ESTUDO DA TOPOLOGIA DO AMBIENTE URBANO E MODELAGEM EM REDE

NEURAL ARTIFICIAL PARA PREVISÃO DA CONCENTRAÇÃO DO CO VEICULAR

ESTUDY OF URBAN ENVIRONMENT TOPOLOGY AND MODELLING IN ARTIFICIAL

NEURAL NETWORK FOR FORECAST OF CO VEHICULAR CONCENTRATION

MÔNICA KOFLER FREITAS (1); JOSMAR DAVILSON PAGLIUSO (2); ROSELI A.

ROMERO FRANCELIN (3)
(1)
Universidade Estadual Paulista “Julio de Mesquita Filho” – DEPLAN/Pós-doutoranda - Rua 10,
CEP 13500-230, Rio Claro - SP - e-mail: mkofler@bol.com.br.
(2)
Universidade de São Paulo - NETE&F - Av. Trabalhadores São Carlense, 1465 CEP-13566-590 -
São Carlos - SP.
(3)
Universidade de São Paulo - ICMC - Av. Trabalhadores São Carlense, 1465 CEP 13566-590-Sào
Carlos - SP.

RESUMO
Este trabalho apresenta um sistema para a previsão de impactos do tráfego de veículos em
função da qualidade do ar. Para o desenvolvimento deste sistema foram necessários o
desenvolvimento de uma metodologia utilizada na captura de dados bem como a utilização de um
modelo baseado em Redes Neurais Artificiais (RNA). O modelo de RNA escolhido é uma rede do
tipo Multicamadas de Perceptrons (MLP), o qual é utilizado para prever a concentração do
monóxido de carbono (CO) de origem veicular, em determinados trechos da cidade de Ribeirão
Preto, a partir das características topológicas das edificações, do fluxo e da velocidade média dos
veículos, condições climáticas locais e comportamento dos ventos. A rede foi treinada com um
conjunto de 347 casos e testada com outros 117 fornecendo previsões com erro menores que 20%
em 60% dos casos.
PALAVRAS CHAVES: Poluição do ar, CO, Rede Neural Artificial

SUMMARY
This work presents a system for prediction of the impact of vehicle traffic in function of the
air quality. For the development of this system were necessary the development of a methodology
used for collecting of data and a utilization an Artificial Neural Network Model (ANN). The chosen
ANN model is a Multi-Layer Perceptrons, which is utilized to predict the concentration of the CO
(Carbon Monoxide) from vehicular origin, in determined regions of the Ribeirao Preto city,
considering the topology characteristics of buildings, rate of vehicles, the vehicle mean velocity,
climatic local conditions and wind velocity. 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.
KEYWORDS: Air Pollution, CO, Artificial Neural Network

1 - INTRODUÇÃO
Atualmente, a poluição urbana representa um problema crescente para as cidades,
especialmente em áreas centrais com densa verticalização. Embora alguns países têm realizado
estratégias de controle a poluição do ar, como inspeções periódicas e testes nas emissões dos
motores dos veículos, instalação de catalisadores nos veículos e medidas para redução do tráfego, os
níveis poluentes muitas vezes ultrapassam o estabelecido por lei.
Este é um problema que muitas vezes se intensifica em função da forma como se organizam
os espaços urbanos, a distribuição do uso do solo e da malha viária, pois estes apresentam uma forte
influência tanto na geração como na dispersão dos poluentes do ar (Holtzclow, 1997).
Por outro lado, a dispersão dos poluentes depende da força e da direção dos ventos e do
movimento ascendente da atmosfera (Seinfeld, 1998). Os ventos locais podem ser fortemente
afetados pela presença de edifícios, criando zonas recirculação e de regiões de estagnação do
poluente na área de circulação de pedestres (Freitas, 2003).
Devido a uma variedade de fatores que influem tanto na concentração como na dispersão
dos poluentes no ambiente urbano, associados a diferentes características de uso e ocupação do
solo, condições climáticas e fluxo e tipo de veículos em áreas intra-urbanas, optou-se para um
estudo sobre a influência destas características na concentração do CO através de um sistema
modelo de previsão baseado na inteligência artificial (Rede Neural Artificial-RNA). Este sistema
RNA é uma técnica que substitui as tradicionais técnicas estatísticas apresentando melhor
desempenho (Schmueli, 1996).
O objetivo deste trabalho foi investigar através da coleta de dados de campo em área central,
a concentração do CO em função de diferentes características físicas e condições climáticas. Para
verificar posteriormente no modelo de rede RNA do tipo Multi-Layer Perceptrons (MLP) com
diferentes entradas (cacarterísticas físicas, condições climáticas, fluxo e tipos de veículos) a
concentração de CO como saída, em função de variáveis coletadas em campo na área urbana.

