pudemos perceber que tanto o
AERMOD quanto o ISCST3 são capazes de simular a dispersão de poluentes que ocorrem
na região da Bacia Aérea III da RMRJ. Os resultados dos índices estatísticos e mapas de
poluição indicaram resultados similares entre os modelos. Essa concordância pode ser
entendida a partir de resultados da literatura que indicam que para terrenos planos, como o
encontrado na região do estudo, os modelos ISC e AERMOD apresentam resultados
similares. Vale ressaltar, que considerando o custo computacional, o modelo ISC apresenta
superioridade em relação ao AERMOD. Ainda em concordância aos resultados da
literatura, os resultados apresentados pelo modelo ISC superestimam os resultados obtidos
com o modelo AERMOD.
Durante todo estudo percebemos que na estação COPA, os resultados das
simulações não reproduziram satisfatoriamente os dados monitorados nesse receptor. Esses
resultados indicam a necessidade de se assimilar dados meteorológicos mais representativos
da região de Copacabana como dados de inicialização dos modelos, a fim de termos uma
modelagem mais realista da dispersão de poluentes na região. Devido a sua localização
muito próxima ao oceano e cercada por montanhas, que formam o maciço da Tijuca, e pela
urbanização intensa, com grandes construções próximas e formação de “canyons urbanos”,
aparentemente, não podemos avaliar a qualidade do ar dessa região utilizando dados
meteorológicos do Galeão para inicialização dos modelos.
Os resultados na estação NI apresentaram as melhores concordâncias com os dados
do monitoramento. Essa avaliação mostra que essa área da região do estudo é a mais
indicada para a avaliação da dispersão de poluentes com a configuração das simulações
utilizadas nos modelos de qualidade do ar analisados. Além de o receptor NI estar
localizado numa região descampada, com poucas construções significativas em sua
proximidade, a região apresenta o comportamento dos campos de vento similares aos
padrões do SBGL.
184
Para as regiões de São Cristóvão e Carioca os resultados dos modelos reproduziram
satisfatoriamente os dados de monitoramento e em algumas situações com resultados
superiores aos obtidos para Nova Iguaçu. Para a estação Saens Peña, os resultados apesar
de superiores aos obtidos para Copacabana, não podem ser considerados como uma boa
representação dos valores obtidos via monitoramento.
ARYA (1999) afirma que a hipótese de condições estacionárias para modelos
Gaussianos, induz a baixos índices de correlação quando avaliamos as simulações a partir
de dados reais de monitoramento. Esse comportamento foi observado e os piores índices de
correlação parecem estar associados aos períodos com os maiores números de ocorrência
sistemas frontais. Através das análises feitas pudemos comprovar que todas as correlações
entre os resultados simulados e os dados monitorados foram muito baixas e em algumas
situações ocorriam valores negativos. Notamos inclusive, que no inverno, estação do ano
com o maior registro de entradas de frentes frias, ocorreram os piores índices de correlação,
Em contrapartida, no verão, estação do ano com o menor registro de entrada de frentes
frias, apresentou os melhores valores de correlação.
A partir do estudo das concentrações médias mensais, percebemos que os valores
encontrados a partir das simulações e os dados observados apresentam discrepâncias nos
meses de maior acumulo de chuva mensal, como nos meses de novembro e dezembro.
Como um comportamento esperado, notamos que os maiores valores de
concentração de poluentes obtidos através de simulações, ocorreram no período do inverno.
Esse comportamento era esperado já que nesse período, a atmosfera se encontra com os
padrões de condicionamento mais estáveis, não permitindo que os poluentes se dispersem
com a eficácia que se dispersam quando a atmosfera apresenta um condicionamento
instável.
185
A partir da realização deste estudo foi possível identificar a necessidade de
investimentos na atual rede de monitoramento. As estações de monitoramento da qualidade
do ar atualmente instaladas na região não estão localizadas nas áreas onde existem as
maiores possibilidades de violação dos padrões primários de qualidade o ar, como
observado através dos mapas de concentração.
Como proposta de trabalhos futuros, sugerimos a avaliação entre os modelos de
qualidade do ar AERMOD e ISC numa região com o terreno mais acidentado, com a
finalidade de observar se o comportamento entre eles se apresentará diferenciado.
A avaliação de um período maior e, um estudo profundo que relacione os sistemas
meteorológicos aos resultados de concentrações de poluentes obtidos via modelagem.
Já que normalmente as características de uso do solo de muitas regiões não se
apresentam de maneira homogênea, indicamos que tais parâmetros sejam trabalhados de
maneira setorizada a fim de obtermos resultados mais realísticos.
Como os fatores meteorológicos mostraram ter grande influência nas simulações
através dos modelos de qualidade do ar avaliados, é proposto um estudo, na região, com
modelos como CALMET / CALPUFF, pois permitem inicializações com dados
meteorológicos de mais de uma localidade.
186
REFERÊNCIAS BIBLIOGRÁFICAS
• AHRENS, C. B., 1993, Essentials of Meteorology – An Invitation to the Atmosphere,
437p.
• ALMEIDA, G. L., 2005. Análise da Dispersão de Poluentes na Atmosfera Usando a
Técnica da Transformada Integral Generalizada, Tese D.Sc., COPPE/UFRJ, Rio de
Janeiro, RJ, Brasil.
• ARYA, S.P., 1999, Air Pollution Meteorology and Dispersion, 310p. Oxyford
University Press.
• ATKINSON, R., 1988, “Atmospheric Transformations of Automotive Emissions”. In:
WATSON, A.Y., BATES, R.R., KENNEDY, D. (eds), Air Pollution, the Automobile,
and Public Health, 1ed., chapter 6. Washington, National Academy Press.
• BALANESCU, M., HRITAC, M., MELINTE, I., NICOLAE, A., 2004,
“Environmental Impact Assessment of an Industrial Accident Using ISC – AERMOD
VIEW. A Case Study”. In: 9
th
Int. Conf. On Harmonisation within Atmospheric
Dispersion Modelling for Regulatory Purposes, pp 346-350, Alemanha, Jun 2004.
• BALLESTEROS, H.O.B., 2003, Prognóstico de la Concencentración de Material
Particulado por Chimeneas Industriales em Bogotá. Tese de M.Sc., UNB, Bogotá D.C.
• BENSON, P.B., 1981, “Modifications to the Gaussian Vertical Dispersion Parameter,
σ
z
, Near Roadways”, Atmospheric Environment, v.16, pp. 1399-1405.
187
• BUSILLO, C., CALASTRINI, F., CARPENTIERI, M., CORTI, F., GUALTIERI, G.,
CANEPA, E., 2003, “Meteorological Input for Atmospheric Dispersion Models: an
Inter-Comparison Between New Generation Models”. In: 9
th
Int. Conf. On
Harmonisation within Atmospheric Dispersion Modelling for Regulatory Purposes, pp
23-27, Alemanha, Jun 2004.
• CAPUTO, M., GIMÉNEZ, M., SCHLAMP, M., 2002, “Atmospheric Dispersion
Models Intercomparison Under Two Atmospheric Stability Conditions”. In: 8
th
Int.
Conf. On Harmonisation within Atmospheric Dispersion Modelling for Regulatory
Purposes, pp 13-18, Bulgaria, Oct 2002.
• CARSON, D. J., 1973, "The Development of a Dry Inversion-Capped Convectively
Unstable Boundary Layer", Quarterly Journal of Royal Meteorology Society., v. 99, pp.
450-467.
• CARVALHO, L.M.V., JONES, C., LIEBMANN, B., 2004, “The South Atlantic
Convergence Zone: Intensisty, Form, Persistence, and Relationships with Intraseasonal
to Interannual Activity and Extreme Rainfall”, Journal of Climate, v.17, pp 88-108.
• CAVALCANTI, P.M.S., 2003, “Avaliação dos Impactos Causados na Qualidade do Ar
pela Geração Termelétrica”.Tese de M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ,Brasil.
• CETESB - COMPANHIA DE TECNOLOGIA DE SANEAMENTO AMBIENTAL,
2004. Relatório de qualidade do ar no Estado de São Paulo – 2003. São Paulo, 2004.
• CLIMANÁLISE – Boletim de Monitoramento e Análise Climática, 1999, v.17, n.2,
Fevereiro.
188
• COLLIER, L. R., and J. G. LOCKWOOD, 1975, “Reply to Comment,” Quarterly
Journal of Royal Meteorology Society, v. 101, pp. 390-392.
• CONSELHO NACIONAL DE MEIO AMBIENTE. Dispõe sobre padrões de qualidade
do ar, previstos no PRONAR. Resolução CONAMA n. 08, de 6 de dezembro de 1990.
Disponível em: http://www.mma.gov.br/port/conama/
• CPTEC – Centro de Previsão do Tempo e Estudos Climáticos, 2004a, Revista
Climanálise, disponível em http://www.cptec.inpe.br/clima.
• CPTEC – Centro de Previsão do Tempo e Estudos Climáticos, 2004b, imagem de
satélite disponível em http://satelite.cptec.inpe.br/.
• D'AIUTO, B.C., GOMES, D.P., VELLOSO, M.F.A., FERREIRA, M.S., PIMENTEL,
L.C.G., 2006, “Estimativa da Concentração de Monóxido de Carbono Proveniente de
Emissão Veicular na Bacia Aérea III da RJRM via AERMOD”. XIV Congresso
Brasileiro de Meteorologia, 3402, Florianópolis, Santa Catarina, Brasil, 27 – 01
dezembro de 2006.
• DHN – Diretoria de Hidrografia e Navegação da Marinha do Brasil, disponível em
http://www.dhn.mar.mil.br/chm/meteo.
• DOURADO, V.N., 2006. Avaliação do Desempenho do Modelo CALMET para o
Diagnóstico de Parâmetros da Camada Limite Atmosférica da Região Metropolitana
do Rio de Janeiro. Tese M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
189
• DRAXLER, R.R., 1976, “Determination of Atmospheric Diffusin Parameters”. In:
Atmospheric Environment, v.10, pp. 99-105.
