Universidade Tecnológica Federal Do Paraná

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
LEONARDO DE SOUZA MOLINA
POTENCIAL DE ENERGIA FOTOVOLTAICA EM TELHADOS:

Desenvolvimento de Metodologia com Dados de Sensoriamento
Remoto
CAMPO MOURÃO
2017

Remoto
Trabalho apresentado para aprovação da

disciplina de Trabalho de Conclusão de Curso 2
(TCC 2), do curso de Engenharia Ambiental, do
Departamento Acadêmico de Ambiental (DAAMB),
do Câmpus Campo Mourão, da Universidade
Tecnológica Federal do Paraná (UTFPR), como
requisito parcial para obtenção do título de
Bacharel em Engenharia Ambiental.
Orientador: Prof. Dr. José Hilário Delconte

Ferreira.
Co-orientador: Prof(a). Dr. Maria Cristina

Rodrigues Halmeman.
CAMPO MOURÃO
2017
Ministério da Educação
Universidade Tecnológica Federal do Paraná
Campus Campo Mourão
Diretoria de Graduação e Educação Profissional
Departamento Acadêmico de Ambiental - DAAMB
Curso de Engenharia Ambiental
TERMO DE APROVAÇÃO

Remoto
por
Este Trabalho de Conclusão de Curso foi apresentado em 27 de novembro de 2017

como requisito parcial para a obtenção do título de Bacharel em Engenharia
Ambiental. O candidato foi arguido pela Banca Examinadora composta pelos
professores abaixo assinados. Após deliberação, a banca examinadora considerou
o trabalho APROVADO.
__________________________________
Prof. Dr. JOSÉ HILÁRIO DELCONTE FERREIRA
__________________________________
Prof. Dr. MARIA CRISTINA RODROGUES HALMEMAN
__________________________________
Prof. Dr. EDIVANDO VITOR DO COUTO
__________________________________
Prof. Dr. RADAMES JULIANO HALMEMAN
O Termo de Aprovação assinado encontra-se na coordenação do curso de Engenharia Ambiental.
RESUMO
O estudo realizado neste trabalho vem a ser um subsídio aos estudos de

determinação do potencial de energia fotovoltaica aplicado sobre edifícios urbanos.
Este trabalho foi realizado na área urbana de Campo Mourão, no estado do Paraná,
buscando uma alternativa viável à utilização de dados LiDAR, com o objetivo de
determinar a geometria e orientação de telhados urbanos com o uso de dados e
softwares gratuitos como Spring e Qgis. Foi aplicado o método de classificação
semiautomática, utilizando uma série de segmentações diferentes no software
Spring, para encontrar a melhor situação de classificação através de vários testes
para diferenciar as orientações das faces dos telhados. Os resultados foram
comparados com a classificação manual por fotointerpretação (verdade terrestre), o
que seria a condição ideal de classificação, mostrando assim os erros de cada teste
realizado. Com adaptações no método, foi possível identificar a área disponível de
telhados em toda área urbanizada. Utilizando dados de produção fotovoltaica local
de um ano foi possível estimar o potencial de produção fotovoltaica para toda área
urbana de Campo Mourão, apresentada por telhados e por zonas em 4 cenários
diferentes de geração acumulada adotados, sendo estes, mensal mínima, mensal
máxima, média mensal e total anual. É possível destacar algumas edificações de
alto potencial de geração fotovoltaica, que se caracterizam geralmente como
indústria e que poderiam suprir suas necessidades energéticas, que além de reduzir
custos poderia evitar o aumento na demanda da rede de distribuição nacional. Os
resultados obtidos demonstram que a área urbana possui um grande potencial de
geração de energia, podendo estar integrado a rede e reduzindo a demanda de
energia elétrica no país.
Palavras-chave: Geoprocessamento. Sensoriamento remoto. Estimativa.

Fotovoltaico.
ABSTRACT
The aim of this study was to develop a viable alternative to the use of data LiDAR. for
the purpose of subsidizing the studies to determine the potential of photovoltaic
energy applied on urban buildings determining the geometry and orientation of urban
roofs with the use of free software and data as SPRING and Qgis. Satellite images
were used with date of 2013 available by Bing satellite, with spatial resolution of 0.55
m encompassing the entire built-up area of Campo Mourão/PR. It was a semi-
automatic grading method, using a series of different segments in the software
Spring, to find the best situation of sorting through several tests to differentiate the
orientations of sided roofs. The results were compared with the manual sorting by
photointerpretation (ground truth), which would be the ideal condition of classification,
What would be the ideal condition, showing the errors of each test performed and
with adaptations in the method, it was possible to identify the available area of roofs
in all urbanized área. Using data from local photovoltaic production a year was
possible to estimate the potential of photovoltaic production for the whole urban área
of Campo Mourão, by roofs and areas in 4 different scenarios of accumulated
generation adopted, these being, minimum monthly, maximum monthly, monthly
average, annual total. It is possible to highlight some buildings of high potential
photovoltaic generation arriving until reaching 1,47 GWh in the year, characterized
generally as an industry and that could not only meet their energy needs and reduce
costs, also avoid the increased demand of the national distribution network. The
results obtained show that the urban area, has a great potential for power generation,
and can be integrated with network and reducing the demand for electricity in the
country.
Keywords: Geoprocessing. Remote sensing. Estimate. Photovoltaic.

LISTA DE FIGURAS
Figura 1 - Radiação solar média no plano inclinado ............................................ 13

Figura 2 - Estrutura de uma célula solar fotovoltaica .......................................... 14
Figura 3 - Curva de corrente-tensão para células conectadas em paralelo ....... 15
Figura 4 - Curva de corrente-tensão para células conectadas em série. ........... 16
Figura 5 - Localização da área urbana de Campo Mourão com relação à área do
município, no estado do Paraná e no Brasil. ........................................................ 23
Figura 6 - Fluxograma metodológico. ................................................................... 24
Figura 7 - Área de aplicação da metodologia localizada dentro do centro de
Campo Mourão/PR .................................................................................................. 25
Figura 8 - Entrada de dados no algoritmo de cálculo do potencial fotovoltaico31
Figura 9 - Dados de saída, recuperação de entrada e geração de média
ponderada no algoritmo de potencial fotovoltaico .............................................. 33
Figura 10 - Identificação das faces e orientações de telhados por
fotointerpretação ..................................................................................................... 34
Figura 11 - Exemplos de classificação de faces e orientações de telhados ...... 35
Figura 12 - Resultados da extração de plano iterativo ........................................ 36
Figura 13 - Diferença da classificação realizada em cada segmentação. .......... 37
Figura 14 - Identificação de calçada e carros como classe Telhado. ................. 39
Figura 15 - Identificação de Pisos de cerâmica usados em piscinas como
classe Telhado......................................................................................................... 40
Figura 16 - Identificação de erros de subclassificação........................................ 43
Figura 17 - Identificação de erros de sob classificação ...................................... 43
Figura 18 - Produção total mensal por metro quadrado na unidade empresarial.45
Figura 19 - Identificação dos telhados da Unidade Empresarial e Redidencial . 46
Figura 20 - Comparação da geração por metro quadrado entre a unidade
empresarial e residencial........................................................................................ 47
Figura 21 - Classificação de telhados para toda área urbana de Campo Mourão.48
Figura 22 - Classificação de telhados para área do centro de Campo Mourão. 49
Figura 23 - Potencial de geração média mensal por telhado no centro de
Campo Mourão/PR .................................................................................................. 50
Figura 24 - Potencial de geração mínima mensal por telhado no centro de
Campo Mourão/PR .................................................................................................. 52
Figura 25 - Potencial de geração máxima mensal por telhado no centro de
Campo Mourão/PR .................................................................................................. 53
Figura 26 - Potencial de geração total anual por telhado no centro de Campo
Mourão/PR ............................................................................................................... 55
Figura 27 - Maior potencial de geração identificado por imagem de satélite. ... 57
Figura 28 - Segundo maior potencial de geração identificado por imagem de
satélite ...................................................................................................................... 58
Figura 29 - Terceiro maior potencial de geração identificado por imagem de
satélite. ..................................................................................................................... 58
Figura 30 - Quarto maior potencial de geração identificado por imagem de
satélite ...................................................................................................................... 59
Figura 31 - Quinto maior potencial de geração identificado por imagem de
satélite. ..................................................................................................................... 60
Figura 32 - Potenciais de geração identificados para as zonas. ......................... 61
LISTA DE TABELAS
Tabela 1 - Pesos atribuídos por tipo e orientação dos telhados. ........................ 28