2 – MATERIAIS E MÉTODOS
A cidade de Ribeirão Preto foi escolhida para o estudo de caso, é um exemplo de cidade de
porte médio com aproximadamente 600.000 habitantes. Em sua área central, concentram-se as

2
maiores atividades comerciais e de prestação de serviços, e possui elevada edificação e maior fluxo
de veículos.
A coleta dos dados foi feita em 10 locais de diferentes vias, com o objetivo de analisar as
diferentes condições de trânsito (número de veículos), largura méida da via (Calha Viária)
calculado pelo fator FL e altura média das edificações (Topologia da edificação) calculado pelo
FH, para obter um conjunto situações representativas ao fenômeno (Equação 2.1 e 2.2). A Figura
2.1 mostra um exemplo da quadra onde foi feito a amostragem dos dados. Os valores de FH indicam
vias com prédios mais altos e densamente agrupadas ao passo que valores reduzidos indicam a
presença de prédios mais esparsos e de pouca altura. Da mesma forma, valores altos de FL indicam
ruas largas, com tendência a boa ventilação e valores baixos ruas mais estreitas e menos ventiladas.
FH = ∑(AF) / LQ (2.1)
Onde: AF: área frontal de cada edifício existente ao longo da quadra (m2); e LQ: comprimento da quadra (m).
FL= [∑(AR +(LR LQ) ] / LQ (2.2)
Onde: AR: área média do recuo em relação ao meio fio para cada edifício existente ao longo da quadra (m2);
LR: leito da rua e da calçada (m); e LQ : comprimento da quadra (m).

Figura 2.1 – Exemplo de um dos locais de amostragem na área central

Alguns locais ficaram bem próximos e dispostos ortogonalmente na quadra em função do estudo da
direção dos ventos predominantes e cálculo da direção dos ventos em cada quadra (Equação 2.3 e 2.4).
αR = ABS(IF(αN <=(180 +αR),( αN -αR),( αR -αN + 360))) (2.3)

αR = ABS(IF(αN <=(αR),( αN -αR + 180),(180 -αN +αR))) (2.4)

Onde: αR : ângulo da via (azimute) αN: ângulo do vento dado pela estação meteorológica.
A amostragem de veículos foi realizada levando-se em consideração a classificação
estabelecida em Veículos Leves, onde inclui-se veículos passageiros e camionetas (VL), Veículos
Médios abrangendo as Vans e Combis (VM), Veículos Pesados compreendendo os ônibus e
caminhões (VP) e as Motocicletas (M). Os veículos leves são geralmente a gasolina ou a álcool e
os veículos pesados são equipados com motores a diesel, o qual emitem menos CO do que a
gasolina. As velocidades médias dos veículos que transitam no trecho amostrado foram obtidas