• EPA, 1995, User's Guide for the Industrial Source Complex (ISC3) Dispersion Models
(revised) Volume II – Description of Model Algorithms. In: U.S. ENVIRONMENTAL
PROTECTION AGENCY, EPA-454/b-95-003b, North Carolina, September.
• EPA, 1998a, Revised Draft User's Guide for the AMS/EPA Regulatory Model -
AERMOD. In: U.S. ENVIRONMENTAL PROTECTION AGENCY, NC, November.
Disponível online (http://www.epa.gov/scram001/7thconf/aermod/aermodug.pdf).
• EPA, 1998b, Revised Draft User's Guide for the AERMOD Terrain Preprocessor
(AERMAP). In: U.S. ENVIRONMENTAL PROTECTION AGENCY, N C, November.
Disponível online (http://www.epa.gov/scram001/7thconf/aermod/aermapug.pdf).
• EPA, 1998c, Revised Draft User's Guide for the AERMOD Meteorological
Preprocessor (AERMET). In: U.S. ENVIRONMENTAL PROTECTION AGENCY,
NC, November. Disponível online
(http://www.epa.gov/scram001/7thconf/aermod/aermetug.pdf).
• EPA, 1998d, AERMOD Description of Model Formulation, Draft Document. In: U.S.
ENVIRONMENTAL PROTECTION AGENCY. Version 98314 (AERMOD &
AERMET) e 98022 (AERMAP), NC. Disponível online.
(http://www.epa.gov/scram001/7thconf/aermod/aermod_mfd.pdf)
• EPA, 1998e, User's Guide for the Industrial Source Complex (ISC3) Dispersion Models
Volume I – User Instrucions. In: U.S. ENVIRONMENTAL PROTECTION AGENCY
EPA-454/B-95-003a, NC, September. Disponível online.
(http://www.epa.gov/scram001/userg/regmod/isc3v1.pdf)
190
• EPA, 2003a, Comparison of regulatory Design Concentrations AERMOD vs ISCST3,
CTDMPLUS, ISC-PRIME. U.S. ENVIRONMENTAL PROTECTION AGENCY, In:
EPA-454/R-03-002, June.
• EPA, 2003b, Latest Features and Evalution Results. U.S. ENVIRONMENTAL
PROTECTION AGENCY, In: EPA-454/R-03-003, June.
• EPA, 2006, A Survey of Air Quality Dispersion Models for Project-Level Conformity
Analysis. U.S. ENVIRONMENTAL PROTECTION AGENCY.
• FEEMA, 2004. Inventário de Fontes Emissoras de Poluentes Atmosféricos da Região
Metropolitana do Rio de Janeiro. In: Rio de Janeiro, R.J., Brasil.
• FERREIRA, M.S., 2005, Simulação do Transporte de Poluentes Atmosféricos na Bacia
Aérea III da Região Metropolitana do Rio de Janeiro Via o Modelo AERMOD. Tese
M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
• GOYAL, P., KRISHNA, T.V.B.P.S.R., 1999, “A Line Source Model for Delhi”,
Transportation Research Part D, v 4, pp 241-249.
• HANNA, S.R., WEIL, J.C., PAINE, R.J., 1986, Plume Model Development and
Evaluation - Hybrid Approach. In: EPRI Contract RP-1616-27, prepared for the
Electric Power Research Institute, Palo Alto, CA.
• HANNA, S.R. AND CHANG, J.S., 1991, Modification of the Hybrid Plume Dispersion
Model (HPDM) for urban conditions and its evaluation using the Indianapolis data set,
Volume III: Analysis of urban boundary layer data. In: Report for EPRI, Palo Alto, CA,
EPRI Project No. RP-02736-1.
• HANNA, S.R., 1998,”Air Quality Evaluation and Uncertainty”, Journal of the Air
Pollution Control Association, v38, pp406-412.
191
• HICKS, B.B., 1985, “Behavior of Turbulent Statistics in the Convective Boundary
Layer,” Journal Climate Applied Meteorology, v. 24, pp. 607-614.
• HOLTSLAG, A.A.M., AND VAN ULDEN, A.P., 1983, “A Simple Scheme for
Daytime Estimates for the Surface Fluxes from Routine Weather Data,” Journal
Climate Applied Meteorology, v. 22, pp. 517-529.
• HONAGANAHALLI, P.S., SEIBER, J.N., 2000, “Measured and Predicted Airshed
Concentrations of ethyl Bromide in an Agricultural Valley and applications to Exposure
Assessment”, Atmospheric Environment, v.34, pp. 3511-3523.
• INMET – Instituto Nacional de Meteorologia, disponível em: www.inmet.gov.br
• JOURDAN, P., 2007, Caracterização do Regime de Ventos Próximo à Superfície na
Região Metropolitana do Rio de Janeiro, Monografia de Graduação, Departamento de
Meteorologia, IGEO/UFRJ, Rio de Janeiro, RJ, Brasil.
• LAMMA – Laboratório de Modelagem de Processos Marinhos e Atmosféricos, 2003,
“Curso Básico de Meteorologia e Oceanografia”, Apostila do Curso de Extensão
fornecido pelo LAMMA/Departamento de Meteorologia/UFRJ.
• LOUREIRO, L. N., 2005, “Panorâmica sobre Emissões Atmosféricas Estudo de Caso:
Avaliação do Inventário de Emissões Atmosféricas da Região Metropolitana do Rio de
Janeiro para Fontes Móveis”. Tese de M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
• MAIA, L. F. P. G., 2005, Cenarização Espaço-Temporal dos Impactos na Qualidade
do Ar na Bacia Aérea III pelo Aumento de Demanda do Aeroporto Internacional do Rio
de Janeiro – Antonio Carlos Jobim (Galeão). Tese de D.Sc., IGEO/UFRJ, Rio de
Janeiro, RJ, Brasil.
192
• MARMUR, A., MAMANE, Y., 2003, “Comparison and Evaluation of Several Móbile-
Source and Line-Source Models in Israel”, Transportation Research Part D, v 8, pp
249-265.
• MORAES, M.R., 2001, Implementação de um Sistema de Modelos para Qualidade do
Ar. Tese de D.Sc., UFSC, Florianópolis, SC, Brasil.
• MOREIRA, D., TIRABASSI, T., 2004, “Modelo Matemático de Dispersão de
Poluentes na Atmosfera: Um Instrumento Técnico para a Gestão Ambiental”, Ambiente
& Sociedade, v 7, n 2.
• OLIVEIRA, J.L.F., 1997, “Poluição Atmosférica e o Transporte
Rodoviário:Perspectivas de Uso do Gás Natural na Frota de Ônibus Urbanos da Cidade
do Rio de Janeiro”.Tese de M.Sc., COPPE/UFRJ,Rio de Janeiro,RJ,Brasil.
• OKE, T.R., 1978, Boundary Layer Climates, John Wiley and Sons, New York, New
York, 372pp.
• PANOFSKY, H.A., TENNEKES, H., LENSCHOW, D.H., WYNGAARD, J.C., 1977,
“The Characteristics of Turbulent Velocity Components in the Surface Layer under
Convective Conditions”, Boundary Layer Meteorology, v. 11, pp. 355-361.
• PANOFSKY, H.A., J.A.DUTTON, 1984, Atmospheric Turbulence: Models and
Methods for Engineering Applications, John Wiley and Sons, NY, 417 pp.
• PASQUILL, F.D., 1962. “Atmospheric Diffusion: The Dispersion of Windborne
Material from Industrial and Other Sources”. London, England: D. Van Nostrand
Company
193
• PASQUILL, F., 1976: “Atmospheric Dispersion Parameters in Gaussian Plume
Modeling:Part II. Possible Requeriments for Change in the Turner Workbook Values”.
EPA-600/4-76-030b. U.S.Environmental Protection Agency. Research Triangle Park,
NC, 44pp.
• PIRES, D.J., 2005, “Inventário de Emissões Atmosfericas de Fontes Estacionarias e sua
contribuição para a Poluição do Ar na Região Metropolitana do Rio de Janeiro”. Tese
de M.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
• PERRY, S. G., 1992, "CTDMPLUS: A Dispersion Model for Sources in Complex
Topography. Part I: Technical Formulations", Journal Applied Meteorology, v. 31, pp.
633-645.
• PERRY, S.G., CIMORELLI, A.J., PAINE, R.J., BRODE, R.W., WEIL, J.C.,
VENKATRAM, A., WILSON, R.B., LEE, R.F., PETERS, W.D., 2004, “AERMOD: A
Dispersion Model for Industrial Source Applications. Part II: Model Performance
Against 17 Field Study Databases”. In: Journal of Applied Meteorology, v.44, pp. 694-
708.
• PIRES, D.O., 2005, “Inventário de Emissões Atmosféricas de Fontes Estacionárias e
sua Contribuição para a Poluição do Ar na Região Metropolitana do Rio de Janeiro”.
Tese de M.Sc., COPPE/UFRJ,Rio de Janeiro,RJ,Brasil.
• RAY, P. S., 1986, Mesoscale Meteorology and Forecasting, American Meteorology,
Boston, pp 793.
• SAMSON, P.J., 1988, “Atmospheric Transport and Dispersion of Air Pollutants
Associated with Vehicular Emissions”. In: WATSON, A.Y., BATES, R.R.,
KENNEDY, D. (eds), Air Pollution, the Automobile, and Public Health, 1ed., chapter
5. Washington, National Academy Press
194
• SANCHES, M. B., 2002, “Análise Sinótica da Zona de Convergência do Atlântico Sul
(ZCAS) Utilizando-se a Técnica de Composição”, Tese de Mestrado, INPE, São José
dos Campos, SP.
• SAX, T., ISAKOV, V., 2003, “A Case Study of Assessing Uncertainty on Local-Scale
Regulatory Air Quality Modeling Applications”, Atmospheric Environment, v. 37, pp
3481-3489.