Tabela 2 - Média do peso das características dos telhados de uma amostra. .. 28
Tabela 3 - Resultado em áreas de classes segundo as segmentações
utilizadas. ................................................................................................................. 37
Tabela 4 - Percentual de erros gerados para cada segmentação. ...................... 38
Tabela 5 - Percentual de erro encontrado na classificação da imagem. ............ 41
Tabela 6 - Percentual de erro com relação ás áreas de telhado ......................... 41
Tabela 7 - Classes determinados para os diferentes resultados de geração por
telhados.................................................................................................................... 50
Tabela 8 - Número de telhados por classe com relação ao potencial de
produção média por telhado. ................................................................................. 53
Tabela 9 - Número e potência instalada de unidades geradoras no Paraná. ..... 54
Tabela 10 - Número de telhados por classe com relação ao potencial de
produção total anual por telhado. .......................................................................... 56
Tabela 11 - Os 5 maiores potenciais de geração destacados nos 4 cenários de
estimativa adotados ................................................................................................ 56
Tabela 12 - Potencial de produção estimado nas zonas para os 4 cenários
adotados. ................................................................................................................. 60
SUMÁRIO
1 INTRODUÇÃO .....................................................................................................9
2 REVISÃO BIBLIOGRÁFICA ................................................................................12
2.1 ENERGIA FOTOVOLTAICA..............................................................................12
2.1.1 A fonte solar ...................................................................................................12
2.1.2 Tecnologia fotovoltaica ...................................................................................14
2.1.3 Geração fotovoltaica.......................................................................................16
2.2 SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS ...........................................19
3 MATERIAL E MÉTODOS ....................................................................................23
3.1 DESENVOLVIMENTO DA METODOLOGIA PARA IDENTIFICAÇÃO DE
TELHADOS DISPONÍVEIS. ....................................................................................24
3.2 ÁREA DE TELHADO DISPONÍVEL ..................................................................27
3.3 POTENCIAL DE GERAÇÃO POR MÓDULO FOTOVOLTAICO .......................29
3.4 POTENCIAL DE GERAÇÃO PARA O MUNICÍPIO DE CAMPO MOURÃO ......30
4 RESULTADOS E DISCUSSÃO ...........................................................................34
4.1 APLICAÇÃO DA METODOLOGIA PROPOSTA PARA IDENTIFICAÇÃO DE
TELHADOS DISPONÍVEIS .....................................................................................34
4.1.1 Classificação de faces e orientação dos telhados ..........................................34
4.2 ÁREA TOTAL DE TELHADOS DISPONÍVEIS PARA TODA ÁREA URBANA ..40
4.3 POTENCIAL DE PRODUÇÃO POR MÓDULO FOTOVOLTAICO ....................44
4.4 POTENCIAL DE GERAÇÃO PARA TODA ÁREA URBANA .............................47
4.4.1 Potencial de geração por telhado ...................................................................49
4.4.1 Potencial de geração zonal e total .................................................................60
5 CONSIDERAÇÕES FINAIS .................................................................................63
5.1 METODOLOGIA ................................................................................................63
5.2 PRODUÇÃO......................................................................................................64
5.3 TRABALHOS E APLICAÇÕES FUTURAS........................................................64
REFERÊNCIAS .......................................................................................................66
9
1 INTRODUÇÃO
A atual matriz energética mundial é composta por fontes primárias

renováveis e não renováveis que apresentam uma grande variedade entre petróleo,
gás natural, carvão mineral, urânio, energia hidráulica, solar e eólica. Porém, a
utilização de fontes não renováveis poluidoras, como os combustíveis fósseis ainda
é muito superior às fontes não poluidoras (TORRES, 2012).
Com o crescimento populacional, e o consequente desenvolvimento
industrial e econômico no mundo, aumenta-se também a demanda energética
mundial, muitas vezes em um ritmo maior. Este aumento previsto para o consumo
de energia se torna um dos maiores desafios mundiais para as próximas décadas,
buscando como alternativa, o melhoramento da eficiência de sistemas e a produção
de energia elétrica através de fontes renováveis e não poluidoras (TORRES, 2012;
TORRES, 2015).
A irradiação média solar no Brasil pode chegar até 2400 kWh/m²/ano nas
regiões do norte e nordeste, valores que são bem elevados quando comparados
com os países que mais produzem energia solar no mundo, como no caso da
Alemanha que fica entre 900 e 1250 kWh/m²/ano, França que varia entre 900 e 1650
kWh/m²/ano e a Espanha com a variação de 1200 a 1850 kWh/m²/ano. Segundo
dados da ANEEL (Agência Nacional de Energia Elétrica), a produção fotovoltaica no
país representa 0,2% da matriz de energia elétrica nacional, o que ainda é uma
representatividade muito baixa comparado com as demais fontes (AGÊNCIA
NACIONAL DE ENERGIA ELÉTRICA, 2017a; EMPRESA DE PESQUISA
ENERGÉTICA, 2012).
A utilização de energia solar fotovoltaica vem nas últimas décadas se
destacando como uma fonte alternativa e limpa de produção de energia elétrica de
forma distribuída. A tecnologia de painéis solares permite a instalação de sistemas
de diferentes potências e a aplicação em áreas urbanas, em residências e
edificações públicas, não necessitando de áreas extras. Com recentes leis que
permitem a microgeração de energia em residências aplicada a rede pública, vem
crescendo o número de edificações atuando em diversas regiões do Brasil como
usinas geradoras em paralelo (RÜTHER, 2004).
A geração distribuída à rede facilita com que a inserção de energia solar
fotovoltaica no meio urbano ocorra naturalmente, já que permite a equiparação do
10
custo da energia gerada pelo sistema com as tarifas utilizadas pelas distribuidoras
de energia elétrica para a unidade produtora. A geração distribuída gera impactos
socioeconômicos e ambientais, positivos e negativos, sendo que os negativos se
aplicam mais sobre custos para as distribuidoras, empresas relacionadas ao setor
energético, estado e união e os positivos que são maioria, afetam principalmente
consumidores, sociedade e meio ambiente (EMPRESA DE PESQUISA
ENERGÉTICA, 2014).
A geração de energia elétrica a partir da tecnologia fotovoltaica se apresenta
como uma das melhores formas de geração de potência elétrica, além de não
causar danos ambientais significativos, pode ser instalada em diferentes locais com
disponibilidade de sol. Dessa maneira, a energia solar pode ser de grande benefício
ao fazer parte da matriz energética do país, de forma complementar as demais
fontes, beneficiando tanto o setor econômico e energético como o ambiental e social
do país (BRAUN-GRABOLLE, 2010).
Uma grande janela para a energia fotovoltaica se abriu no Brasil após a
criação da resolução 482 em 2012 que estabelece as condições para o acesso de
geração distribuída e aos sistemas de compensação de energia elétrica. É um
incentivo ao uso da energia fotovoltaica, tanto para indústrias e o setor produtivo
como para residências, visto que o sistema de compensação de energia é capaz de
reduzir em grande parte o tempo de retorno do investimento, pois além de
compensar a energia consumida em horários e dias diferentes permite o uso
integrado à rede de abastecimento sem a necessidade de baterias, viabilizando
ainda mais a fonte fotovoltaica.
O rápido desenvolvimento e o consequente aumento do uso de energias
renováveis como a energia solar fotovoltaica têm ocorrido nas áreas urbanas na
última década, porém, o uso desta tecnologia requer uma análise mais detalhada
das variáveis determinantes do potencial fotovoltaico, para que seja possível utilizar
o máximo do potencial fotovoltaico disponível no meio urbano. Em análises de
geoprocessamento é necessário fotografias de alta resolução para demonstrar a real
distribuição espacial-temporal do potencial solar sobre as superfícies dos edifícios e
fornecer uma análise estatística precisa. (LI; LIU, 2017)
A tecnologia LiDAR (Light Detection and Ranging) é uma tecnologia de
sensoriamento remoto que permite criar um modelo tridimensional do terreno com
altíssima resolução através da nuvem de pontos. Atualmente é a solução mais
11
rápida e precisa para mapeamento planialtimétrico de grandes áreas, com alta

densidade amostral e sensível a pequenas variações do terreno. Esta tecnologia
permite a medição de elevações, efeitos de sombreamento, tamanho orientação das
superfícies dos telhados em uma área urbana, tornando-se a melhor ferramenta
para obter estas variáveis (GORGENS; SILVA; RODRIGUEZ, 2014; MITISHITA;
CENTENO, 2015; TORRES, 2015).
A produção de energia fotovoltaica mostra-se como uma alternativa de
grande potencial e ambientalmente viável, como solução ao aumento da demanda
energética mundial. O estudo vem a ser um incentivo para a maior utilização de
painéis fotovoltaicos, mostrando a importância desta fonte de energia alternativa e
limpa, evitando impactos ambientais diversos da utilização de outras fontes e a
capacidade de atender grandes edificações, podendo suprir a necessidade de
energia elétrica de diversos prédios públicos ou até mesmo a possibilidade de
transformá-los em micro usinas elétricas fotovoltaicas, inserindo potencial na rede
em paralelo com as usinas centralizadas.
Como alternativa à tecnologia LiDAR, devido ao auto custo e difícil acesso à
mesma, este estudo busca desenvolver um método aplicado para obter as
características de geometria e orientação dos telhados da área central do município
de Campo Mourão/PR, como um subsídio para estudos de planejamento urbano e
determinação do potencial fotovoltaico de edifícios urbanos. O desenvolvimento
deste método através do uso de softwares de Sistemas de Informações Geográficas
(SIG’s), com uso de dados gratuitos, pode ser muito útil para realização de
pesquisas e estudos para uso de fontes alternativas, diminuindo os custos finais de
trabalho com sensoriamento remoto. O principal objetivo deste trabalho foi destacar
o potencial de geração de energia fotovoltaica no meio urbano, somente com os
telhados propícios de edificações existentes no município, realizando uma estimativa
da quantidade de energia que pode ser gerada anualmente, com as condições
específicas de edificações e clima existentes no município de Campo Mourão/PR.
12
2 REVISÃO BIBLIOGRÁFICA
2.1 ENERGIA FOTOVOLTAICA
A energia solar fotovoltaica é obtida através de um processo de conversão

direta da luz solar incidente em corrente elétrica (efeito fotovoltaico), obtida de
maneira silenciosa, sem movimentação mecânica, necessitando de mínima
manutenção, tendo como dispositivo a célula fotovoltaica, fabricada com materiais
semicondutores específicos, necessários para o processo de conversão. A eficiência
de produção de energia elétrica através do efeito fotovoltaico depende basicamente
da tecnologia utilizada e dos níveis de irradiação solar característicos do local a ser
instalado. O território brasileiro quando comparado com países europeus, onde a
tecnologia fotovoltaica é muito utilizada, recebe altos índices de irradiação solar,
sendo este fator favorável à utilização da tecnologia (PINHO; GALDINO, 2014;
RÜTHER, 2004).
2.1.1 A fonte solar
A radiação solar é o requisito fundamental e indispensável para o efeito