3
(classificadas como Velocidade Média de Veículos Leves - VMVL, Velocidade Média de Veículos
Médios - VMVM, Velocidade Média de Veículos Pesados - VMVP, Velocidade Média de Motos -
VMM), pois também é um dos fatores que afetam a dispersão do poluente no local.
Para a coleta do ar e dos dados climáticos foi montado um equipamento portátil contendo a
estação meteorológica montada no tripé e acoplada ao computador portátil, o aspirador contínuo de
ar ligado ao saco de amostragem, 25 litros, próprio para armazenamento de gás. O ar foi aspirado do
ambiente urbano durante o período de 1 hora, com uma vazão de 20 l/h, a 1,50 m de altura do solo.
Posteriormente a análise química do CO por infravermelho é feita no laboratório pelo equipamento
de condicionamento e análise de amostras contendo CO por absorção de Infravermelho, marca
Horiba modelo VIA 510, encontrando as concentrações típicas do ambiente urbano, em ppm. Foi
possível analisar a concentração do CO em função da sua baixa reatividade e de seu tempo de vida
na atmosfera, que varia de 30 a 90 dias. Porém, como precaução, os sacos de amostragem foram
inseridos dentro de sacolas de couro para proteção contra luz.
As amostras foram colhidas em 4 horários estabelecendo as diferentes condições da
atmosfera e do tráfego, 7:00, 12:00, 15:30 e 17:30 hs, observando as possíveis tendências a
dispersão do poluente no local. Os dados meteorológicos foram medidos automaticamente pela
estação meteorológica, gerenciado pelo programa no computador a cada 5 min, obtendo assim
média horária de cada amostra.
O modelo de RNA através do programa MatLab Neural NetWork Toolbox foi aplicado com
464 casos amostrados em campo, onde 75% dos dados foram treinados e 25% foram testados. A
escolha dos dados para treinamento e teste foram realizadas de forma aleatória, para as redes com
14 (conjunto todo), 7 e 5 variáveis independentes de entrada, duas camadas intermediárias de 20 e
10 nós, e a camada de saíde com um único nó fornece a concentração de CO na via. O erro e a
porcentagem de acerto de cada modelo são comparados com as diferentes entradas. Para a escolha
das 7 e 5 variáveis mais relevantes foi empregada técnica de Regressão Multivariada através da
matriz de covariância para determinar quais seriam as variáveis mais relevantes. A matriz é dada
pela Equação 2.5 e 2.6.

∑ ∑
j =1
Cij = 1/n k =1 (xik - xi) (xjk - xj) (2.5) Onde: xi = 1/n xij (2.6)

3- RESULTADOS E DISCUSSÕES
A emissão e dispersão do CO depende de uma multiplicidade de fatores, freqüentemente
interligados e interdependentes para a análise e a formulação do problema, por isso devem ser

4
analisados em conjunto. A concentração média anual de CO obtida durante as amostragens do ar
realizadas ao longo de 2001 é apresentada na Figura 3.2. A combinação da topologia da edificação
(FL) baixo (8,0m), calha viária no valor de FH alto (6,1m) e trânsito relativamente pesado e lento
(1.300 veíc./h) para a via secundária H, parece ser um dos fatores responsáveis pela concentração
mais elevada do CO (9,4ppm). Quando comparado com os locais A e B que são avenidas de maior
fluxo de tráfego (3.000 veíc./h), não apresentam FH elevado (3,5m) e FL elevado (40,0m).

50,0 10,0

CO (ppm)
40,0 8,0
FH (m)
FL (m)

30,0 6,0
20,0 4,0
10,0 2,0
0,0 0,0
A B C D E F G H I J
FH FL CO

Figura 3.2 – Concentração de CO e a Topologia das Edificações (FH) e Calha Viária (FL)
No verão, a dispersão do poluente é relativamente fácil e passa a haver pouca diferença na
concentração de CO de um local para outro. A temperatura não variou muito ao longo do ano,
aproximadamente 300C, apresentando uma diminuição de 80C no período de junho correspondente
ao inverno (Fig. 3.3). Neste período de inverno os ventos (0,6 m/s) são mais fracos e
conseqüentemente a responsabilidade pela dispersão do CO recai mais sobre o efeito de
aquecimento e empuxo da massa de ar (Fig. 3.4). A umidade relativa do ar é elevada no período da
estação chuvosa, que se inicia em dezembro até fevereiro.

