A preocupação com a qualidade do ar urbano é crescente. Este trabalho estudou este problema de forma experimental e através de modelagem matemática. Determinou-se experimentalmente a concentração de CO e das variáveis que a afetam como o trânsito, clima e edificação, num total de quinze parâmetros, medidos em dez pontos da cidade. As medidas foram feitas alternando os locais e realizando em cada um deles quatro amostragens de uma hora por dia, em dias alternados durante um ano. Construiu-se desta maneira um extenso banco de dados sobre a poluição do ar na cidade de Ribeirão Preto. Para aprofundar a análise de resultados utilizou-se PCA como técnica para agrupar as variáveis. Um modelo matemático foi desenvolvido para fornecer a previsão de CO em função dos parâmetros estudados. O número de variáveis, sua natureza aleatória e a complexa interação existente entre elas, indicou a rede neural como base para o modelo. A rede treinada com um conjunto de 347 casos e testada com outros 117 fornecendo previsões com erro menores que 20% em 60% dos casos. Utilizou-se técnicas de Regressão Multivariada para melhor interpretação e seleção das variáveis mais significativas que influem na produção e dispersão do CO.

The quality of the urban air is a growing concern. This work approached this problem trough field measurements and mathematical modeling. Fifteen variables, including carbon monoxide (CO) concentration, local weather, traffic volume, and edification were measured the sites tree time a week along a year. They lasted one hour each, being done four times a day. This way, an extensive data bank about urban air pollution problem was built. To improve the analysis of the data, technics like PCA were used to cluster variables. The number of variables, its random nature and the complex relationship among them indicated neural network as a convenient choice for developing a model able to predict the CO concentration as a function of the parameters measured. The network was trained with 347 data sets and tested with another 117 cases delivering results with errors below 20% in 60% of the cases. Multivariable regression was used to a better interpretation and selection of the most important variables involved in the CO production and dispersion.