fotovoltaico, pode ser definido como toda forma de energia advinda do sol, através
da propagação de ondas eletromagnéticas que chega à superfície da terra. Já a
quantidade desta radiação solar que incide sobre uma superfície durante um
intervalo de tempo é chamada de irradiação solar que afeta diretamente a eficiência
do efeito fotovoltaico. A eficiência de conversão é dada pela relação entre a potência
elétrica produzida pela célula fotovoltaica e a potencia de energia solar incidente
(irradiância) (BRAUN-GRABOLLE, 2010; PINHO; GALDINO, 2014).
A irradiação total que chega na terra não é a mesmo que chega a superfície
da terra, pois alguns fatores influenciam, como a atmosfera que reflete de 30% a
40% da radiação total e absorve uma parte devido a seus constituintes, a latitude
que dita a inclinação do sol com relação a um ângulo de 90°, que reduz o tempo de
luz diário e a irradiação pelo efeito de refração e absorção da atmosfera e a
influência das condições climáticas e da variação das estações do ano (SILVA,
2014).
13
Estima-se que em média, o total de radiação solar que chega a superfície da

terra, chamado de “constante solar” é de 1367 W/m², o que seria aproximadamente
174 mil TW (terawatts), mais que o suficiente para alimentar todo o planeta em
demanda energética (APARICIO, 2010).
A radiação solar total representada em Watts por metro quadrado por dia
(W/m²/dia) é diferente para as regiões brasileiras, devido todas as variações de
latitude e longitude, clima e relevo, com isto destaca-se com maior potencial a região
do nordeste brasileiro (Figura 1), mas mesmo as regiões com menores índices de
radiação apresentam grande potencial de aproveitamento energético, ficando em
muitos casos a frente dos países que mais utilizam desta fonte de energia
(AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA, 2012; PEREIRA et al., 2006)
Figura 1 - Radiação solar média no plano inclinado
Fonte: Pereira et al. (2006)

14
2.1.2 Tecnologia fotovoltaica
Define-se como efeito fotovoltaico ou fotoelétrico a conversão direta da

irradiação solar em eletricidade, esta conversão ocorre em uma unidade de geração
chamada de célula fotovoltaica. A célula fotovoltaica (Figura 2) é constituída de um
material semicondutor que geralmente é o silício, com uma camada fina de silício
tipo “n” (polo negativo) de aproximadamente 1 μm e uma camada inferior de silício
tipo “p” (polo positivo) com aproximadamente 400 μm, em contato com uma grade
condutora isolados com películas não condutoras e transparentes (APARICIO, 2010;
HIMRICHS; KLEINBACH; REIS, 2010).
Figura 2 - Estrutura de uma célula solar fotovoltaica
Fonte: Autoria própria
As células solares de silício são classificadas conforme o tipo de

cristalização criado no processo de fabricação da célula e são divididas em três
tipos, monocristalinas, policristalinas e silício amorfo.
As células monocristalinas são formadas de um único cristal de silício, com
uma organização atômica perfeita e simétrica, apresentando característica
monocromática azul escura com um pequeno brilho metálico, chegando a eficiência
de 16% a 25%. A célula policristalina é constituída de agrupamentos de diferentes
cristais de silício, apresentando uma variação na cor superficial nos tons de azul,
15
apresenta uma eficiência de 10% a 15% de conversão, mas possui um menor custo
de fabricação e consequentemente do produto final. As células denominadas como
silício amorfo são construídas sem a formação de uma rede cristalina de silício e
apresentam uma coloração marrom ou cinza, com uma taxa de conversão menor
que 10%, porém o processo de fabricação é mais simples e por isso o custo é menor
(APARICIO, 2010; RÜTHER, 2004).
Ainda existem as células a base tolureto de cádmio (Cd) e arseneto de gálio
(Ga) e biseleneto de cobre (Cu), índio (In) e gálio, que apesar de apresentarem um
rendimento de conversão mais elevado que as células de silício são menos
utilizadas devido ao alto custo de produção e os problemas relacionadas a toxidade
ou dificuldade de reciclagem destes elementos (HIMRICHS; KLEINBACH; REIS,
2010; RÜTHER, 2004).
A potência (P) de uma célula fotovoltaica é o resultado da multiplicação da
tensão (V) medida em volts pela corrente que é medida em ampere (A). Cada célula
fotovoltaica só pode só pode produzir certa quantidade específica de potência
dependendo da tecnologia. Para o aumento da potência é necessário associar
várias células em série e paralelo, criando assim um módulo fotovoltaico, que por
sua vez também podem ser organizados em série e paralelo. A associação das
unidades fotovoltaicas (células ou módulos) em série (Figura 3) resultara no
somatório das tensões envolvidas, sem a alteração da corrente, já a associação em
paralelo (Figura 4) das unidades resulta no somatório das correntes sem alterar a
tensão das unidades (HIMRICHS; KLEINBACH; REIS, 2010; PINHO; GALDINO,
2014).
Figura 3 - Curva de corrente-tensão para células conectadas em paralelo
Fonte: Pinho e Galdino (2010).

16
Figura 4 - Curva de corrente-tensão para células conectadas em série.
Fonte: Pinho e Galdino (2010).
Os impactos ambientais da energia fotovoltaica são praticamente nulos,

quanto tratamos de impactos diretos, ou seja, impactos causados durante a
operação do sistema ou equipamento. O tempo médio de vida útil das tecnologias
do mercado atual varia de 20 a 30 anos. É considerada a energia mais limpa, de
fonte renovável, onde nenhum tipo de ruído, resíduo ou alteração ambiental é
necessário, a não ser o aspecto visual dos painéis instalados, sobre telhados ou
grandes áreas. Porém um mínimo de impactos ambientais ocorre como impactos
indiretos, decorrentes do processo de fabricação, onde é exigida uma grande
quantidade de energia em todos os processos produtivos e isso implica no uso de
outras fontes como o petróleo e carvão, e o resíduos eletrônico caracterizado como
altamente tóxico, que no caso das células fotovoltaicas ainda não existe grandes
avanços na área de reciclagem (SILVA, 2014).
2.1.3 Geração fotovoltaica
O sistema fotovoltaico é composto por um bloco de geração, um bloco de

condicionamento de potência e nos sistemas com baterias o bloco de
armazenamento. O bloco de geração é o responsável pela geração direta da energia
17
elétrica, constituído dos módulos fotovoltaicos arranjados da forma a se obter a

potência desejada. Em seguida a energia produzida é transmitida para o bloco de
condicionamento onde pode conter controladores de carga, inversor e dispositivos
de proteção, supervisão e controle. Por último o bloco de armazenamento que
contem as baterias especiais (APARICIO, 2010).
Os dispositivos de condicionamento possuem grande importância no sistema
fotovoltaico, pois é a partir dele que a energia se torna de fato utilizável. O inversor é
o responsável por transformar a corrente contínua (CC) em corrente alternada (CA),
tornando possível a utilização em aparelhos eletrodomésticos ou a inserção na rede
de distribuição. O controlador de carga se torna necessário no caso de
armazenamento em baterias, é utilizado para estabilizar a tensão e corrente e evitar
sobrecargas. Os dispositivos de proteção são necessários para evitar problemas
com curtos circuitos ou superaquecimentos, também permitem que um módulo
continue produzindo e energia e transmitindo adiante em caso de problemas em
ligações em série (diodo de desvio by-pass) (HIMRICHS; KLEINBACH; REIS, 2010;
PINHO; GALDINO, 2014).
O uso de baterias tem se tornado cada vez menor em sistemas fotovoltaicos
devido ao alto custo das baterias, encarecendo o sistema e reduzindo o tempo de
retorno (payback). A utilização do sistema fotovoltaico em sistemas de compensação
energética, com a inserção da energia elétrica na rede de distribuição permite retirar
o banco de baterias do sistema, utilizando indiretamente a energia produzida em
outros horários, o que reduz o custo de implantação (APARICIO, 2010; SILVA,
2014). Esta redução evita diversos problemas ambientais devido a reciclagem de
baterias e outros equipamentos eletrônicos considerados de alto risco (APARICIO,
2010; HIMRICHS; KLEINBACH; REIS, 2010; SILVA, 2014).
A geração de energia pode ser realizada como geração centralizada, em
grandes centrais geradoras, caracterizada como grandes usinas, em um modelo
mais tradicional no território brasileiro, ou pode ser realizada de maneira distribuída
ou Geração Distribuída (GD), podendo estar conectado a rede de distribuição ou
não. A GD diferencia-se da geração centralizada por produzir a energia elétrica
direto no local a ser consumido, não necessitando assim de rede de distribuição e
evitando perdas, além de que o consumidor pode estar localizado em qualquer
região, desde que haja incidência de luz solar (BRAUN-GRABOLLE, 2010).
18
Segundo o Instituto Nacional de Eficiência Energética (INEE) a GD

caracteriza-se pela geração elétrica junto ou próxima do(s) consumidor(es),
independente da potência, tecnologia e fonte de energia (INSTITUTO NACIONAL
DE EFICIÊNCIA ENERGÉTICA, 2016).
A lei n° 5163 de 30 de julho de 2004, Artigo 14°, define GD da seguinte
forma:
“[...] para os fins deste Decreto, considera-se
geração distribuída a produção de energia elétrica
proveniente de empreendimentos de agentes
concessionários, permissionários ou autorizados, incluindo
o o
aqueles tratados pelo art. 8 da Lei n 9.074, de 1995,
conectados diretamente no sistema elétrico de distribuição
do comprador [...].”
Segundo Torres (2015) os Sistemas Fotovoltaicos Conectados à Rede