40,0

30,0
T (ºC)

20,0

10,0
Jan Fev Mar Abril Mai Jun Jul Ago Set Out Nov Dez

Figura 3.3 – Temperatura média anual do ar ao longo do ano de 2001

1,5
V (m/s)

1,0

0,5

0,0
Jan Fev Mar Abril Mai Jun Jul Ago Set Out Nov

Figura 3.4 – Velocidade Média dos Ventos ao longo do ano de 2001

5
 Os modelos de RNAs do tipo MLP (Multi Layer-Perceptron) foram testados com 117
situações diferentes para as redes MLP com respectivamente 14 variáveis independentes (todo o
conjunto), 7 variáveis (VL, Vv, VVP, T, VMM, VVL, VVM) e 5 variáveis (VL, Vv, VVP, T,
VMM) de entrada.
A MLP-5 apresentou melhor desempenho quando comparado com a rede MLP-14 testada
(Tabela 3.1). A rede MLP-5 com apenas cinco variáveis de entrada apresentou melhor resultado,
talvez possa ser explicado pela presença de alguma variável que tenha menor relação com o
fenômeno.

Tabela 3.1 – O EMQ, percentual e correlação das MLP com 14, 7 e 5 variáveis independentes.
Rede EMQ ±20% R
MLP-14 0,0244 54,70% 0,5738
MLP-7 0,0260 60,68 % 0,4190
MLP-5 0,0103 41,03% 0,6168
EMQ - Erro Médio Quadrático R - Coeficiente de Correlação ±20% - número de casos fora desta faixa estabelecida

As Figuras 3.5 e 3.6 mostram uma correlação clara entre os valores coletados e
previstos de CO nos modelos testados com as 14, 7 e 5 variáveis de entrada.

1,0
CO previsto na rede

0,8
0,6
0,4
0,2
0,0
0,0 0,5 1,0
CO medido

Figura 3.5 –Valores coletados e previstos de CO na rede MLP-14

1,0
CO previsto pela rede

1,0
CO previsto pela rede

0,8 0,8

0,6 0,6

0,4 0,4

0,2 0,2

0,0 0,0
0,0 0,5 1,0
0,0 0,5 1,0
CO medido
CO medido

Figura 3.6 – Valores coletados e previstos de CO pela rede MLP-7 e MLP-5

6
4- CONCLUSÕES
A topologia da edificação e calha viária mostrou que pode haver uma influência na dispersão
do CO. Constatou-se que determinadas vias secundárias podem apresentar uma concentração de CO
20% maior do que as avenidas com volume bem maior de tráfego.
A dispersão dos poluentes no período de inverno foi menor do que no verão, como o
demonstra a maior concentração de CO registrada nesta época considerando que a fonte (tráfego)
pouco varia. Os locais onde os prédios eram mais baixos e espaçados e as vias tinham leitos mais
largos sentiram menos este efeito. A insolação e a velocidade do vento, menores no inverno,
reduzem a dispersão dos poluentes e tornam as vias mais estreitas e congestionadas mais
vulneráveis ao acúmulo do poluente.
Os modelos de RNAs fornecendo previsões com erro menores que 20% em 60% dos casos
forneceram boas previsões, considerando a complexidade do fenômeno e a quantidade de casos
durante um ano.
Atualmente os mecanismos de controle e prevenção da poluição veicular alcançam êxito
parcial através de avanços tecnológicos nos veículos. Porém há ainda um grande desafio quando se
articular o planejamento do uso e ocupação do solo com as quaetões ambientais para reduzir
emissões e facilitar a dispersão dos poluentes. Esta é uma tarefa que depende fundamentalmente da
compreensão física do problema e para isto são úteis e necessários os dados obtidos neste e em
outros trabalhos semelhantes.

5- REFERÊNCIAS BIBLIOGRÁFICAS

Freitas, M. K. (2003) – Investigação da Produção e dispersão de Poluentes do Ar no ambiente

Urbano: Determinação empírica e modelagem em Rede neural da concentração de CO. Tese de
Doutorado da EESC/Universidade de São Paulo.

HOLTZCLAW, J. (1997) - "Designing Cities to reduce Driving and Pollution: New Studies in
Chicago, LA and Francisco. In: Air & Waste Management Associations's: 90th Annual Meeting &
Exhibition, p. 1-7.
SCHMUELI, D. ET AL. (1996) - "Neural Network Analysis of Travel Behavior: Evaluating Tools
for Prediction." Transportation Research, vol 4, n 3, p. 151-166.
SEINFELD, J. H. & PANDIS, S. N. (1998) - "Atmospheric Chemistry And Physics: From Air
Pollution to Climate Change. Ed. John Wiley & Sons, 1326p.