• SEABRA, M.S., 2004, “Estudo sobre a Influência da Zona de Convergência do
Atlântico Sul em Bacias Hidrográficas nas Regiões Sudeste e Centro-Oeste do Brasil”,
Tese de M.Sc., COPPE/UFRJ,Rio de Janeiro,RJ,Brasil.
• SEINFELD, J.H., PANDIS, S.N., 1997. Atmospheric Chemistry and Physics of Air
Pollution: from air pollution to climate change. John Wiley & Sons, New York..
• SEXTON, K., RYAN, P.B., “Assessment of Human Exposure to Air Pollution:
Methods, Measurements, and Models”. In: WATSON, A.Y., BATES, R.R.,
KENNEDY, D. (eds), Air Pollution, the Automobile, and Public Health, 1ed., chapter
9. Washington, National Academy Press
• SHEPPARD, P. A., 1956, "Air flow over mountains," Quart. J. Roy. Meteor. Soc., v.
82, pp. 528-529.
• SIDLE, C., JONES, B.T., NG, B., SHI, J.P., 2004, “Model Intercomparison Between
ADMS 3.1, AERMOD and AERMOD PRIME”. In: 9
th
Int. Conf. On Harmonisation
within Atmospheric Dispersion Modelling for Regulatory Purposes, pp 156-161,
Alemanha, Jun 2004.
195
• SILVACOUMAR, R., THANASEKARAN, K., 1998, “Line Source Model for
Vehicular Pollution Prediction Near Roadways and Model Evalution Through
Statistical Analysis”, Environmental Pollution, v104, pp 389-395.
• SOUZA, L.S., LANDAU, L., PIMENTEL, L.C.G., 2006, “Modelagem do Transporte
de SO
2
Gerado em Plataformas de Produção da Bacia de Campos – RJ no Período de
Inverno Através do Modelo OCD”, Anuário do Instituto de Geociências/ UFRJ, v 29,
pp 11-27.
• STULL, R.B., 1988, “Stable Boundary Layer”. In: Bergerr, A., Crutzen, P. J., Georgii,
H.-W., Hobbs, P. V., Hollingsworth A. (eds). An Introduction to Boundary Layer
Meteorology. 7
th
ed., chapter 12, The Netherlands, Kluwer Academic Publishers.
• TRAN, K.T., 2004, Comparative Use of ISCST3, ISC-PRIME and AERMOD in Air
Toxics Risk Assessment. In: www.amiace.com.
• TURNER, D.B., 1970: Workbook of Atmospheric Dispersion Estimates: An Introdution
to Dispersion Modeling. 2 ed. Ohio, CRC Press.
• VANULDEN, A. P., AND A. M. HOLTSLAG, 1985, "Estimation of Atmospheric
Boundary Layer Parameters for Diffusion Applications", Journal Climate and Applied
Meteorology, v. 24, pp. 1196-1207.
• VENKATRAM, A., 1980, "Estimating the Monin-Obukhov Length in The Stable
Boundary Layer for Dispersion Calculations," Boundary Layer Meteorology, v. 19, pp.
481-485.
196
• VENKATRAN, A., ISAKOV, V., PANKRATZ, D., YUAN, J., 2003, “Evalution of the
Performance of Air Quality Models in Urban Areas Using Tracer Experiments”. In: 9
th
Int. Conf. On Harmonisation within Atmospheric Dispersion Modelling for Regulatory
Purposes, pp 187-191, Alemanha, Jun 2004.
• VENKATRAN, A., ISAKOV, V., PANKRATZ, D., YUAN, J., 2003, “Modeling
Dispersion at Distances of Meters from Urban Sources”, Atmospheric Environment, v.
38, pp 4633-4641.
• VENKATRAN, A., HORST, T.W., 2006, “Approximating Dispersion from a Finite
Line Source”, Atmospheric Environment, v. 40, pp 2401-2408.
• VENKATRAM, A., 2007. Disponível em: http://www.engr.ucr.edu/~venky.
• VIANELLO, R. L., ALVES, A. R., 2000, “Meteorologia Básica e Aplicações”,
Universidade Federal de Viçosa, Viçosa- MG. 449p.
• WANG, J.S., CHAN, T.L., NING, Z., LEUNG, C.W., CHEUNG, C.S., HUNG, W.T.,
2006, “Roadside Measurement and Prediction of CO and PM
2,5
Dispersion from On-
Road Vehicles in Hong Kong”, Transportation Research Part D, v 11, pp 242-249.
• WEIL, J. C., AND BROWER, R. P., 1983, Estimating Convective Boundary Layer
Parameters for Diffusion Applications. In: Report PPSP-MP-48, Maryland Power Plant
Siting Program, Maryland Department of Natural Resources, Baltimore, MD.
• WYNGAARD, J.C., 1988, Structure of the PBL, in Lectures on Air Pollution Modeling,
A. Venkatram, and J.C. Wyngaard, Eds, American Meteorology Society, Boston, MA,
pp.402.
197
• ZILITINKEVICH, S.S., 1972, “On The Determination of The Height of The Ekman
Boundary Layer,” Boundary Layer Meteorology, v. 3, pp. 141-145.
198
ANEXO I
Valores Simulados e Monitorados para cada Receptor:
As tabelas a seguir mostram os valores de concentração monitorados e simulados para as
cinco estações receptoras utilizadas no estudo. Para facilitar a visualização as tabelas foram
confeccionadas mês a mês.
Monitorado(µg/m
3
) CA: Valores monitorados da estação receptora Carioca.
ISC (µg/m
3
) CA: Valores simulados pelo modelo ISCST3 da estação receptora Carioca.
AERMOD (µg/m
3
) CA: Valores simulados pelo modelo AERMOD da estação receptora Carioca.
Monitorado(µg/m
3
) SP: Valores monitorados da estação receptora Saens Peña.
ISC (µg/m
3
) SP: Valores simulados pelo modelo ISCST3 da estação receptora Saens Peña.
AERMOD (µg/m
3
) SP: Valores simulados pelo modelo AERMOD da estação receptora Saens Peña.
Monitorado(µg/m
3
) NI: Valores monitorados da estação receptora Nova Iguaçu.
ISC (µg/m
3
) NI: Valores simulados pelo modelo ISCST3 da estação receptora Nova Iguaçu.
AERMOD (µg/m
3
) NI: Valores simulados pelo modelo AERMOD da estação receptora Nova Iguaçu.
Monitorado(µg/m
3
) SC: Valores monitorados da estação receptora São Cristóvão.
ISC (µg/m
3
) SC: Valores simulados pelo modelo ISCST3 da estação receptora São Cristóvão.
AERMOD (µg/m
3
) SC: Valores simulados pelo modelo AERMOD da estação receptora São Cristóvão.
Monitorado(µg/m
3
) COPA: Valores monitorados da estação receptora Copacabana.
ISC (µg/m
3
) COPA: Valores simulados pelo modelo ISCST3 da estação receptora Copacabana.
AERMOD (µg/m
3
) COPA: Valores simulados pelo modelo AERMOD da estação receptora Copacabana.