(SFCR) não necessitam de nenhum tipo de acumuladores de cargas (baterias,
Capacitores e outros), pois a energia produzida é injetada diretamente na rede
elétrica ou consumida diretamente pela carga ligada, ou seja, o gerador fotovoltaico
atua como uma fonte complementar à rede que alimenta a residência. Para
complementar as definições de GD e SFCR, a Agência Nacional de Energia Elétrica
(2012), a partir da Resolução Normativa Nº 482/2012, Artigo 2°, define micro e mini
geração distribuída e Sistema de Compensação de Energia Elétrica (SCEE) da
seguinte forma:
 Microgeração distribuída: geração de energia elétrica, de
potência instalada (PI) inferior ou igual a 75 kW, utilizando fontes como
renováveis ou cogeração qualificada, conectada à rede de distribuição por
meio de instalações de unidades consumidoras;
 Minigeração distribuída: geração de energia elétrica, de potência
instalada (PI) entre 75 kW e 3 MW para fontes hídricas ou menor ou igual a 5
MW, utilizando fontes como renováveis ou cogeração qualificada, conectada
à rede de distribuição por meio de instalações de unidades consumidoras;
 Sistema de Compensação de Energia Elétrica: a energia
produzida por microgeração ou minigeração é cedida, de forma gratuita à
distribuidora e posteriormente compensada pelo consumo de energia elétrica
ativa da unidade consumidora.
A potência instalada de um sistema fotovoltaico, normalmente é especificada
em Corrente Contínua (CC) e é dada pela soma da potência nominal dos módulos
19
fotovoltaicos individuais, variando conforme a tecnologia de células fotovoltaicas

utilizadas. O Rendimento total de um sistema fotovoltaico depende da irradiação
característica da localização geográfica e das condições de clima, bem como a
orientação e inclinação dos módulos fotovoltaicos e área total de células. Alguns
fatores secundários como sombreamento, temperatura e estado de limpeza dos
painéis e resistências dos condutores usados influenciam no desempenho do
sistema (RÜTHER, 2004).
Segundo dados da ANEEL de 2017, destacam-se no Brasil mais de 16 mil
unidades de geração integradas somente com o uso de energia fotovoltaica. Ainda
segundo estes dados, a região Sudeste está em primeiro lugar com 53,1% das
unidades, seguida pela região Sul com menos da metade, 25,8% totalizando 4376
unidades. O Paraná representa 7,47% das unidades do país, com 1264 unidades e
um potencial instalado de 9102,6kW. De todo potencial instalado do Paraná, 82,83%
são instalações com menos de 10kW, 13,8% estão entre 10kW e 40kW e somente
3,4% estão acima de 40kW (AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA,
2017b).
2.2 SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS
Os Sistemas de Informações Geográficas (SIG), ou Geographic Information

System (GIS) do inglês, são recursos computacionais que na visão de Torres (2015)
mostram-se uma das melhores maneiras de se estimar o potencial de geração de
energia fotovoltaica de uma área, como eficientes ferramentas de gestão e
representação do espaço e dos fenômenos que nele ocorrem, permitindo utilizar
informação de diversos tipos de sensores (sensoriamento remoto) e cruzar diversos
tipos de dados, representando o resultado final em forma de mapas.
Sensoriamento remoto é o nome dado às técnicas de obtenção de imagens
dos objetos da superfície terrestre, ou marinha, sem que haja um contato entre o
sensor e o objeto. O sensoriamento remoto permite trabalhos complexos e
computacionais de aplicações nas áreas de levantamentos de recursos naturais e
mapeamentos temáticos, monitoração ambiental, detecção de desastres naturais,
desmatamentos florestais, cartografia de precisão e outras. Atualmente as técnicas
de sensoriamento remoto permitem trabalhar em grandes áreas com precisão e
20
dados periódicos (GORGENS; SILVA; RODRIGUEZ, 2014; MENESES; ALMEIDA,

2012).
O desenvolvimento de novos SIG com maior capacidade de processamento
de dados tem crescido intensamente nas últimas décadas, acompanhando o
desenvolvimento dos sistemas e tipos de sensores, permitindo atualmente uma
grande capacidade de se trabalhar com dados para monitoramento e planejamento
terrestre (BLASCHKE; GLASSER; LANG, 2007).
Segundo Novo (2010) sensoriamento remoto é uma ciência que utiliza em
conjunto com os sistemas de sensores, equipamentos de transmissão e coleta de
dados em aeronaves ou satélites, equipamentos e SIGs para o processamento dos
dados, com o objetivo de estudar e analisar eventos, fenômenos e processos que
ocorrem na superfície da terra.
Com o avanço tecnológico e crescimento econômico nas últimas décadas,
cada vez mais as imagens de satélite de diversos tipos de sensores ficaram mais
acessíveis a diversos tipos de público e não somente à aqueles que detinham a
tecnologia. Este avanço permitiu com que qualquer usuário pudesse realizar o
processamento de uma enorme gama de imagens, com um computador e softwares
livres (PARANHOS FILHO; LASTORIA; TORRES, 2008).
Duas características dos sistemas de sensores utilizadas é a capacidade de
diferenciar objetos no espaço e diferenciar objetos com as mesmas características
espectrais, ou seja, dentro da mesma faixa de valores espectrais. A resolução
espacial refere-se a capacidade do sensor utilizado em detectar os formas de
objetos e distâncias entre estes, portanto, quanto menor a resolução espacial de um
sensor maior será a capacidade de distinguir objetos no mesmo intervalo de espaço.
A resolução espectral é a medida da largura de faixas espectrais, que se refere a
sensibilidade de cada sensor em captar dados de diferentes níveis espectrais
(NOVO, 2011).
Atualmente a resolução espectral obtida pelos sensores já possuem
centenas de bandas e a resolução espacial em muitos sensores mais modernos é
menor que 1,5 metros classificados como alta resolução e 0,5 metros como altíssima
resolução, o que possibilita um levantamento mais detalhado e preciso das
condições terrestres. No Brasil, o Instituto Nacional de Pesquisas Espaciais (INPE)
foi o marco para o avanço nacional no uso da tecnologia e estudos em
sensoriamento remoto (MENESES; ALMEIDA, 2012).
21
Desenvolvido pelo INPE, o software SPRING (Sistema de Processamento

de Imagens Georreferenciadas) é um programa computacional classificado como
SIG, com funções de processamento de imagem, análise espacial, construção de
modelos numéricos de terreno e de construção e consulta de banco de dados
espaciais. No Brasil é um SIG referência pra pesquisas de sensoriamento remoto
pela quantidade de aplicações e por ser disponibilizado gratuitamente (PEREIRA,
1998).
A classificação de imagens de satélite pode ser feito por classificação
manual por fotointerpretação ou semiautomática, com algoritmos de classificação
supervisionada. Toda imagem é formada por pixels, que é basicamente o menor
elemento de imagem, representado com um tamanho específico (resolução da
imagem) e com um valor que representa a informação espectral naquele ponto,
resultando em uma cor visível, que somada a outras centenas, milhares ou milhões
de outros pixels forma uma imagem visível e interpretável (SANTOS; PELUZO ;
SAITO, 2010).
Os métodos de classificação semiautomáticos realizados no Spring podem
ser de classificadores “pixel-pixel” que utiliza apenas as informações espectrais
isoladamente de cada pixel para achar regiões homogêneas, ou os classificadores
por regiões que além da informação de cada pixel utiliza também a informação
espacial, formando regiões com certa semelhança determinada entre os pixels da
imagem (SANTOS; PELUZO ; SAITO, 2010).
Nos atuais métodos de classificação por segmentação já é possível obter um
resultado mais homogêneo e realista que as classificações por pixel, através dos
níveis de treinamento que cada método permite, selecionando a amplitude de
alcance para cada região criada, posteriormente generalizando em uma classe
determinada (SCHIEWE; TUFTE, 2007).
Fotointerpretação é a análise de uma fotografia ou imagem de satélite, de
forma visual, em monitores ou material impresso. Para se trabalhar com
classificação de imagens de satélite o intérprete com base em seu conhecimento,
deve buscar dados e informações sobre as características da imagem, buscando
criar uma classificação adequada através da fotointerpretação. Além de
conhecimento e experiência o fotointérprete deve possuir paciência durante o
preciso de fotointerpretação, e conhecer de alguma forma a natureza do fenômeno
22
ou os locais que estão sendo descritos (PARANHOS FILHO; LASTORIA; TORRES,

2008).
A criação de mapas para a identificação de telhados propícios para a
produção fotovoltaica depende principalmente da escala da área de estudo, onde irá
limitar as capacidades das tecnologias de sensoriamento remoto. Em uma escala
local, como por exemplo, a área de uma cidade, alguns fatores devem ser
considerados como limitantes para o cálculo do potencial fotovoltaico, sendo estes, a
taxa de aproveitamento, que depende muito da tecnologia de painéis usados como
referencia no cálculo, as áreas de telhado em metros quadrados, o sombreamento
existente, que varia conforme a qualidade dos dados utilizados e a inclinação e
orientação dos telhados, que irá determinar a taxa de utilização da área de cada
telhado. (LANGE, 2012; RÜTHER, 2004).
A tecnologia mais moderna e sofisticada para esta aplicação é o LiDAR
(Light Detection and Ranging), que é uma tecnologia de sensoriamento remoto que
permite criar um modelo tridimensional do terreno com altíssima resolução através
da nuvem de pontos, com dados coletados a laser por aeronaves. Atualmente é a
solução mais rápida e precisa para mapeamento planialtimétrico de grandes áreas,
com alta densidade amostral e sensível a pequenas variações do terreno. Esta
tecnologia permite a medição de elevações, efeitos de sombreamento, tamanho
orientação das superfícies dos telhados em uma área urbana, tornando-se uma
ferramenta adequada para obter estas variáveis (GORGENS; SILVA; RODRIGUEZ,
2014; MITISHITA; CENTENO, 2015; TORRES, 2015).
23
3 MATERIAL E MÉTODOS
A metodologia utilizada para estimar o potencial de energia fotovoltaica

gerada em telhados de áreas urbanas depende principalmente de dois fatores, a
escala geográfica de estudo e a disponibilidade de dados e tecnologias para a
realização do trabalho. A metodologia proposta para realizar a estimativa do
potencial fotovoltaico de Campo Mourão/PR (Figura 5), foi determinada a partir
destes dois principais fatores.
Figura 5 - Localização da área urbana de Campo Mourão com relação à área do município, no
estado do Paraná e no Brasil.
Fonte: Autoria própria.
O município de Campo Mourão localiza-se na região Centro Oeste do

