Muitos estudos têm sido desenvolvidos com o intuito de descrever a química da fase gasosa na atmosfera da Região Metropolitana de São Paulo (RMSP). Contudo, o tratamento do material particulado (PM) ainda é feito de forma simplificada em modelos de transporte e químicos atmosféricos, apesar do grande conhecimento já adquirido na caracterização da sua composição elementar e da sua estrutura física. Tendo isso em vista, o objetivo do presente estudo é identificar as principais fontes emissoras do material particulado fino, em especial as fontes veiculares que apresentam muitas dificuldades para sua identificação por não haver medidas de traçadores específicos para os combustíveis utilizados. Neste trabalho foram realizadas amostragens, que duravam 24 horas, próximas a uma avenida de intenso tráfego (Avenida Dr. Arnaldo, na Faculdade de Medicina da Universidade de São Paulo) no período de junho de 2007 a agosto de 2008. Com os dados de composição dessas amostras, a identificação das possíveis fontes foi realizada por modelos receptores; mais especificamente foram utilizados: Análise de Fatores (AF) e Positive Matrix Factorization (PMF), uma nova ferramenta estatística, que ainda não havia sido aplicada no estudo do material particulado em São Paulo. O número de fontes identificadas por essas duas ferramentas estatísticas não foi o mesmo: na AF foram extraídos 4 fatores (solo, queima de óleo combustível e dois fatores que se dividiram, identificando a emissão de veículos leves e pesados não diferenciados), enquanto que o PMF identificou 6 (as mesmas fontes identificadas pela AF, com a diferenciação da emissão veicular (leves e pesados) e ainda a queima de biomassa). Houve concordância entre as duas análises que a maior participação para formação de material particulado fino é da emissão por veículos. A comparação entre os modelos mostrou que os resultados obtidos pelo PMF apresentaram uma melhor divisão das fontes, principalmente na identificação das frotas veiculares. Isso se deve ao fato do PMF considerar na análise o erro de cada concentração medida como um peso para cada variável, além de não permitir a ocorrência de fatores negativos, caracterizando melhor as fontes através da presença desses vínculos físicos.

Several studies have been developed in order to describe the gaseous phase of atmospheric constituents in the Metropolitan Region of Sao Paulo (RMSP). However, the aerosol description remains simplified in chemical models, despite the knowledge acquired in its characterization and composition analyses. Facing these limitations, the objective of this work is to identify the main emission sources of fine particulate matter, specially the vehicular ones that present a lot of difficulties due to the fact that the characteristic trace elements are unknown for these sources. It was used in this work 201 samples collected in 24-hour period each at Dr. Arnaldo Avenue, a large and busy avenue in the city of São Paulo, from June 2007 to August 2008. The source identification was accomplished considering the samples composition and using receptor models: Factor Analysis (FA) and Positive Matrix Factorization (PMF) techniques. PMF was a new statistical tool in the study of particulates in the city of São Paulo. The number of sources identified by these two models was different. The FA technique identified 4 factors, (soil, fuel burning, and 2 factors combining in light and heavy-duty vehicles), whereas PMF identified 6, the same as FA (light and heavier vehicles differentiated) and biomass burning. There was concordance between the two techniques, considering that both found that vehicular emission is the major contribution for concentration. The comparison between the models indicated that PMF model present a better source classification, mainly for the vehicular identification. The PMF technique considers the error of each sample in the analysis, weighting the variables and imposing that all the factors must be positive. This mechanism provides a better characterization of sources linking the results with the physics of the process.