199
Valores Monitorados e Simulados em janeiro.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 10.00 14.45 9.94 9.00 31.07 30.03 2.61 16.63 12.20 10.00 21.26 21.19 8.00 6.33 4.86
2 16.00 16.50 12.96 12.00 48.32 44.18 5.18 3.28 11.00 29.21 24.49 11.00 4.17 3.32
3 11.00 14.27 10.92 6.00 24.86 25.07 8.08 6.23 9.00 13.85 12.97 11.00 8.26 6.17
4 8.00 10.96 7.01 7.00 23.32 19.93 5.34 2.90 6.00 8.40 6.85 7.00 6.96 5.52
5 4.00 15.00 10.52 8.00 4.46 3.24 7.15 4.11 5.00 5.93 3.22 4.00 1.54 1.05
6 5.00 4.72 3.13 7.00 2.81 2.40 2.61 18.74 19.28 4.00 3.01 2.55 6.00 0.02 0.13
7 11.00 6.29 4.63 18.00 4.32 3.93 2.61 16.55 12.72 19.00 5.56 4.19 11.00 0.29 0.41
8 10.00 6.53 4.08 19.00 6.71 5.20 2.61 16.79 13.87 16.00 5.46 4.89 10.00 1.73 1.18
9 7.00 5.48 5.02 10.00 10.15 12.44 2.61 8.05 7.23 7.00 7.94 8.72 10.00 1.58 1.52
10 8.00 4.46 2.58 7.00 2.07 1.49 5.16 3.65 7.00 2.02 1.60 5.00 0.00 0.07
11 9.00 5.27 3.20 8.00 2.45 1.89 11.43 8.36 6.74 8.00 2.85 2.14 6.00 0.02 0.10
12 5.00 7.61 4.44 6.00 3.62 2.98 15.22 17.81 16.27 5.00 3.96 3.59 5.00 0.00 0.14
13 5.00 7.46 4.40 7.00 5.65 3.69 8.91 28.86 22.86 7.00 4.88 3.45 5.00 0.02 0.19
14 16.00 7.12 5.41 13.00 6.60 5.45 11.70 14.11 14.44 11.00 8.40 6.09 11.00 0.52 0.60
15 13.00 12.00 9.40 11.00 26.00 26.78 10.20 5.46 3.20 9.00 18.72 16.31 15.00 4.78 5.27
16 7.00 7.10 6.81 2.00 23.53 25.86 4.95 1.94 1.42 4.00 11.83 11.36 9.00 2.58 3.63
17 6.00 11.81 10.58 2.00 29.73 31.54 4.29 3.68 2.17 5.00 13.75 11.21 13.00 3.32 4.92
18 25.00 10.98 9.70 11.00 26.83 26.63 7.74 7.57 5.84 11.00 18.49 14.14 12.00 14.38 11.34
19 11.00 32.41 28.00 14.00 39.31 35.43 11.00 8.44 6.63 9.00 11.45 10.01 7.00 3.76 4.82
20 8.00 9.20 5.93 12.00 22.28 16.03 20.74 11.94 8.01 11.00 12.11 8.87 10.00 7.73 5.82
21 14.00 18.37 12.38 13.00 30.49 26.53 23.77 8.72 4.61 12.00 17.51 14.26 13.00 0.63 0.89
22 19.00 13.93 11.21 20.00 28.01 25.11 11.35 23.82 22.73 13.00 11.47 8.52 11.00 7.71 6.87
23 16.00 14.58 11.23 15.00 24.89 24.65 10.28 5.31 3.10 16.08 15.18 7.00 0.71 0.82
24 14.00 7.24 10.12 13.00 4.58 3.31 15.41 11.23 6.11 10.00 6.09 5.02 14.00 1.07 2.36
25 13.00 5.14 3.96 15.00 5.19 4.48 25.07 37.96 28.90 12.00 4.83 3.97 10.00 1.34 1.72
26 30.00 9.46 8.54 14.00 51.83 51.49 9.17 15.37 13.48 25.00 33.11 30.90 19.00 13.38 15.71
27 19.00 11.52 8.55 11.00 26.92 25.32 11.79 7.41 5.01 10.00 7.31 5.65 14.00 9.68 8.12
28 26.00 13.37 11.23 19.00 30.04 28.34 9.82 22.14 21.71 14.00 21.35 18.65 19.00 4.61 6.16
29 15.00 8.79 8.14 19.00 10.29 10.31 9.17 10.18 19.58 5.00 6.20 4.58 14.00 7.13 5.60
30 27.00 9.65 9.98 26.45 27.23 11.17 9.88 8.02 12.00 14.04 11.52 16.00 12.12 9.25
31 17.00 10.41 10.79 13.30 16.76 3.27 7.74 7.98 6.00 15.91 14.75 11.00 4.28 5.32
200
Valores Monitorados e Simulados em fevereiro.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 22.00 7.09 5.51 14.74 12.56 9.91
10.81
7.11
16.00
4.87
3.34
19.00 5.13 5.76
2 18.00 15.17 10.02 31.68 28.18 19.98
15.70
16.00
14.19
11.02
11.00 2.63 2.36
3 12.00 5.54 3.94 9.36 9.04 16.58
13.90
14.00
10.33
9.17
8.00 3.05 3.56
4 15.00 8.74 10.22 12.22 12.94 2.62
2.92
2.05
11.00
8.41
8.78
16.00 6.20 6.39
5 13.00 10.81 7.88 35.00 18.08 20.17 3.81
5.82
4.57
12.00
14.82
15.74
16.00 2.63 4.11
6 8.00 6.01 3.10 18.00 2.51 1.86 3.77
7.62
5.24
13.00
2.78
2.15
8.00 0.00 0.10
7 14.00 9.04 5.42 18.00 14.57 11.10 3.57
10.09
7.09
15.00
14.40
10.80
9.00 0.86 0.53
8 20.00 11.64 5.74 26.00 11.46 8.15 2.62
15.73
12.18
22.00
9.66
8.00
23.00 0.00 0.18
9 8.00 13.56 9.79 12.00 26.59 24.96 2.62
8.41
4.87
10.00
13.00
10.93
6.00 0.05 0.59
10 17.00 8.11 3.97 7.00 6.95 5.70 5.96
3.71
10.00
6.40
5.36
12.00 0.00 0.14
11 11.00 5.93 3.18 10.00 17.82 12.05 3.20
2.88
2.01
14.00
15.28
10.62
9.00 0.58 0.51
12 4.00 6.03 2.69 11.00 4.73 3.41 3.67
3.91
2.26
8.00
3.79
3.10
5.00 0.00 0.07
13 4.00 15.57 11.85 8.00 39.99 31.06 2.61
2.95
1.90
8.00
18.93
15.54
6.00 2.37 2.85
14 11.00 11.36 6.05 18.00 23.20 16.80 9.17
4.10
2.37
18.00
12.44
10.71
10.00 3.02 1.72
15 14.00 15.78 9.91 17.00 24.83 21.80 16.60
5.83
3.66
14.00
14.71
12.39
13.00 0.02 0.15
16 17.00 3.66 3.37 13.00 5.26 6.97 8.81
16.37
22.69
12.00
3.89
5.08
12.00 0.12 0.32
17 5.00 3.01 2.01 1.00 2.49 1.95 11.27
10.16
13.64
5.00
2.58
1.92
2.00 0.12 0.14
18 8.00 3.38 2.33 1.00 3.33 3.54 9.96
6.52
5.21
7.00
3.42
3.19
6.00 0.20 0.31
19 12.00 7.46 6.52 16.96 15.98 24.83
7.00
4.72
10.00
20.32
16.62
9.00 3.94 4.77
20 20.00 4.69 2.62 3.37 2.32 12.98
14.50
8.50
13.00
2.90
2.17
10.00 0.03 0.11
21 21.00 5.92 3.67 5.00 4.99 5.50 2.62
6.59
3.81
15.00
5.21
4.73
16.00 0.85 1.15
22 15.00 5.69 4.23 7.00 9.47 8.27 2.62
15.57
13.10
13.00
7.63
6.34
18.00 4.67 4.55
23 15.00 7.18 3.98 7.00 17.03 10.49 5.72
3.65
13.00
5.27
2.90
8.00 5.29 3.30
24 5.00 9.64 5.13 6.00 16.64 11.88 8.48
6.83
6.00
14.59
10.39
5.00 0.47 1.01
25 7.00 6.66 5.63 5.00 5.75 7.18 2.62
5.70
3.55
7.00
4.97
5.90
2.00 0.09 0.23
26 8.00 5.14 2.88 6.00 2.04 1.55 4.98
5.16
3.64
11.00
2.25
1.82
6.00 0.00 0.07
27 13.00 6.61 3.41 7.00 3.01 2.07 3.77
8.04
4.67
9.00
3.30
2.30
0.00 0.01 0.10
28 9.00 6.23 3.21 6.00 3.25 2.16 3.92
12.54
7.87
8.00
3.27
2.38
11.00 0.03 0.12
201
Valores Monitorados e Simulados em março.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 17.00 6.60 6.19 7.00 10.43 7.86 5.86 7.38 4.75 19.00 12.45 8.19 14.00 1.74 2.88
2 12.00 9.35 9.19 6.00 14.73 11.43 3.81 11.43 7.56 10.00 9.33 6.16 10.00 5.67 3.90
3 8.00 11.56 7.91 8.00 12.38 11.69 3.92 23.59 16.32 6.00 15.39 13.21 6.00 5.24 5.79
4 21.00 10.22 5.92 8.00 1.94 1.48 6.05 6.70 6.72 14.00 3.20 2.43 11.00 2.27 1.34
5 22.00 8.49 5.25 9.00 11.22 12.77 4.43 14.90 9.22 14.00 8.55 8.50 22.00 0.65 0.54
6 16.00 5.51 5.01 14.00 15.64 14.61 6.21 8.64 7.00 18.00 5.49 4.66 21.00 6.79 5.32
7 17.00 16.25 11.31 28.00 17.51 17.31 9.61 24.63 23.39 20.00 12.21 11.17 21.00 6.34 5.64
8 22.00 5.33 3.63 25.00 5.16 3.63 8.59 39.45 32.92 20.00 4.95 3.55 18.00 0.22 0.30
9 10.00 4.85 3.36 24.00 3.23 2.73 5.73 25.90 19.65 12.00 4.68 2.97 13.00 0.42 0.36
10 10.00 4.64 2.72 24.00 4.05 2.73 6.18 21.15 19.09 10.00 3.30 2.51 12.00 0.39 0.16
11 38.00 6.94 3.87 27.00 2.91 2.35 19.07 13.06 10.76 9.00 3.65 2.78 14.00 0.00 0.13
12 20.00 9.76 9.42 41.00 7.22 6.36 12.03 27.50 35.55 21.00 8.45 8.78 2.61 2.78
13 20.00 13.22 11.74 32.00 14.38 20.01 13.43 12.22 13.33 24.00 11.01 11.59 2.73 3.06
14 17.00 12.82 14.21 33.00 19.44 16.41 10.04 10.81 12.77 14.00 10.26 9.11 23.00 15.60 14.58