Paraná, com área municipal de 757,875 quilômetros quadrados, possuindo uma
população estimada de 93.547 habitantes para o ano de 2016, apresentando uma
densidade demográfica de 115,05 habitantes por quilômetro quadrado (INSTITUTO
BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA, 2015; INSTITUTO PARANAENSE
DE DESENVOLVIMENTO ECONÔMICO E SOCIAL, 2012).
24
O trabalho foi dividido em duas principais partes, sendo a primeira o

desenvolvimento da metodologia para determinar as características de telhados e
área disponível para geração de energia fotovoltaica, o potencial gerado por módulo
fotovoltaico e o cálculo para determinar o potencial de toda área urbana, e a é a
aplicação da metodologia para toda área urbana do município, com a realização de
processamentos e aplicação de algoritmos de ponderação, tendo como resultado a
geração de mapas com os potenciais de geração fotovoltaica em escalas mensais e
anual (Figura 6).
Figura 6 - Fluxograma metodológico.
3.1 DESENVOLVIMENTO DA METODOLOGIA PARA IDENTIFICAÇÃO DE

TELHADOS DISPONÍVEIS.
A área escolhida para a primeira etapa do trabalho encontra-se na área

urbana central de Campo Mourão, englobando em torno de 38 quadras com
edificações urbanas (Figura 7). A área de estudo foi escolhida por apresentar a
maior variação de edifícios com o máximo de tipos de telhados presentes no
restante da cidade. Isto permite que a metodologia de classificação semiautomática
escolhida possa se basear no maior número de amostras diferentes possíveis para
conseguir trabalhar em áreas de um maior nível de complexidade.
25
Figura 7 - Área de aplicação da metodologia localizada no centro de Campo Mourão/PR
Os materiais e equipamentos necessários para a realização deste estudo

foram obtidos e/ou estão disponíveis gratuitamente. Foram utilizados os
equipamentos do laboratório de geoprocessamento (LabGeo) da Universidade
Tecnológica Federal do Paraná (UTFPR), Câmpus Campo Mourão. O
processamento foi realizado na Workstation HP Z600 com processador Intel (4gb
ram). Os demais materiais necessários são a imagem de satélite de alta resolução
espacial, do Bing Maps (MICROSOFT, 2016), obtida através do SASplanet
(SASGIS, 2016), com data de 2013, os softwares de licença Livre, Spring do
Instituto Nacional de Pesquisas Espaciais (INPE, 2016) e Qgis desenvolvido pela
Open Source Geospatial Foundation (OSG, 2016).
A imagem de alta resolução da área de estudo é baixada georreferenciada,
com projeção de Datum WGS84/EPSG 4326 e salva no formato de imagem ecw. O
arquivo foi convertido para o formato GTiff através do QGIS, para poder ser aberto e
classificado no Spring. O arquivo Gtiff, foi salvo com a resolução original X 0.289724
e Y 0.289363 (8 bits) e sistema de referência de coordenadas - SRC EPSG 31982
(Datum: Sirgas 2000 UTM zona 22 sul), sendo importada para um banco de dados
geográficos do Spring.
26
Foi aplicada a ferramenta de segmentação do Spring, utilizando várias

escalas de similaridade e área de pixels para definir empiricamente qual o conjunto
que melhor se adequava ao estudo. Foram utilizados, respectivamente, os valores 8-
100, 8-250, 10-100, 10-250, 12-100 e 12-250, a fim de encontrar a melhor condição
de poligonização, para amostrar, de forma mais eficiente todas as variações de
telhados existentes na imagem analisada. Cada segmentação gerou um novo Plano
de Informação (PI), através do qual foi realizada a classificação. Para a classificação
foi feito o processo de amostragem, obtendo a maior variação possível de
informações por classe que se deseja criar e o classificador bhattacharya. Segundo
Leão et al. (2007) o classificador bhattacharya é um classificador supervisionado por
regiões que utiliza um algoritmo, que basicamente mede a diferença estatística entre
os valores espectrais de cada classe espectral com uma separabilidade determinada
como a distância média dos valores.
Dois tipos de classificações foram testados, uma diferenciando telhados de
outros objetos, e outra para diferenciar as orientações das faces dos telhados. As
classes criadas para identificar área de telhado foram as classes telhados e outros,
já para identificar a face e orientação de telhados foram criados as classes
Te_Barro_Orientação (onde, Orientação pode ser NO,NE, N, O,E,SO,SE e S) para
as orientações possíveis para telhados de barro, a classe Te_Outros para outros
tipos de telhados, classe Vegetação para vegetação presente na imagem e Vias
para vias e calçadas.
As classificações geradas para cada segmentação foram analisadas e
comparadas, para identificar as que apresentassem o melhor resultado de
classificação e o mínimo de erro. Foi realizada uma classificação manual da área de
estudo utilizando a técnica de fotointerpretação para usar como parâmetro de
comparação com as classificações semiautomáticas geradas anteriormente. Na
edição os pixels que não foram classificados e ou que sobrepõem outras classes
foram editados, atingindo-se assim a identificação ideal.
Os valores obtidos para cada segmentação foram analisados em
comparação com a imagem corrigida (verdade terrestre) para identificar o percentual
de erros que cada tipo de segmentação diferente pode gerar, destacando assim a
melhor condição de identificação semiautomática. O resultado final foi discutido e
comparado a outros trabalhos que utilizam LiDAR como tecnologia de obtenção de
dados.
27
3.2 ÁREA DE TELHADO DISPONÍVEL
Após a obtenção dos resultados iniciais da aplicação dos métodos de

classificação semiautomática de imagens de satélite, foi aplicado o método que
apresentou melhores resultados dentre todos os testes realizados para a área
urbana total do município de Campo Mourão, que foi a utilização da segmentação
com similaridade 8 e área de pixels 100 aplicado para área de estudo inicial com a
utilização do classificador bhattacharya. O processo foi realizado duas vezes para a
área urbana total, pois nas imagens de satélite para Campo Mourão existem duas
imagens de datas diferentes, portanto com características diferentes, o que alteraria
o processo de amostragem por apresentarem valores de pixel diferentes para a
mesma classe de telhado. Após a classificação, uniu-se os PIs gerados para a
correção manual.
Para identificar a orientação dos telhados optou-se por um método diferente
do proposto anteriormente, visto que o mesmo não apresentou os resultados
esperados antes mesmo na fase de testes que foram realizados. A orientação dos
telhados foi realizada por amostragem, através da fotointerpretação de modo manual
para toda área urbana.
Foram criadas 24 zonas dentro da área urbana, sendo 22 zonas
residenciais, uma zona central e uma zona industrial, que se diferenciam pelas
características de tipos de edificações, tipos de telhados, orientação das quadras e
padrões de construção como, por exemplo, em bairros ou conjuntos habitacionais.
Dentro de cada zona foi realizado diversas amostras por fotointerpretação,
para identificar os tipos de telhados, representando em de 50% a 90% da área total
da zona dependendo do tamanho da zona observada. Nas amostras foi levantado o
número de telhados do tipo duas águas, no sentido norte-sul (N-S), leste-oeste (L-
O), noroeste-sudeste (NO-SE) e nordeste-sudoeste (NE-SO), telhados 4 águas, no
sentido norte-sul/leste-oeste (N/S-L/O) e noroeste-sudeste/nordeste-sudoeste
(NO/SE-NE/SO), telhados planos e telhados de estrutura circular no sentido norte-
sul, leste-oeste, noroeste-sudoeste e nordeste-sudeste.
Para cada tipo de telhado e cada orientação observada foi atribuído um
peso, que diz respeito à eficiência média de geração de energia fotovoltaica nestas
características. O peso do tipo de telhado multiplicado pelo peso da orientação
correspondente gera um peso final para todos os telhados observados naquela
28
categoria, em seguida é realizado uma média do soma dos pesos pelo número de
telhados observados na amostra, resultando numa média do peso de características
dos telhados para aquela amostra, logo se faz a média dos pesos de cada amostra
pelo número de amostras na zona correspondente, obtendo o peso das
características dos telhados para a zona. Em seguida foi criado um PI com os
respectivos pesos determinados para cada zona.
Para os telhados duas águas foi atribuído o peso de 0,5 para o tipo e 1,0
para faces em N-S, 0,0 para L-O, 0,7 para NO-SE, e 0,5 para NE-SO. Nos telhados
do tipo 4 águas foram usados pesos de 0,25 para tipo na orientação N-S, com peso
de 1,0 para a orientação e peso de 0,5 para o tipo na orientação NO/SE-NE/SO,
com peso de 0,5 para a orientação. Para os telhados planos foi utilizado peso de 0,9
para tipo e 1,0 para orientação. Nos telhados de estruturas circulares foram
atribuídos pesos de 0,3 para os tipos e 1,0 na orientação N-S e 0,5 nas orientações
L-O, NO-SE, NE-SO (Tabela 1 e 2).
Tabela 1 - Pesos atribuídos por tipo e orientação dos telhados.
Tipo Orientação Peso Tipo Peso Orientação
N-S 0,5 1
L-O 0,5 0
2 águas
NO-SE 0,5 0,7
NE-SO 0,5 0,7
N-S 0,25 1
4 águas
NO/SE - NE/SO 0,5 0,5
Plano -------- 0,9 1
N-S 0,3 1
L-O 0,3 0,5
Circular
NO-SE 0,3 0,5
NE-SO 0,3 0,5
Tabela 2 - Média do peso das características dos telhados de uma amostra.

