• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
https://doi.org/10.11606/T.6.2017.tde-16112017-153815
Documento
Autor
Nome completo
Yoshio Yanagi
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2017
Orientador
Banca examinadora
Assunção, João Vicente de (Presidente)
Andrade, Maria de Fatima
Martins, Lourdes Conceição
Ribeiro, Helena
Siqueira, Ligia Cristina Gonçalves de
Título em português
Estudo de modelos de previsão do ozônio troposférico na região metropolitana de São Paulo
Palavras-chave em português
Modelo
Ozônio
Previsão
Redes Neurais Artificiais
Resumo em português
Introdução. O estudo e compreensão dos efeitos da poluição atmosférica podem contribuir para o planejamento de estratégias de controle de emissões de poluentes e na tomada de decisões em relação à saúde pública. Modelos de previsão da poluição do ar são importantes, na medida em que podem antecipar precauções e providências de ações públicas. Objetivo. Elaborar e analisar modelos de previsão do ozônio troposférico para a Região Metropolitana de São Paulo (RMSP). Métodos. Foram ajustados modelos de previsão de ozônio utilizando redes neurais artificiais (RNAs), denominadas técnicas de inteligência artificial. Os dados de entrada do modelo foram os meteorológicos, obtidos do CPTEC - Centro de Previsão de Tempo e Estudos Climáticos e do INMET - Instituto Nacional de Meteorologia e os dados do poluente ozônio monitorados pela CETESB - Companhia Ambiental do Estado de São Paulo. Foram considerados, para o ozônio, o padrão nacional de qualidade do ar (1 hora) e o padrão estadual de qualidade do ar (8 horas). Os dados foram distribuídos entre as médias do período da manhã (07h às 12h) e as médias do período da tarde (13h às 18h), obtendo-se como saída as concentrações máximas de ozônio para o período da tarde. O período analisado foi de 2008 a 2014. Resultados. Foram realizados 311 testes distribuídos de acordo com o padrão de qualidade do ar do ozônio (O3-1h ou O3-8h) e a origem dos dados meteorológicos (CPTEC ou INMET). Os valores de ozônio observados e estimados mostraram-se muito bem correlacionados. Para os ajustes usando o banco de dados do CPTEC, os melhores resultados das estatísticas de verificação para O3-1h foram: A=90 por cento ; B=0,41; FAR=47 por cento ; POD=22 por cento ; r=0,60. Sendo A a porcentagem de acertos nas previsões de eventos e não eventos; B indica, na média, se as previsões estão subestimadas ou superestimadas; FAR é a porcentagem de concentrações que foram previstas altas e que não ocorreram; POD é a capacidade de prever altas concentrações ( por cento ) e r é o coeficiente de correlação entre o valor observado e o valor estimado. Para O3-8h: A=96 por cento ; B=0,1; FAR=14 por cento ; POD=6,5 por cento ; r=0,72. Considerando-se o banco de dados do INMET, os melhores resultados para O3-1h foram: A=93 por cento ; B=0,54; FAR=29 por cento ; POD=38 por cento , r=0,84. Para O3-8h: A=95 por cento ; B=0,76; FAR=47 por cento ; POD=40 por cento ; r=0,85. As variáveis temperatura e vento meridional foram as mais importantes nos modelos. Conclusões. No geral, os modelos simulados com os dados meteorológicos do INMET apresentaram melhores resultados que os apresentados pelos dados do CPTEC, tanto para O3-1h, quanto para O3-8h. O modelo simulado com os dados do INMET, considerando O3-8h, apresentou melhor previsibilidade. Os modelos ajustados por redes neurais mostraram-se como boas alternativas de instrumentos para prever a concentração de ozônio na RMSP.
Título em inglês
Study of tropospheric ozone forecasting models in the São Paulo Metropolitan Area
Palavras-chave em inglês
Artificial Neural Networks
Forecast
Model
Ozone
Resumo em inglês
Introduction. The study and understanding of the effects of air pollution can contribute to the planning of pollutant emission control strategies and decision-making in relation to public health. Air pollution forecasting models are important, as they can anticipate precautions and actions of public action. Objetive. Develop and analyze tropospheric ozone forecasting models for the São Paulo Metropolitan Area (SPMA). Methods. Ozone forecasting models were adjusted using artificial neural networks (ANNs), called artificial intelligence techniques. The model input data were the weather, obtained from CPTEC - Weather and Climate Studies Prediction Center and INMET - National Meteorology Institute and the pollutant ozone data monitored by CETESB - São Paulo State Environmental Company. Were considered for ozone, the national standard of air quality (1 hour) and the state standard of air quality (8 hours). Data were distributed among the averages of the morning (07h to 12h) and the average of the afternoon (13h to 18h), obtaining as output the maximum concentrations of ozone to the afternoon. The study period was from 2008 to 2014. Results. Were conducted 311 tests distributed according to the standard of ozone air quality (O3-1h or O3-8h) and the source of meteorological data (CPTEC or INMET). The observed and estimated ozone values were shown to be very well correlated. For the settings using the CPTEC database, the best results of the verification statistics for O3-1h were: A= 90 per cent ; B=0.41; FAR=47 per cent ; POD=22 per cent ; r=0.60. Where A is the percentage of correct answers of forecasts in the events and not events; B indicates, on average, if the predictions are underestimated or overestimated; FAR is the percentage concentrations that were predicted high and that did not occur; POD is the ability to predict high concentrations ( per cent ) and r is the correlation coefficient between the observed value and the estimated value. To O3-8h: A=96 per cent ; B=0.1; FAR=14 per cent ; POD=6.5 per cent ; r=0.72. Considering the INMET database, the best results for O3-1h were: A=93 per cent ; B=0.54; FAR=29 per cent ; POD=38 per cent , r=0.84. To O3-8h: A=95 per cent ; B=0.76; FAR=47 per cent ; POD=40 per cent ; r=0.85. The variables temperature and meridional wind were the most importante in the models. Conclusions. Overall, the simulated models with meteorological INMET data showed better results than those presented by the CPTEC data for both O3-1h, and for O3-8h. The simulated model with INMET data, considering O3-8h, presented better predictability. The models adjusted by neural networks showed up as good instruments to predict the ozone concentration in the SPMA.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2017-11-24
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.