A concentração elevada de partículas de aerossóis pode intensificar significativamente as mudanças climáticas globais. Estudos com técnicas de sensoriamento remoto como o sistema lidar ("Light Detection and Ranging") têm se mostrado eficientes na coleta de informações importantes sobre as partículas de aerossóis presentes na atmosfera, devido à alta resolução espacial e temporal, bem como o monitoramento em tempo real. A partir do sinal de luz retroespalhada do lidar, objetivou-se obter a distribuição da concentração de partículas de aerossóis presentes na atmosfera segundo seu tamanho. No entanto, essas informações geradas apresentam problemas de inversão, dificultando a obtenção de soluções. No presente estudo foram comparadas duas técnicas de inversão com regularização (de PhillipsTwomey - RPT e o de Veselovskii - VSK) com dois algoritmos alternativos, desenvolvidos neste estudo para estimar a concentração de partículas de aerossóis (DTA) segundo seu tamanho a partir de dados experimentais de um sistema lidar: busca direta de parâmetros por otimização (BDO) e um modelo com Rede Neural Artificial (RNA). Os resultados foram comparados com informações de concentrações volumétricas de partículas de aerossóis disponíveis na rede AERONET, e mostraram que o método BDO apresentou a melhor estimativa das distribuições de concentração das partículas (apresentando valores próximos de raio médio, desvio padrão e concentração de partículas para dois estudos de casos). O modelo em Redes Neurais Artificiais apresentou ajuste relativamente bom aos dados experimentais (R² entre de 0,72 a 0,82) para o conjunto de treinamento da rede e valores um pouco inferiores (R² 0,64 a 0,92) para o conjunto de validação do modelo (conjunto de teste). O estudo mostrou que os métodos de busca direta (BDO) e Redes Neurais Artificiais (RNA) representam aplicações mais eficientes para avaliar a distribuição das partículas de aerossóis na atmosfera a partir dos dados medidos pelo sistema lidar.

The high concentration of aerosol particles in the atmosphere can significantly intensify global climate change. Studies with remote sensing techniques such as the Lidar system ("Light Detection and Ranging") have shown to be efficient in collecting important information about aerosol particles present in the atmosphere, due to the high spatial and temporal resolution, as well as the real-time monitoring ability. This study aimed at evaluating data processing techniques for estimating aerosol concentration in the atmosphere according to particle size, based on the backscattered light signal provided by a Lidar system. Two inversion-with-regularization techniques (Phillips-Twomey - RPT and Veselovskii - VSK) were compared with two alternative algorithms developed in this study: direct parameter search by optimization (BDO) and an Artificial Neural Network (ANN) model. The results were compared with information on volumetric concentrations of aerosol particles provided by the AERONET network. The BDO method resulted in the best estimate of the particle concentration distributions (in terms of mean size, standard deviation and particle concentration for two case studies). The model Artificial Neural Network model presented a relatively good adjustment to the experimental data (R² between 0.72 and 0.82) for the network training set and slightly lower values (R² 0.64 to 0.92) for the model validation (test set). The study showed that the direct search method (BDO) and the Artificial Neural Network model (RNA) are efficient alternatives to the inversion methods to evaluate the distribution of aerosol particles in the atmosphere from the data measured by the Lidar system.