Número de
152
edificações
Peso Peso
Tipo Quantidade Orientação Quantidade Peso Final
tipo orientação.
N-S 1 0,5 1 0,5
L-O 2 0,5 0 0
2 águas 100
NO-SE 45 0,5 0,7 15,75
NE-SO 52 0,5 0,7 18,2
N-S 0 0,25 1 0
4 águas 8 NO/SE - 8 0,5 0,5 2
NE/SO
Plano 19 --------- 19 0,9 1 17,1
Continua
29
Conclusão
N-S 0 0,3 1 0
L-O 0 0,3 0,5 0
Circular 25
NO-SE 8 0,3 0,5 1,2
NE-SO 17 0,3 0,5 2,55
Proporção de Peso total
57,3 0,3769736
telhados útil da quadra
As amostras são usadas para realizar a média do peso na zona em que

representam, para que aplicado à área de telhados identificados na classificação
semiautomática, gera a média de áreas disponíveis dos telhados. Esse fator será
utilizado no cálculo da estimativa do potencial fotovoltaico, que multiplicado pelos
dados unitários de produção fotovoltaica local em um algoritmo com operação de
ponderação, irá gerar para cada área de telhado identificada a estimativa da
produção média para toda a área urbana.
3.3 POTENCIAL DE GERAÇÃO POR MÓDULO FOTOVOLTAICO
Segundo o Manual de Engenharia Para Sistemas Fotovoltaicos (PINHO e

GALDINO, 2014), uma das principais etapas do projeto é quantificar a radiação solar
incidente sobre o painel solar, de acordo com as características geográficas do local
do projeto. Porém muitas vezes estes dados não estão disponíveis e torna-se
necessária a realização de estimativas. Esta estimativa torna-se necessário para
determinar o potencial de produção por módulo fotovoltaico. Esta etapa foi
substituída pela coleta de dados da produção de energia fotovoltaica gerada por
módulos fotovoltaicos instalados em Campo Mourão.
Os dados foram obtidos através de instalações fotovoltaicas realizadas em
Campo Mourão pela empresa Solar Advance (2017). Foi realizada a coleta de dados
de duas unidades produtivas atendidas pela empresa, que foram denominadas de
unidade empresarial e residencial. Todos os painéis são da marca da marca
Canadian®, determinados pelos fabricantes com 15.75% de eficiência de conversão.
A unidade empresarial está localizada em uma empresa de refrigeração com
grandes estruturas de telhados com faces voltadas no sentido NO-SE, com 40
painéis fotovoltaicos de 310 Wp (Watts pico), onde há uma constante coleta de
dados por rede Internet, enviados a um banco de dados on line. As instalações
30
foram realizadas em outubro de 2016, permitindo a coleta de dados constante

durante um ano. Para fins de comparação foram obtidos também os dados de uma
unidade residencial, com telhado voltado no sentido N-S, com 20 painéis de 270 Wp
com as instalações realizadas no meio de maio de 2017.
Desta forma, a empresa Solar Advance forneceu os dados coletados de
outubro de 2016 até outubro de 2017, totalizando 13 meses de dados de geração
fotovoltaica para a unidade empresarial e de junho de 2017 a outubro de 2017 para
a unidade residencial.
Os dados de geração fotovoltaica foram transformados em dados unitários
(potencia/m²), para posterior utilização nos cálculos de ponderação na estimativa do
potencial fotovoltaico para toda área urbana de Campo Mourão. As informações de
geração foram organizadas com médias mensais, anual, média máxima e mínima,
que devem posteriormente gerar mapas do potencial fotovoltaico com estas
variações.
3.4 POTENCIAL DE GERAÇÃO PARA O MUNICÍPIO DE CAMPO MOURÃO
Após a obtenção dos primeiros resultados dos testes de métodos para

identificar área de telhados, da identificação de área de telhados disponíveis para
toda área urbana de Campo Mourão, e dos resultados de produção solar fotovoltaica
para as condições locais por metro quadrado, foram organizados e compilados estes
dados gerados para a próxima etapa que é a identificação do potencial de geração
fotovoltaica para Campo Mourão.
Todos os dados foram organizados para apresentar os resultados finais em
escalas temporal e espacial diferentes. Na escala temporal os dados de produção
fotovoltaica foram organizados em potenciais mensais, destacando o mês mais
produtivo, o mês menos produtivo, a média mensal no ano, e o total anual gerado.
Na escala espacial os resultados foram divididos em potencial por cada telhado e o
potencial por zonas. Desta forma deve-se obter 4 resultados para geração por
telhado e 4 resultados para geração acumulada nas zonas.
Para identificar o potencial de geração em cada telhado foi necessário
multiplicar o valor unitário de produção fotovoltaica (kWh/m²), pelo valor do peso da
zona em que o telhado está inserido, que foi determinado anteriormente. Esta
multiplicação é realizada de pixel por pixel, que possuem resolução de 0,59 x 0,59,
31
logo, para reduzir o trabalho de processamento e diminuir o peso dos PIs gerados
na saída, foi preferível reduzir a resolução do PI com as áreas de telhado para 1m x
1m. Após a aplicação do algoritmo em LEGAL é obtido uma matriz em MNT, com os
valores de produção de cada pixel para cada telhado. Foi realizada a mesma
operação para cada valor de produção fotovoltaica diferente, sendo: mês mínimo,
mês máximo, média mensal e total anual. Estes valores devem ser somados com
relação ao PI Telhado, para a identificação dos potenciais para cada telhado
separadamente e em relação ao PI Zonas para identificar os potenciais para cada
zona separadamente.
Após a transformação dos dados vetoriais de cada PI temático necessário
para as operações em dados matriciais, foi determinado um algoritmo de
ponderação na plataforma LEGAL, no Spring, para obtenção do produto dos valores
de pixels para Telhado, Zona e o valor de produção unitário inserido diretamente na
fórmula.
Na criação do algoritmo primeiro são determinados os dados de entrada
(Figura 8) definindo como temático as categorias onde estão inseridos os PIs
necessários para o processamento. Em seguida, criando as tabelas de Ponderação
é atribuído peso a cada classe existente nas categorias utilizadas no cálculo, sendo
estas, uma categoria com os telhados e outra com as zonas. Na categoria com as
classes de telhados foi atribuído o valor de 1 para classe Telhado e 0 para a classe
Outros, para que o resultado do valor do pixel gerado fora de qualquer telhado seja
igual a zero. Na categoria com as classes das zonas foi atribuído o peso identificado
para cada zona.
Figura 8 - Entrada de dados no algoritmo de cálculo do potencial fotovoltaico

32
Fonte: Autoria Própria
A álgebra de mapas utilizada no algoritmo para a saída de dados (Figura 9)

teve as seguintes operações:
𝑉𝐴𝑅 = (1 ∗ (𝑣𝑎𝑟1, 𝑡𝑎𝑏1)) ∗ (1 ∗ (𝑣𝑎𝑟2, 𝑡𝑎𝑏2)) ∗ (𝑃𝑈)
Onde:
 VAR: PI de saída;
 Var1, tab1: valores da matriz dentro da categoria com os telhados;
 Var2, tab2: valores da matriz dentro da categoria com as zonas;
 PU: Potencial unitário de produção fotovoltaica em metros quadrados.
33
Figura 9 - Dados de saída, recuperação de entrada e geração de média ponderada no algoritmo

de potencial fotovoltaico.
Fonte: Autoria Própria.
Os PIs gerados como MNT, com os valores por pixel da produção

fotovoltaica foram exportados em formato GeoTiff, junto com as Zonas e classes de
telhados exportados e importados para o Qgis, no qual aplicou-se a função de soma
zonal pelo plugin zonal statistics, usando como limite a camada com as classes de
telhados e com as classes das zonas, para os 4 PIs MNT gerados no algoritmo,
produzindo 8 resultados de produção fotovoltaica para toda área urbana de Campo
Mourão.
34
4 RESULTADOS E DISCUSSÃO
4.1 APLICAÇÃO DA METODOLOGIA PROPOSTA PARA IDENTIFICAÇÃO DE

TELHADOS DISPONÍVEIS
Ao analisar as imagens de satélite foi possível identificar as faces dos

telhados (Figura 10) e consequentemente suas orientações para os telhados de
cerâmica pelo método de fotointerpretação, já que é possível observar uma
diferenciação das faces pela cor refletida sob a luz do sol. Para outros tipos de
telhados este método é ineficaz, já que a diferenciação das faces se torna muito
difícil e confusa, pela pouca variação de cores apresentadas em telhados muito
escuros ou muito claros.
Figura 10 - Identificação das faces e orientações de telhados por fotointerpretação
4.1.1 Classificação de faces e orientação dos telhados

Seguindo o mesmo princípio da fotointerpretação foi aplicada a classificação
semiautomática para identificação de faces e orientação destas, porém os
35
resultados obtidos não mostraram a eficiência como a fotointerpretação,

apresentando um grande número de áreas classificadas erroneamente.
Foi possível notar muitas inconsistências entre os tipos de classes,
misturando ou invertendo as classes geradas (Figura 11). Para as segmentações 8-
100, 10-100 e 12-100, foi observado o mesmo tipo de problema, onde em alguns
casos específicos de telhados, este método de classificação consegue distinguir
bem as diferenças dos valores de pixels encontrados para cada face, porém, quando
expandido para toda a imagem a classificação não segue o mesmo padrão. Em
todas as formas de segmentação e classificação usadas para identificar faces e
orientação dos telhados ocorre uma grande mistura das classes, tornando a
correção manual dos erros de classificação mais trabalhosa do que a classificação
manual de telhados individualmente.
Figura 11 - Exemplos de classificação de faces e orientações de telhados

36
Mesmo testando as várias combinações de segmentações diferentes não foi

possível isolar as faces, logo optou-se neste trabalho, por deixar a orientação para
classificação manual, analisando cada telhado separadamente. Quando comparado
com os dados LiDAR, é visto que já é possível identificar áreas de telhados, faces e
suas respectivas orientações, através da nuvem de pontos, criando uma grade
altimétrica para cada telhado separadamente como demonstra Mitishita e Centeno
(2015) em seu trabalho com este tipo de classificação. Oliveira e Galo (2011)
chegam a resultados satisfatórios na classificação aplicando o método de Otsu
(1979), para telhados de até duas faces. Yano e Poz (2016) demonstraram um
satisfatório resultado, com valores acima de 90% na identificação de faces e
orientação de diferentes telhados, aplicando a detecção automática de segmentos
de planos representando faces de telhados, tendo por base o método RANSAC.
Awrangjeb, Zhang e Fraser (2013) demonstram um método para a extração
automática de telhado 3D através de uma integração de dados LiDAR e ortoimagem
aérea de alta resolução, chegando a extrair planos tão pequenos quanto 1m2 e
presença de vegetação densa, alcançando altíssima precisão na identificação de
faces e orientação de telhados (Figura 12), em comparação com métodos de outros
autores que necessitam de no mínimo 6 a 9 m² de área para chegar a precisão de
90 a 100%.
Figura 12 - Resultados da extração de plano iterativo
Fonte: Awrangjeb, Zhang e Fraser (2013).