15 19.00 20.31 14.91 40.00 61.02 52.93 7.57 13.76 11.60 23.00 32.46 28.59 26.00 0.91 0.81
16 1.00 9.40 7.11 43.00 11.68 11.47 17.42 33.15 35.75 14.00 8.23 6.25 14.00 4.12 4.16
17 2.00 10.94 7.61 47.00 11.13 10.97 9.32 18.79 15.57 22.00 7.03 5.73 20.00 6.48 5.54
18 2.00 12.26 6.92 48.00 8.76 8.48 17.68 38.77 35.78 25.00 8.29 9.38 23.00 0.26 0.45
19 2.00 5.85 3.79 85.00 4.67 3.28 13.22 20.50 14.80 21.00 3.84 2.95 17.00 0.03 0.17
20 5.00 10.73 6.66 68.00 7.62 8.18 11.68 8.68 21.00 7.43 5.66 27.00 2.14 1.65
21 2.00 5.04 3.92 54.00 20.02 12.97 4.77 5.63 3.00 7.52 4.73 9.00 4.21 2.83
22 6.00 5.24 3.19 61.00 2.22 1.93 6.95 5.61 9.00 3.06 2.22 5.00 0.29 0.20
23 8.00 13.42 7.84 69.00 6.58 6.86 22.50 21.43 16.00 7.69 8.91 4.00 0.13 0.52
24 7.00 11.31 8.06 59.00 6.02 7.51 21.66 25.60 9.00 7.02 9.12 1.00 0.39 1.06
25 4.00 6.32 8.01 13.01 18.54 10.21 9.22 6.00 6.25 6.99 4.97 4.80
26 4.00 15.53 11.32 43.18 46.37 15.47 15.23 4.00 27.13 26.99 1.00 13.77 12.30
27 3.00 9.76 9.37 20.00 31.37 32.32 11.04 12.68 9.00 21.16 19.69 1.00 4.78 5.58
28 5.00 8.97 4.49 9.00 15.09 13.16 10.14 4.84 16.00 6.22 4.72 1.00 10.00 6.91
29 2.00 8.14 5.14 11.95 11.73 15.56 26.43 8.00 11.69 11.61 0.30 0.62
30 22.00 22.18 20.38 21.00 8.16 9.78 20.63 21.11 27.00 10.69 11.21 5.00 3.10 4.11
31 12.00 9.02 3.06 15.00 5.45 1.97 13.35 3.15 26.00 7.19 2.15 3.00 2.42 0.14
202
Valores Monitorados e Simulados em abril.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 23.00 8.12 4.18 26.00 4.91 3.75 26.79 15.47 43.00 5.83 4.42 14.00 0.06 0.33
2 9.00 14.28 9.85 13.00 10.24 15.68 21.04 24.44 19.00 7.59 5.35 7.00 8.81 6.48
3 2.00 8.60 6.62 10.00 15.07 14.77 9.58 19.86 8.00 12.55 11.06 0.00 7.63 6.60
4 1.00 19.97 12.86 8.00 24.73 24.28 28.75 30.87 8.00 13.76 18.44 1.00 12.98 9.79
5 3.00 17.54 16.65 5.00 78.22 79.57 11.43 14.63 11.00 10.62 12.86 2.00 22.31 22.27
6 4.00 10.33 7.76 7.00 10.90 12.30 10.05 9.72 7.00 13.44 13.29 3.00 6.23 6.35
7 3.00 15.63 11.84 6.84 6.57 9.67 3.24 8.00 11.51 6.71 2.00 10.09 7.18
8 1.00 9.12 9.07 13.00 26.78 24.53 15.21 12.99 10.00 16.59 14.78 3.00 7.59 6.64
9 5.00 5.98 3.60 12.00 3.46 3.01 18.43 16.59 14.00 4.29 3.29 6.00 0.11 0.23
10 1.00 6.43 3.91 15.00 5.14 6.61 8.89 7.91 7.00 4.97 4.96 6.00 0.14 0.24
11 2.00 9.44 7.04 19.00 16.52 30.75 11.46 12.35 12.00 13.54 24.34 10.00 1.16 2.47
12 6.00 8.58 5.90 17.00 13.72 17.05 21.13 15.86 28.00 17.41 17.51 15.00 2.98 3.82
13 2.00 10.88 9.11 8.00 29.78 25.92 6.73 3.56 10.00 22.60 18.59 5.00 2.92 3.40
14 1.00 11.20 8.97 6.00 10.99 11.26 11.55 12.32 3.00 16.75 16.90 2.00 8.18 11.68
15 2.00 5.23 3.36 8.00 3.46 2.59 23.64 21.70 8.00 3.30 2.66 5.00 0.02 0.14
16 4.00 8.52 4.81 11.00 4.22 4.13 18.25 17.27 8.00 4.35 5.06 6.00 0.00 0.17
17 14.00 9.21 4.39 12.00 4.51 3.01 14.83 8.22 22.00 5.50 4.64 16.00 0.06 0.16
18 9.00 6.82 4.02 26.00 15.09 12.14 23.58 14.29 27.00 5.13 2.95 19.00 12.01 8.09
19 3.00 11.40 6.71 10.00 19.13 12.97 14.97 11.58 10.46 11.00 7.87 6.06 7.00 1.99 1.26
20 6.00 7.62 4.52 20.00 4.39 3.39 22.75 29.14 20.97 14.00 5.64 3.72 9.00 0.21 0.29
21 5.00 11.81 4.86 2.00 13.64 5.63 6.11 12.27 11.70 2.00 9.56 6.80 8.00 0.11 0.24
22 4.00 13.44 9.41 8.00 4.36 4.59 12.98 13.82 20.58 8.00 7.98 7.44 1.00 4.85 3.75
23 1.00 7.89 4.18 22.00 3.56 2.95 10.48 9.46 6.09 5.00 4.01 3.13 3.00 0.01 0.16
24 20.00 8.01 4.84 27.00 5.49 4.86 18.17 32.06 21.48 45.00 5.02 4.06 15.00 0.22 0.36
25 17.00 11.27 8.31 17.00 7.98 8.79 11.46 16.26 9.41 25.00 16.82 15.77 17.00 6.77 9.00
26 19.00 5.92 3.44 20.00 4.53 3.54 8.78 16.63 6.78 28.00 5.26 3.43 27.00 0.35 0.44
27 1.00 5.50 2.65 11.00 10.11 2.97 8.38 12.73 12.97 12.00 5.30 2.96 6.00 1.90 0.31
28 0.00 4.07 2.39 16.00 3.44 3.37 7.71 2.80 2.01 2.00 3.25 3.40 0.00 0.06
29 8.00 7.86 4.31 3.65 2.76 30.73 21.16 12.67 10.00 4.12 2.96 2.00 0.00 0.15
30 16.00 8.75 4.04 4.00 14.26 12.76 10.85 17.91 15.53 22.00 9.04 4.96 29.00 3.61 2.81
203
Valores Monitorados e Simulados em maio.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 8.92 7.77 4.00 10.02 9.76 3.72 5.85 3.63 4.00 7.55 5.52 3.13 2.50
2 1.00 5.19 2.43 16.00 2.49 1.58 21.11 4.76 2.69 4.00 2.61 1.61 0.00 0.05
3 2.00 8.81 4.16 7.00 17.62 9.97 25.12 4.26 4.32 11.00 6.74 2.43 1.00 2.86 2.69
4 7.00 7.95 4.91 16.00 12.61 8.81 11.94 16.92 10.18 17.00 13.14 7.77 4.00 7.09 4.14
5 1.00 9.74 4.93 11.00 10.06 9.82 11.72 11.10 10.19 4.00 11.71 11.62 0.03 0.20
6 2.00 9.43 13.39 3.00 4.25 4.04 18.34 11.35 7.69 5.00 5.52 5.67 2.06 4.73
7 12.40 6.18 11.00 11.25 23.56 17.03 16.33 16.59 9.00 8.91 11.24 0.20 0.67
8 3.00 22.13 23.78 15.00 14.53 12.77 6.11 11.32 12.08 11.00 19.75 16.58 6.28 9.19
9 1.00 23.05 30.05 12.00 12.90 13.75 7.20 11.40 9.48 8.00 15.54 15.70 12.29 15.34
10 1.00 13.36 12.14 4.00 10.77 23.15 17.88 10.41 8.81 11.00 11.31 24.96 3.00 3.68 9.65
11 2.00 8.25 4.04 9.00 6.37 3.29 22.71 19.33 17.77 5.00 6.01 4.18 5.00 0.12 0.19
12 1.00 9.38 3.96 3.00 4.23 2.59 9.50 13.23 7.38 5.00 4.83 3.57 3.00 0.01 0.15
13 3.00 7.84 5.81 7.00 3.63 4.46 29.69 10.01 7.52 8.00 4.42 5.08 6.00 0.07 0.59
14 2.00 9.39 5.06 5.00 4.28 3.11 19.07 14.53 8.42 11.00 5.16 3.47 8.00 0.01 0.16
15 6.00 13.05 8.10 21.00 9.58 8.48 13.10 30.85 38.80 23.00 9.85 11.51 16.00 0.13 0.51
16 10.00 8.89 5.65 25.00 9.18 8.74 10.22 9.59 7.17 21.00 6.51 6.01 33.00 0.84 0.28
17 8.00 15.82 15.72 29.39 24.68 13.44 4.69 2.78 7.00 10.99 9.45 9.00 13.06 9.47
18 1.00 10.84 7.15 24.16 23.80 21.11 16.11 13.80 7.00 12.77 11.99 9.00 3.99 3.36
19 1.00 12.75 6.75 14.58 6.92 7.58 13.06 11.39 12.00 17.25 10.09 16.00 7.30 3.27
20 8.00 18.09 14.36 12.62 11.85 25.08 7.35 4.13 21.00 17.57 13.25 21.00 14.72 12.71
21 4.00 6.31 4.33 12.16 8.41 6.25 3.81 2.20 11.00 6.41 4.11 17.00 2.91 2.06
22 8.00 7.74 7.59 12.00 13.92 15.82 7.70 3.89 2.55 9.00 7.86 10.41 15.00 4.47 7.18
23 18.00 16.73 18.64 9.00 29.83 42.66 18.34 9.56 11.98 14.00 25.83 25.57 20.00 23.76 22.47
24 12.00 17.93 14.42 6.00 26.79 30.25 9.32 12.29 10.59 9.00 16.14 12.96 14.00 19.99 19.06
25 11.00 18.17 14.28 6.00 39.25 36.61 7.86 6.05 3.62 8.00 16.84 13.19 14.00 10.66 9.14
26 12.00 9.32 7.89 7.00 14.51 14.37 6.91 12.29 11.76 9.00 6.46 6.84 17.00 9.89 7.19
27 15.00 8.77 5.67 6.00 5.62 5.86 19.25 14.49 9.92 10.00 5.50 5.05 12.00 1.40 3.49
28 11.00 11.58 6.42 9.00 7.87 9.89 12.13 11.72 9.41 9.00 8.49 8.85 1.09 1.81
29 2.00 13.64 10.56 8.00 16.49 16.91 24.16 16.09 15.61 14.00 8.67 10.86 12.37 9.95
30 2.00 9.75 6.40 17.00 8.48 10.43 10.48 15.10 8.58 24.00 10.37 10.65 2.59 2.80