37
5.1.2 Classificação de áreas dos telhados
Para a identificação de área de telhados cada uma das segmentações

aplicadas gerou um resultado diferente em área classificada (Tabela 3)
apresentando divergências para cada classificação em relação à realidade terrestre
(Figura 13).
Tabela 3 - Resultado em áreas de classes segundo as segmentações utilizadas.

Segmentação Área total Classe telhado Classe outros
aplicada Área (m²) Percentual (%) Área (m²) Percentual (%)
10-100 803.837 310.841,31 38,7 492.996,03 61,3
10-250 804.068,48 352.272,94 43,8 451.795,54 56,2
12-100 801.081,42 280.236,36 35,0 520.845,06 65,0
8-100 804.039,72 370.103,47 46,0 433.936,25 54,0
Figura 13 - Diferença da classificação realizada em cada segmentação.

38
É notável que cada uma das segmentações gere um resultado de

classificação diferente, incluindo ou excluindo valores de pixels nas classes
determinadas e gerando áreas classificadas de formas diferentes. Os objetos claros
como calçadas e carros (Figura 13A) geralmente eram consideradas como extensão
dos telhados em todas as segmentações. As Segmentações 10-100 (Figura 13D) e
12-100 (Figura 13F) são as que mais apresentaram buracos na classificação. A
segmentação 8-100 (Figura 13C) é a que mais engloba outros objetos na classe
telhado, porém, destaca-se como a mais fácil de realizar a correção manual, já que
para o processo de correção é mais fácil retirar áreas extras ao invés de adicionar
feições.
A próxima etapa foi a criação de um algoritmo em LEGAL, aplicando análise
ponderada entre a classificação por fotointerpretação e cada uma das
segmentações geradas, considerando os valores de 0 para classe Outros e 1 para
classe Telhados. O resultado é um PI em Modelo Numérico do Terreno (MNT), com
valores na grade de 0 para telhado igual, 1 para diferentes e 2 para Outros igual.
Esta grade foi fatiada para um PI temático criando-se duas classes, sendo
estas, Igual e Diferente, atribuindo os valores gerados no PI em MNT. Logo se
destaca as divergências (Classe Diferente) de cada classificação em relação ao
método de fotointerpretação, o que seria a condição ideal esperada para a
classificação semiautomática. Foi aplicada a medida de classes de todos os PIs
temático das comparações feitas, posteriormente foi comparado as áreas de cada
classe gerada com a área total classificada, mostrando assim os erros presentes
(Tabela 4) em cada classificação feita.
Tabela 4 - Percentual de erros gerados para cada segmentação.

PI Percentual de
Área igual (m²) Área diferente (m²) Área total (m²)
comparado erro (%)
10-100 647.364,71 156.634,56 803.999,27 19,48
10-250 623.567,52 180.431,75 803.999,27 22,44
12-100 632.167,92 171.915,45 804.083,37 21,38
8-100 624.638,20 179.360,65 803.998,85 22,31
39
Os resultados obtidos para a comparação do PI corrigido com os tipos de

classificações realizadas apresentou um erro percentual muito próximo entre os PIs
analisados, ficando em torno de 20 por cento de erro. O PI 10-100 foi o que
apresentou o melhor resultado de classificação semiautomática com 19,48% de erro,
seguido do 12-100 com 21,38 %, 8-100 com 22,31% e 10-250 com 22,44%.
Estes erros ocorrem quando não há um número de amostragens
suficientemente realizado anteriormente, logo, após o processamento há uma
inversão das casses para valores de pixel que mais se aproximam da classe, ficando
classificados erroneamente. Outro fator que influencia no erro final, é a aproximação
de valores de pixel como da classe telhado com outros objetos presentes na imagem
de satélite, como por exemplo, calçadas muito claras e carros (Figura 14a, 14b),
alguns tipos de cerâmica da cor das telhas de barro (Figura 15a, 15b), dentre outros.
Figura 14 - Identificação de calçada e carros como classe Telhado.

40
Figura 15 - Identificação de Pisos de cerâmica usados em piscinas como classe Telhado.
No trabalho realizado por Deus et al.(2011) na identificação de edificações e

não edificações usando dados LiDAR, através do software TerraScan, a
identificação de edificações apresentou um erro de 29,06% para erros de omissão e
13,23% para erros de comissão, totalizando 42,29% de erro nesta classificação,
porém mostra-se mais eficiente quando comparado com outros parâmetros,
chegando a uma exatidão de 88,68%. Barbosa e Galo (2014) demonstram que a
utilização de classificação por crescimento de regiões utilizando dados LiDAR pode
apresentar uma série de erros no resultado final devido a complexidade dos tipos de
telhados, proximidade dos mesmos ou confusão com outros objetos como árvores.
4.2 ÁREA TOTAL DE TELHADOS DISPONÍVEIS PARA TODA ÁREA URBANA
A metodologia estudada e aplicada nos testes iniciais foi reaplicada para a

área urbana total de Campo Mourão, considerando os erros que foram identificados
e as modificações necessárias para se aproximar dos resultados esperados. Após a
aplicação do método e da classificação total das áreas, foi realizada a comparação
da imagem final com a imagem sem a correção manual, a fim de identificar as áreas
41
classificadas erroneamente (Tabela 5). Em seguida foi realizado destacado o

percentual de áreas classificadas erradas em relação à classe telhado, comparando
as fases de testes com a fase de classificação final para toda área urbana (Tabela 6)
Tabela 5 - Percentual de erro encontrado na classificação da imagem.

Classes Percentual (%)
Telhado 4,23
Outros 95,76
Classificado errado 5,19
Área total 100
Tabela 6 - Percentual de erro com relação ás áreas de telhado

Classes Classificação testes (%) Classificação final (%)
Telhado 100 100
Classificado errado 77,51 122,42
Comparando com os testes iniciais foi notado que ao expandir a

classificação para toda a área urbana houve um aumento no percentual de áreas
classificadas como diferente, ou seja, atribuído uma classe que não corresponde ao
objeto real da imagem. Este erro não é muito perceptível quando se compara o
percentual de erro com relação a todas as classes dos testes com a classificação
final, devido à relação do tamanho da área analisada. Nos testes iniciais toda área
de estudo ficou restrita à área do centro de Campo Mourão, ou seja, contendo
somente objetos do meio urbano, já na área de classificação final grande parte da
imagem analisada continha objetos comuns da paisagem como lavoura, floresta e
estradas.
Quando analisados os erros totais com relação à área total da classe telhado
observa-se que o erro aumentou de 77,51% para 122,42%, portanto, mais que o
dobro da classe telhados após a correção. Isto indica um aumento de 44,91% de
erro de classificação.
No trabalho realizado por Wiginton, Nguyen e Pearce (2010), foi destacado
um erro percentual de 15%, com métodos de extração automática e comparação
com a digitalização manual de telhados em uma ortofoto de 1km² e resolução de
20cm, utilizando o Feature Analyst, que é uma extensão do software ArcGIS. O que
indica a possibilidade de melhoria da classificação com imagens de menor
42
resolução. Comparando imagens de alta resolução obtidas por drones com

resolução de 20 cm com dados LiDAR, Szabó et. Al (2016) demonstram que é
possível obter resultados muito próximos de classificação de telhados, a diferença
está no alto custo da tecnologia LiDAR, que além de necessitar de uma estrutura de
alto custo, ainda precisa de equipamentos de pós processamentos muito mais
avançados para processor todas as informações.
Foram identificadas algumas diferenças na classificação das imagens em
relação ao teste inicial, enquanto no teste realizado inicialmente os erros gerados na
classificação semiautomática foram em maioria de sob classificação, ou seja, os
objetos foram classificados com erros para além do limite na imagem, o que facilita a
correção manual com a limpeza. Na classificação posterior para toda área urbana
ocorreram erros de subclassificação (Figura 16), quando se classifica menos do que
o ideal e sob classificação (Figura 17), quando se classifica mais que o ideal, sem
um padrão de frequência ou proporção, logo, o trabalho de correção manual ficou
extremamente minucioso e necessitou de mais tempo, tonando-se em algumas
situações inviável, sendo preferível em muitas áreas a classificação manual por
fotointerpretação.
43
Figura 16 - Identificação de erros de subclassificação
Fonte: Adaptado de BING Maps

Figura 17 - Identificação de erros de sob classificação
Fonte: Adaptado de BING Maps