31 2.00 19.18 31.22 15.00 42.73 43.87 10.48 8.19 7.09 26.00 34.06 31.87 9.09 18.02
204
Valores Monitorados e Simulados em junho.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 1.00 18.51 17.43 7.00 17.00 16.72 3.84
10.40
6.88
10.00
17.85
15.20
2.40 3.29
2 5.83 2.28 7.00 3.07 1.58 16.11
8.12
2.58
5.00
3.41
1.75
0.24 0.09
3 3.00 10.27 5.76 14.00 4.83 4.49 25.04
13.20
11.59
18.00
6.69
6.09
0.16 0.51
4 3.00 7.42 6.39 14.00 5.17 8.58 18.34
11.14
12.07
17.00
9.56
9.84
1.12 2.11
5 3.00 13.85 7.66 7.00 8.30 6.64 33.24
29.33
19.78
17.00
9.14
8.64
0.15 0.43
6 3.00 6.44 4.64 12.00 6.78 7.29 15.61
36.27
36.75
27.00
7.85
7.31
0.55 0.70
7 3.00 11.19 5.76 17.00 5.81 4.25 21.53
25.01
16.17
29.00
6.89
5.36
0.13 0.34
8 4.00 13.19 4.51 17.00 6.94 3.95 9.56
27.14
20.29
24.00
8.05
4.42
1.14 0.36
9 1.00 12.33 7.14 16.00 6.15 6.34 12.27
15.02
16.58
14.00
8.34
9.10
0.23 0.58
10 2.00 9.18 6.75 17.00 6.85 7.06 8.91
26.08
21.22
28.00
5.66
4.79
1.08 1.62
11 6.00 11.79 9.73 11.00 8.76 6.77 14.20
10.99
5.69
10.00
7.24
4.41
6.76 4.50
12 19.00 9.30 6.55 14.00 12.69 13.81 7.40
15.02
14.36
24.00
6.95
6.17
5.04 5.72
13 6.00 13.19 9.91 14.00 22.50 20.16 19.04
20.55
16.94
13.00
18.28
13.45
13.07 9.53
14 16.00 5.96 2.51 19.00 13.61 6.27 10.17
21.22
15.71
22.00
5.97
3.93
2.22 1.89
15 7.00 16.95 12.22 8.00 32.72 27.19 6.63
18.78
17.72
10.00
14.67
11.92
5.01 3.89
16 4.00 7.29 5.68 5.00 8.24 8.34
12.57
10.84
13.00
6.80
8.09
2.18 3.39
17 6.00 5.80 6.92 5.85 6.18 13.59
8.74
9.50
12.00
4.71
4.77
5.13 5.48
18 31.00 10.50 12.93 18.00 54.31 64.48 20.96
22.67
23.88
28.00
32.06
35.99
22.72 21.14
19 13.00 14.70 13.25 17.00 30.17 26.30 7.51
10.37
9.01
20.66
17.18
11.45 11.66
20 11.00 16.14 15.63 18.00 37.23 40.84 10.04
9.83
10.36
15.00
16.60
19.47
14.13 12.62
21 24.00 6.93 4.70 20.00 4.45 4.27 4.05
6.57
3.80
26.00
7.74
5.15
25.00 0.92 0.73
22 14.00 22.92 21.99 6.00 37.63 34.03 3.71
8.69
6.18
9.00
27.67
26.47
8.00 24.13 22.00
23 4.00 9.05 6.27 4.00 21.49 20.54 5.68
7.52
10.28
4.00
15.48
14.67
9.00 7.72 10.27
24 18.00 23.41 33.15 15.00 20.51 27.22 12.12
5.97
3.53
13.00
16.24
18.66
16.00 11.71 13.02
25 13.00 18.49 17.57 9.00 12.39 13.67 4.12
9.90
6.83
9.00
13.13
8.97
8.00 10.03 8.47
26 18.00 11.53 9.42 10.00 27.54 24.65 26.20
24.66
29.01
9.00
7.48
5.44
10.74 12.31
27 12.00 15.33 11.09 7.00 15.04 16.65 23.99
12.50
11.81
9.00
10.10
13.45
8.95 7.87
28 27.00 8.36 7.06 18.00 17.20 17.51 21.93
42.93
42.63
30.00
15.82
15.37
14.24 12.77
29 14.00 13.33 8.87 12.00 9.03 8.23 8.44
23.95
12.94
12.00
8.74
10.80
0.27 0.73
30 14.00 10.88 5.02 22.00 6.69 4.95 13.34
31.59
27.96
20.00
7.71
6.00
0.14 0.41
205
Valores Monitorados e Simulados em julho.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 26.00 7.05 5.47 14.00 20.44 20.68 14.64
5.73
1.90
16.00
5.89
4.09
12.70 12.32
2 11.00 7.35 3.75 9.00 10.17 5.40 16.74
18.19
13.82
6.00
6.02
2.64
5.19 3.51
3 10.00 8.40 9.71 8.00 6.99 9.35 22.71
27.25
25.90
7.00
5.11
5.10
0.09 0.24
4 10.00 11.03 8.01 7.00 16.01 39.05 26.93
15.09
12.91
9.00
24.24
44.63
7.42 9.94
5 8.00 8.94 5.27 8.00 4.28 3.69 10.64
22.03
24.29
7.00
5.05
4.78
0.02 0.23
6 28.00 19.52 16.40 28.00 17.02 19.78 7.28
17.09
17.53
22.00
21.35
22.40
2.59 3.69
7 16.00 8.90 7.58 20.00 13.93 15.44 5.57
2.15
1.44
16.00
8.17
8.26
1.84 2.50
8 7.00 9.90 7.73 3.00 30.31 23.45 3.93
12.19
11.62
5.00
9.04
8.86
1.52 1.10
9 12.00 15.22 10.54 6.00 18.69 21.05 21.21
10.50
9.76
7.00
13.76
14.69
10.16 9.20
10 16.00 23.59 38.07 7.00 32.44 42.29 8.88
5.22
3.35
12.00
33.96
35.33
7.21 11.63
11 8.00 15.12 12.92 3.00 34.31 33.43 21.73
8.35
9.14
4.00
11.88
10.16
5.58 6.32
12 14.00 35.72 33.73 5.00 67.27 56.71 8.65
3.31
2.06
8.00
39.33
34.81
7.45 9.43
13 3.00 13.70 10.09 2.00 45.76 33.73 5.24
4.12
2.60
1.00
7.64
4.82
13.57 10.03
14 7.00 8.86 7.45 1.00 16.89 15.28 26.36
9.40
6.38
4.00
12.56
7.28
3.73 4.07
15 15.00 20.06 19.24 10.00 15.44 22.56 12.34
16.14
15.86
10.00
11.79
15.21
14.65 14.04
16 10.00 24.85 39.46 7.00 33.49 29.57 6.78
2.88
1.84
8.00
36.52
29.98
16.07 18.15
17 9.00 7.09 8.34 4.00 16.34 13.30 12.33
9.30
6.92
3.00
8.38
4.51
9.73 7.08
18 17.00 9.51 8.65 14.00 18.08 15.14 7.86
9.90
7.00
13.00
12.17
8.41
7.74 6.26
19 12.00 18.29 27.90 7.00 18.72 18.46 14.92
9.17
5.08
9.00
10.30
14.84
18.10 20.35
20 11.00 7.49 4.60 7.00 3.39 3.24 15.10
9.95
8.12
9.00
4.74
3.69
0.13 0.35
21 8.00 9.20 4.53 6.00 4.24 3.68 16.97
33.03
31.75
6.00
5.47
4.63
0.11 0.28
22 23.00 11.22 5.79 9.00 6.99 6.43 15.72
13.78
17.66
20.00
8.08
8.41
0.04 0.27
23 15.00 9.27 7.05 12.00 15.62 14.35 18.21
9.47
12.95
12.00
6.93
7.88
5.18 4.25
24 12.00 20.51 18.86 10.00 33.40 31.54 21.91
32.40
29.69
6.00
22.22
19.87
2.39 3.39
25 12.00 5.41 3.84 10.00 4.78 3.73 10.71
30.46
29.58
10.00
4.20
3.48
0.07 0.22
26 14.00 11.25 10.87 6.00 18.17 21.08 13.22
33.00
29.38
8.00
10.55
8.87
0.37 0.59
27 24.00 10.10 11.72 19.00 17.65 16.19 5.89
3.57
2.17
21.00
7.65
7.75
2.15 5.92
28 4.00 11.24 11.28 1.00 30.85 25.76 14.93
9.06
4.70
1.00
14.00
9.47
13.75 10.66
29 7.00 7.29 5.08 5.00 8.71 7.09 24.56
15.04
9.07
6.00
6.50
5.76
1.43 1.57
30 11.00 6.01 3.73 8.00 10.80 10.58 10.73
9.93
4.54
7.00
10.35
8.61
0.29 0.51
31 13.63 7.97 5.06 15.00 11.68 10.75 8.95
5.81
4.20
15.00
5.20
2.45
2.64 3.22
206
Valores Monitorados e Simulados em agosto.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 19.00 14.31 10.69 11.00 16.72 15.62 13.89 31.89 37.96 14.00 11.87 9.84 7.60 6.29
2 10.00 13.00 13.33 5.00 22.44 28.73 14.85 10.77 9.03 8.00 10.01 12.73 1.81 4.13
3 8.00 27.58 25.32 6.00 29.32 27.73 6.55 14.44 11.36 9.00 18.89 17.19 7.55 10.04
4 3.00 14.11 9.29 5.00 22.19 19.01 20.09 48.08 61.84 1.00 6.66 7.64 2.90 2.58
5 11.00 10.15 6.37 10.00 9.95 8.53 14.22 14.62 12.21 12.00 6.81 7.91 2.21 2.72
6 10.00 8.70 7.68 8.00 17.71 16.37 13.75 22.54 25.05 10.00 11.98 6.84 8.77 6.62
7 22.00 4.09 3.65 27.00 6.80 7.46 23.43 9.25 4.93 22.00 4.08 4.14 2.40 3.58
8 10.00 15.82 10.30 12.00 13.35 10.13 20.96 11.88 6.18 15.00 4.95 3.76 1.75 2.22
9 24.00 11.83 9.56 12.00 5.20 3.68 10.65 4.55 2.51 23.00 7.17 5.48 1.85 2.87
10 8.00 17.58 10.66 4.00 24.87 16.18 16.42 11.13 7.27 8.62 6.45 8.75 5.15
11 4.00 15.02 10.91 4.00 23.75 24.75 8.66 14.75 11.37 16.20 17.46 10.10 8.63
12 17.00 9.90 8.26 23.00 11.74 11.40 15.12 10.70 6.17 17.29 13.49 8.91 8.14
13 37.00 17.46 13.68 28.00 22.72 23.55 13.10 16.76 12.99 22.92 20.75 3.04 2.89
14 21.00 6.84 4.61 17.00 13.68 10.47 10.36 12.08 8.06 8.14 4.42 2.15 2.89
15 4.00 8.81 5.88 7.00 14.35 15.09 14.85 12.93 11.38 7.00 4.68 4.23 5.92 8.86
16 6.00 9.28 9.40 7.00 22.79 27.23 11.46 19.52 22.56 9.00 6.80 11.47 6.62 8.37
17 6.00 9.24 8.28 8.00 39.06 47.64 7.98 10.38 9.67 7.00 26.06 30.38 15.73 18.53
18 2.00 8.06 6.37 8.00 4.46 5.81 32.91 22.94 19.74 5.00 6.22 11.96 1.49 7.29
19 9.00 14.01 15.75 11.00 10.17 10.76 21.83 10.19 5.79 7.00 9.22 8.39 4.45 8.68
20 14.00 6.36 3.88 9.00 6.00 3.34 20.63 11.18 10.63 12.00 7.35 3.80 0.28 0.55
21 17.00 10.03 4.66 12.00 4.71 3.28 19.87 57.84 68.79 18.00 5.65 5.25 0.05 0.18
22 14.00 14.38 10.29 14.00 23.02 22.11 33.09 8.08 6.52 22.00 9.00 12.01 0.11 0.73
23 11.00 8.33 6.00 12.00 22.52 24.38 17.85 43.32 43.99 13.00 5.01 4.45 9.42 10.39
24 7.00 10.10 6.86 22.00 17.72 16.82 13.92 13.54 12.14 19.00 11.06 11.63 5.83 4.80
25 7.00 11.29 7.66 9.00 16.65 16.08 11.24 10.11 7.27 8.00 7.28 5.79 15.76 11.91
26 7.00 8.26 4.57 8.00 3.45 2.95 15.83 8.94 5.06 9.00 4.15 3.78 0.00 0.15
27 8.00 10.24 10.61 8.00 12.53 11.15 16.05 9.35 5.99 6.00 6.72 6.22 0.14 0.21
28 11.00 7.62 4.75 9.00 11.81 13.35 13.21 32.42 32.77 8.00 12.33 12.18 0.39 0.83
29 29.00 10.58 5.85 12.00 8.47 8.13 13.97 7.11 4.44 15.00 10.76 10.96 0.03 0.26
30 12.00 9.55 6.24 9.00 26.97 22.04 13.67 8.88 6.04 12.00 18.47 15.81 5.11 3.77
31 22.91 15.62 8.00 30.04 25.76 3.78 3.75 2.41 8.00 8.39 7.60 0.60 0.44
207
Valores Monitorados e Simulados em setembro.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 4.00 6.82 6.00 1.00 23.48 23.29
5.68
1.79
1.00
9.94
8.64
8.92 7.80
2 3.00 10.47 12.16 2.00 31.66 28.59 10.89
8.35
6.97
3.00
10.62
9.16
9.64 7.75
3 13.00 21.68 14.42 8.00 46.59 39.41 10.15
11.49
12.33
7.00
13.72
10.75
15.53 12.70
4 12.00 9.52 13.46 6.00 38.78 39.04 21.40
14.96
13.66
7.00
15.69
21.47
14.12 16.86
5 9.00 12.42 6.61 7.00 5.40 4.62 21.40
21.74
19.66
9.00
7.14
6.30
0.01 0.28
6 17.00 14.03 7.88 11.00 6.19 5.68 25.06
5.11
5.31
18.00
7.47
7.85
0.04 0.32
7 4.00 6.94 5.17 1.00 10.53 10.42 14.52
10.10
8.56
2.00
7.49
6.61
0.75 1.01
8 4.00 10.16 17.35 4.00 7.28 9.56 11.23
10.55
9.59
5.00
8.39
11.25
3.23 7.56
9 7.00 6.55 3.72 11.00 3.31 2.61 12.94
5.97
4.97
6.00
4.10
2.99
0.12 0.20
10 8.00 4.43 2.87 2.00 2.02 1.60 18.20
7.39
4.18
8.00
2.19
1.76
0.00 0.07
11 8.00 4.85 2.74 3.00 2.12 1.60 10.36
11.92
11.14
6.00
2.44
1.81
0.01 0.07
12 15.00 8.63 5.59 10.00 10.88 14.49 10.77
13.76
10.47
17.00
7.00
9.49
1.85 5.31
13 13.00 12.64 7.96 11.00 28.79 20.12 12.05
8.82
13.00
18.74
12.28
8.70 6.61
14 5.00 14.23 10.26 26.54 21.80 6.64
5.07
5.00
11.29
8.71
1.40 1.28
15 3.00 20.00 28.01 32.48 28.56 18.05
5.61
3.54
2.00
11.07
18.77
14.69 21.62
16 9.00 5.98 3.38 2.47 1.99 17.25
4.95
3.90
16.00
3.00
2.29
0.00 0.10
17 9.00 5.20 3.29 5.00 2.15 1.86 16.37
24.89
22.97
7.00
2.38
2.13
0.01 0.09
18 9.00 10.35 10.35 4.00 11.31 10.34 15.72
21.80
16.31
6.00
5.30
4.80
0.02 0.19
19 12.00 6.55 3.91 13.00 4.64 3.50 10.12
18.15
16.24
9.00
4.31
3.72
0.03 0.14
20 14.00 14.93 9.41 7.00 10.34 8.91 3.32
3.91
51.20
12.00
9.35
7.22
7.06 4.24
21 2.00 24.11 18.44 60.09 51.20 2.62
5.28
3.32
1.00
17.21
17.14
0.10 0.52
22 2.00 11.86 7.30 2.00 28.35 22.52 6.90
6.69
3.24
2.00
15.91
10.34
7.09 6.03
23 9.00 24.71 18.79 8.00 54.48 49.48 6.90
6.69
3.24
7.00
28.08
21.14
10.76 2.24
24 5.00 6.28 7.58 3.00 20.08 20.60 4.10
3.12
3.37
2.00
3.96
4.92
8.11 7.32
25 9.00 12.00 6.36 2.00 4.97 4.64 17.70
15.37
16.42
9.00
6.16
6.54
0.02 0.24
26 9.00 16.86 20.06 9.00 8.83 11.43 17.19
10.28
22.59
10.00
11.82
9.19
6.45 6.33
27 9.00 6.03 6.53 7.00 13.20 23.89 16.91
9.28
11.11
8.00
14.79
27.67
2.95 16.22
28 4.00 5.84 4.19 4.00 2.53 2.63 14.47
6.69
7.59
6.00
2.66
3.35
0.00 0.11
29 8.00 9.58 6.31 13.00 8.46 9.07 15.67
18.81
12.62
11.74
10.22
0.50 1.09
30 27.00 11.38 8.88 17.00 8.40 5.47 16.24
39.72
32.70
7.49
5.10
0.89 0.99
208
Valores Monitorados e Simulados em outubro.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 7.00 12.76 8.37 5.00 30.89 23.52 9.88
20.20
13.09
5.00
10.42
6.73
1.29 2.10
2 4.00 5.22 3.68 3.00 11.80 9.21 9.26
3.69
2.62
2.00
4.72
3.52
4.15 2.58
3 6.00 8.78 5.06 7.00 4.48 3.61 13.88
20.24
20.32
6.00
4.47
4.68
0.01 0.16
4 11.00 15.54 9.48 10.00 18.03 13.38
21.63
31.96
15.00
9.57
8.51
7.13 4.08
5 10.00 9.95 11.86 17.00 23.58 23.72
7.15
6.18
12.00
13.20
15.74
19.62 22.74
6 4.00 7.43 5.99 6.00 15.71 14.32
5.50
3.12
6.00
6.03
6.68
3.14 3.55
7 20.00 17.38 11.96 17.00 47.14 39.83
16.08
30.29
18.00
29.55
22.66
4.40 2.63
8 17.00 7.15 5.37 14.00 21.63 18.18
10.55
9.97
18.00
10.60
8.05
12.08 8.29
9 4.00 18.28 16.07 9.00 42.54 39.55 5.22
6.35
5.51
7.00
29.73
26.87
4.73 5.08
10 16.00 16.85 12.35 11.00 76.95 61.69 13.06
27.65
23.34
13.00
30.46
27.00
11.46 7.40
11 14.00 9.43 6.60 16.00 8.32 7.13 13.55
28.05
24.14
15.00
7.27
6.96
0.04 0.25
12 8.00 8.88 6.89 11.00 14.77 12.50 7.22
7.80
4.58
10.00
7.77
4.81
5.32 4.55
13 3.00 14.62 8.96 7.00 32.91 23.01 3.59
12.27
10.40
3.00
5.71
6.61
1.82 2.37
14 13.00 17.81 13.78 14.00 34.73 30.35 12.24
12.36
12.88
10.00
6.83
8.73
7.13 5.44
15 11.00 6.02 4.85 20.00 17.03 16.62 8.88
15.10
17.13
17.00
6.18
5.89
10.36 7.30
16 11.00 17.49 17.44 21.00 9.64 10.32 17.46
21.96
22.20
8.37
8.49
6.01 5.56
17 12.00 6.47 5.25 6.00 15.82 13.40 6.69
18.35
15.10
7.00
11.97
9.85
0.56 0.30
18 4.00 18.96 16.00 3.00 36.57 37.87 6.30
6.74
5.00
4.00
8.23
9.61
0.51 1.13
19 5.00 6.77 4.98 8.00 3.55 5.04 16.87
10.23
12.09
6.00
5.23
6.22
0.24 0.60
20 7.00 7.45 4.40 9.00 4.52 3.28 7.98
21.50
18.02
6.00
4.21
3.21
0.01 0.18
21 16.00 8.14 6.61 12.00 10.09 9.63 7.25
9.51
11.40
17.00
5.67
6.57
1.14 1.89
22 3.00 3.49 2.95 3.00 4.97 6.07 3.36
3.52
2.67
3.00
2.34
1.87
1.62 2.14
23 5.00 4.51 2.50 5.00 2.10 1.61 6.23
7.16
6.06
4.00
2.16
1.72
0.01 0.07
24 11.00 4.72 3.19 7.00 2.42 2.11 9.42
6.88
7.95
7.00
2.67
2.55
0.24 0.28
25 17.48 17.62 11.00 6.23 6.02 11.19
19.82
21.25
10.00
9.35
9.39
8.00 4.09 5.05
26 7.57 7.11 12.00 23.71 25.48 2.61
21.84
22.14
9.00
15.26
13.49
8.00 2.76 3.92
27 15.85 14.74 2.00 34.07 32.21 2.85
8.88
6.82
3.00
11.78
13.19
3.00 10.42 6.77
28 16.77 11.52 8.00 30.23 24.39 9.64
11.45
19.62
4.00
5.53
6.38
4.00 4.30 2.88
29 14.00 6.14 11.09 16.00 10.66 12.31 6.34
4.93
3.22
8.00
5.48
6.77
12.00 4.54 7.86
30 7.00 12.61 10.33 4.00 28.99 28.05 4.35
4.05
2.41
7.52
5.58
10.00 7.17 5.58
31 4.00 10.25 7.96 23.62 19.19 2.61
8.45
5.58
5.25
4.60
4.00 0.68 1.33
209
Valores Monitorados e Simulados em novembro.
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 7.00 21.63 19.73 3.00 6.13 6.82 6.69 11.66 10.29 14.93 12.17 4.00 7.72 7.94
2 0.00 11.07 12.83 4.00 17.32 15.57 3.73 9.61 6.79 7.13 6.77 2.00 4.32 9.42
3 4.00 14.82 13.18 3.00 12.33 13.46 6.47 8.78 10.54 12.51 12.15 3.00 0.96 1.38
4 12.00 10.99 6.90 13.00 10.47 8.72 6.20 11.19 7.02 8.27 6.86 22.00 2.05 2.80
5 4.00 8.18 6.24 4.00 34.76 24.40 2.81 3.47 2.27 8.45 6.23 9.00 8.94 6.17
6 8.00 20.18 13.55 4.00 36.67 32.36 4.93 5.64 3.19 17.90 14.39 6.00 2.75 3.53
7 8.00 24.39 17.18 3.00 60.95 53.89 5.88 8.43 7.15 17.00 17.12 6.00 3.77 2.47
8 15.00 11.44 8.00 9.00 12.46 11.20 10.12 6.74 5.21 15.00 7.57 5.95 12.00 1.53 2.67
9 4.00 19.49 23.51 4.00 13.30 14.36 10.99 12.98 0.00 11.88 11.94 10.00 2.56 4.45
10 10.00 9.15 5.02 10.00 5.48 4.28 15.15 8.44 4.00 5.89 4.12 14.00 0.06 0.23
11 15.00 5.95 4.12 10.00 9.09 6.99 17.04 18.12 8.00 6.01 5.49 20.00 1.05 1.24
12 8.00 20.97 18.71 5.00 39.96 37.59 7.69 8.41 3.00 20.65 18.91 7.00 4.65 5.21
13 11.00 15.14 14.82 5.00 36.60 34.11 5.51 3.69 2.00 10.31 11.20 7.00 14.38 11.87
14 13.00 7.35 5.27 6.00 10.20 10.14 21.83 17.88 8.00 6.34 6.16 12.00 6.37 4.26
15 14.00 18.88 13.37 11.00 19.58 18.83 26.92 28.26 13.00 14.28 17.80 15.00 1.71 1.01
16 15.00 21.59 20.43 11.00 36.90 38.07 9.83 10.79 12.00 28.46 26.34 19.00 4.29 8.11
17 7.00 8.60 8.75 8.00 26.23 27.46 28.52 44.70 6.00 8.30 10.45 6.00 4.58 3.75
18 14.00 22.38 24.09 18.00 36.48 33.39 27.92 31.70 17.00 13.29 26.18 19.00 10.32 18.78
19 7.00 19.48 17.68 11.00 34.54 32.18 6.09 12.84 14.36 6.00 31.00 22.70 14.00 8.12 6.81
20 0.00 18.67 13.55 8.00 20.01 14.31 6.47 15.91 14.62 3.00 8.23 6.77 3.00 8.59 4.72
21 16.00 20.35 24.15 14.00 28.73 32.25 7.67 12.78 16.60 9.00 27.38 28.34 16.00 6.83 7.84
22 1.00 4.93 4.51 4.00 10.91 13.58 2.94 6.14 6.60 1.00 8.80 10.32 4.00 0.16 0.49
23 1.00 7.97 5.16 8.00 3.68 3.62 9.58 17.03 21.36 1.00 7.57 4.81 3.00 4.35 2.11
24 0.00 33.54 38.68 5.00 29.99 34.42 2.61 9.83 8.12 0.00 14.33 14.73 5.00 15.02 14.90
25 2.00 8.45 5.84 10.00 8.62 10.14 13.55 11.55 21.39 0.00 7.26 7.31 11.00 0.88 1.19
26 5.00 13.42 8.22 17.00 4.00 3.24 6.09 13.78 11.54 1.00 6.75 4.74 22.00 1.84 0.99
27 8.00 26.82 22.45 8.00 48.47 42.24 5.40 19.45 16.39 1.00 29.95 23.21 16.00 9.70 8.33
28 14.00 7.17 7.23 13.00 32.12 26.07 6.14 27.66 34.98 12.00 6.80 6.30 21.00 9.83 6.17
29 6.00 11.20 9.77 19.00 18.04 21.55 12.93 16.51 19.14 12.00 12.52 13.58 17.00 0.92 2.20
30 2.00 19.77 17.33 12.00 40.98 40.70 4.97 12.13 34.63 12.00 40.07 31.17 0.00 16.83 13.71
210
Valores Monitorados e Simulados em dezembro (até dia 20, fim da primavera).
Dia
Monitorado
(µg/m3) CA
ISC (µg/m3)
CA
AERMOD
(µg/m3) CA
Monitorado
(µg/m3) SP
ISC (µg/m3)
SP
AERMOD
(µg/m3) SP
Monitorado
(µg/m3) NI
ISC (µg/m3)
NI
AERMOD
(µg/m3) NI
Monitorado
(µg/m3) SC
ISC (µg/m3)
SC
AERMOD
(µg/m3) SC
Monitorado
(µg/m3) COPA
ISC (µg/m3)
COPA
AERMOD (µg/m3)
COPA
1 5.00 10.65 10.92 14.00 12.88 16.79 2.77 16.18 14.69 4.00 11.56 11.64 19.00 4.18 5.67
2 5.00 6.66 8.60 7.00 10.97 13.97 4.10 5.11 5.21 4.00 4.31 4.29 9.00 3.23 4.52
3 2.00 25.42 17.47 6.00 49.08 41.93 9.67 8.30 1.00 25.16 19.32 5.00 6.59 5.31
4 2.00 8.17 4.27 5.00 3.47 2.67 9.16 6.82 2.00 4.18 3.49 4.00 0.01 0.14
5 2.00 8.67 5.46 8.00 7.37 8.05 21.24 20.50 2.00 7.53 7.40 10.00 0.97 1.03
6 2.00 9.65 6.91 10.00 9.90 12.52 20.08 22.65 4.00 8.91 10.42 11.00 0.44 0.87
7 1.00 15.90 17.77 12.00 13.62 14.49 13.89 19.02 1.00 13.00 12.56 11.00 11.18 10.60
8 2.00 18.48 14.68 4.00 41.34 40.09 17.59 16.89 1.00 15.91 15.79 7.00 7.92 8.06
9 2.00 5.76 3.77 4.00 14.03 10.16 2.61 5.87 3.83 2.00 3.89 2.36 1.00 5.07 3.45
10 2.00 6.51 3.38 3.00 3.62 3.70 2.61 7.27 5.90 2.00 3.94 4.49 5.00 0.00 0.11
11 4.00 14.78 15.07 5.00 27.36 24.46 2.61 10.62 11.42 3.00 15.29 15.40 7.00 16.84 15.02
12 3.00 15.32 7.84 7.00 6.91 5.48 2.61 33.01 29.13 6.00 8.41 7.55 10.00 0.01 0.29
13 3.00 13.73 7.15 8.00 7.30 6.24 29.53 37.59 3.00 7.37 8.05 7.00 0.02 0.32
14 5.00 23.69 21.37 11.00 39.28 35.78 2.61 13.63 13.38 7.00 37.11 33.99 11.00 15.78 13.54
15 10.00 12.37 7.94 14.00 17.26 14.41 20.50 14.29 13.00 28.81 23.71 21.00 9.54 10.64
16 8.00 34.84 25.14 12.00 63.31 52.81 4.06 42.12 50.33 11.00 28.99 25.85 20.00 2.91 1.71
17 5.00 20.78 25.92 4.00 28.51 26.49 3.26 14.04 15.31 5.00 12.19 12.55 15.00 13.64 11.15
18 5.00 15.45 11.51 4.00 24.18 21.47 2.61 7.56 6.74 10.00 10.76 11.22 7.00 5.36 3.58
19 8.00 8.94 4.94 7.00 4.43 3.35 8.55 15.77 11.57 8.00 4.53 4.04 6.00 0.01 0.18
20 10.00 12.67 7.38 14.00 25.42 21.09 2.85 21.31 24.78 12.00 15.30 14.64 20.00 9.46 6.83
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