44
Esperava-se que o método aplicado para toda a área do município

apresentasse o mesmo produto de classificação que nos testes iniciais, porém
destaca-se uma funcionalidade menor, no que diz respeito ao tempo de trabalho de
pós-correção. Segundo Troya-Galvis, Gançarski e Berti-Équille (2018) são vários os
fatores que podem atrapalhar o processo de segmentação e de treinamento, e cada
software e algoritmo de segmentação diferencia, no caso de telhados, dificilmente
um algoritmo clássico de segmentação conseguirá um bom resultado, devido a
grande variação de valores para os pixels entre os telhados em cada telhado
específico, o que torna a tarefa de correção manual extremamente minuciosa,
tediosa e demorada até mesmo para um especialista.
Blaschke (2010) ao realizar comparações entre diversos métodos de
classificação, destaca que um dos métodos de classificação automática que obtém
melhor resultado é a classificação por segmentação e formação de regiões, com
análise de imagem baseada em objetos, do inglês “Object-Based Image analysis”
(OBIA), se demonstra menos sensível a variações espectrais dentro dos mesmos
objetos. Mas segundo Pal e Pal (1993), mesmo com uma grande quantidade de
métodos de classificação por objetos, estes ainda são robustas o suficiente para
ambientes extremamente complexos como o meio urbano.
Acredita-se que os erros identificados neste trabalho são decorrentes do
aumento do universo amostral das imagens de satélite analisadas e processadas,
incluindo uma variação muito maior dos tipos de telhados e consequentemente dos
valores de pixels, que acabam ficando muito próximos entre as classes analisadas,
causando a classificação incorreta dos objetos.
4.3 POTENCIAL DE PRODUÇÃO POR MÓDULO FOTOVOLTAICO
Os dados de geração fotovoltaica obtidos foram organizados em total

mensal, total anual, mínimo e máximo mensal e média anual. Como no método
proposto é necessário o valor unitário da produção fotovoltaica, ou seja, potência
gerada por metro quadrado foi necessário identificar o tipo de painel de cada
instalação e relacionar o total gerado pelo número de painéis e pela área de cada
painel, desta forma obtém-se os resultados das médias e totais calculadas por metro
quadrado. Em análise, os dados totais mensais por metro quadrado (Figura 18)
45
variaram de 13,52 kWh/mês para o mês de maio como o mês menos produtivo, até
24,36 kWh/mês para o mês de novembro com a maior produção mensal. A média
mensal no ano é de 19,34 kWh/m²/mês e uma produção total anual de 232,10
kWh/m²/ano.
Figura 18 - Produção total mensal por metro quadrado na unidade empresarial.

30
25
20
15
10 (kWh/m²)
Fonte: Adaptado de Solar Advance (2017).
Para ajustar os dados de produção total produzidos na unidade empresarial

para o norte verdadeiro foi realizadas algumas comparações com a unidade
residencial que possui telhados totalmente voltados para o norte (Figura 19).
46
Figura 19 - Identificação dos telhados da Unidade Empresarial e Redidencial
Ao comparar os dados de geração (Figura 20) foi notado que em todos os

meses a produção por metro quadrado é maior na unidade residencial, isto devido à
característica da orientação do telhado, permitindo uma eficiência maior. Baseado
nisto, foi determinado um coeficiente de 15%, que é a média do percentual de
produção a mais por metro quadrado da unidade residencial em comparação com a
unidade empresarial. Este coeficiente foi aplicado para os totais e médias calculadas
anteriormente para as a unidade empresarial.
47
Figura 20 - Comparação da geração por metro quadrado entre a unidade empresarial e

residencial
30
25
Unidade
20 empresarial
(kWh/m²)
15
Unidade
10
residencial
(kWh/m²)
5
0
junho julho agosto setembro outubro
Fonte: Adaptado de Solar Advance (2017).
Com o ajuste do coeficiente, os valores da unidade empresarial variaram de

15,55 kWh/mês para o mês de maio com a menor produção e 28,01 kWh/mês para
o mês de novembro com a maior produção mensal, e a média mensal no ano ficou
em 22,24 kWh/m²/mês e o total de energia produzido foi de 266,92 kWh/m²/ano.
Ribeiro, Arouca e Coelho (2016) falam que as variações na produção
fotovoltaica por m² podem ser causadas por diversos fatores como, inclinação,
orientação, tecnologia de células e até mesmo o número de painéis e a
configuração. Os autores destacam em seu estudo que até 7% de variação na
produção unitária (kWh/m²) de uma área com 2500m² (302 MWh/Ano) para uma
área de 4900m² (635 MWh/Ano) mantendo as demais condições, variação de 161%
em uma área de 2500m² para produção no Rio de Janeiro (197 MWh/Ano) e
Fortaleza (318 MWh/ano) e uma variação de até 72% de uma área quadrada de
100m² (10m x 10m) para uma área retangular (5m x 20m), passando de 8 MWh/Ano
para 11 MWh/Ano.
4.4 POTENCIAL DE GERAÇÃO PARA TODA ÁREA URBANA
Com a execução do algoritmo de ponderação, a geração dos dados de

produção fotovoltaica por pixel de resolução de 1x1(m) em MNT para o mês mais
48
produtivo e menos produtivo, para média mensal do ano e total anual, em seguida
realizou-se as somas zonais por polígonos de telhado e das zonas da cidade. O
resultado do potencial destacado por área de telhado com escala em nível de toda
área urbana da cidade se torna de difícil distinção das classes criadas, pois a
maioria dos telhados são pequenos com relação ao todo (Figura 21),
impossibilitando a observação.
Figura 21 - Classificação de telhados para toda área urbana de Campo Mourão.
Para melhor visualização dos telhados identificados foi ampliada a área de

do mapa, para menor escala, na zona central da cidade (Figura 22), tornando assim
visível as diferentes classificações criadas para cada potencial gerado.
49
Figura 22 - Classificação de telhados para área do centro de Campo Mourão.
Os resultados por área de telhados das diferentes gerações apresentaram

uma variação de valores máximos e mínimos diferentes. Os valores de produção
mínima e máxima, ou seja, o telhado menos produtivo e o mais produtivo, foram
respectivamente, no mês menos produtivo, 5 kWh e 85710,9kWh (85,7MWh), no
mês mais produtivo, 9 kWh e 154406,8kWh (154,4MWh), na média mensal do ano, 7
kWh e 122580,9kWh (122,5MWh) e no total produzido durante um ano foi de 94kWh
e 1470972kWh(1,4709GWh). Os valores para o mês de menor geração foram
considerados como cenário pessimista e os valores do mês de maior geração como
cenário otimista para as estimativas.
4.4.1 Potencial de geração por telhado
Como os telhados foram analisados separadamente e existe uma grande

variação das condições de tamanho e pesos adotados, foram gerados 22920
classes, logo, para facilitar a visualização da classificação em mapas, foram
divididas em faixas de acordo com a variação de cada valor de produção, resultando
em 4 classificações diferentes com 11 classes (Tabela 7), sendo estas, potencial de
50
geração mensal média, potencial de geração mensal mínima, potencial de geração

mensal máxima, e potencial de geração anual total.
Tabela 7 - Classes determinados para os diferentes resultados de geração por telhados.
Mês de menor Mês de maior Média mensal do Total anual
Classes
produção (kWh) produção (kWh) ano (kWh) (kWh)
Valor
5 9 7 94
mínimo
Valor
85710,9 154406,86 122580,99 1470972
máximo
Classe 1 5 a500 9-500 7 a 500 0 a 5000
Classe 2 500 a 1000 500 a 1000 500 a 1000 5000 a10000
Classe 3 1000 a 1500 1000 a 1500 1000 a 1500 10000 a 20000
Classe 4 1500 3000 1500 3000 1500 3000 20000 a 40000
Classe 5 3000 a 5000 3000 a 5000 3000 a 5000 40000 a 60000
Classe 6 5000 a 10000 5000 a 10000 5000 a 10000 60000 a 80000
Classe 7 10000 a 20000 10000 a 20000 10000 a 20000 80000 a 100000
Classe 8 20000 a 40000 20000 a 40000 20000 a 40000 100000 a 150000
Classe 9 40000 a 60000 40000 a 60000 40000 a 60000 150000 a 200000
Classe 10 60000 a 80000 60000 a 100000 60000 a 90000 200000 a 300000
Classe 11 80000 a 90000 100000 a 160000 90000 a 125000 >300000
Seguindo esta classificação, os dados estimados de produção mensal média por
telhados (Figura 23) se tornam visíveis com a aproximação ao centro da cidade.
Figura 23 - Potencial de geração média mensal por telhado no centro de Campo Mourão/PR

51
Foi possível observar que a maior concentração de telhados de maior

potencial está no centro da cidade de Campo Mourão, onde a maior parte das
edificações possuem um tamanho adequado e menor variação da geometria dos
telhados. Nas amostragens realizadas para determinação do peso das zonas foi
possível notar que muitos telhados da zona central são planos ou quase planos, sem
muitas variações de telhados inclinados ou de mais de duas águas. Esta
combinação faz com que nesta zona se concentre um maior número de telhados de
maior potencial de instalação e consequentemente de maior potencial de geração de
energia.
Quanto mais próximo do centro maiores são os potenciais de geração e
quando mais próximo das bordas menores são os potenciais de geração. Isto
destaca os padrões de potenciais para áreas residenciais e para áreas do centro e
industriais, que tende sempre a seguir os mesmo padrões.
Estes padrões ocorrem em Campo Mourão por dois principais fatores, os
padrões de orientação das quadras da cidade que tendem a seguir as orientações
NO-SE e NE-SO, fazendo com que quase todas as edificações também sejam
construídas nos mesmo sentidos e o fator de semelhança arquitetônica, que tende a
variar somente com as épocas de construção ou zoneamento, logo o centro mantem
o mesmo padrão arquitetônico, pela maioria das edificações terem o mesmo tempo
de construção, seguirem o padrão de orientação e serem para fins comerciais, o
mesmo acontece com novos bairros residenciais e área industrial.
Segundo Torres (2015), o fator sombreamento é um dos principais
problemas que devem ser levados em consideração para cálculos e estimativas para
potencial de geração fotovoltaica, principalmente em grandes centros urbanos, que a
taxa de sombreamento em horas, nas áreas centrais da cidade pode ser muito
elevada, em alguns casos até inviável a implantação do sistema. Em Campo
Mourão este é um fator positivo, já que é baixo o número de edifícios acima de três
andares. Campo Mourão é uma cidade de aproximadamente 100 mil habitantes, que
está em desenvolvimento, mas ainda mantém o padrão de expansão horizontal da
área urbanizada este foi considerado um fator de menor influência.
Analisando os valores obtidos para o cenário pessimista (Figura 24) nota-se
que a maior concentração de telhados nas áreas que circundam o centro da cidade
se enquadra na classe 1, representada com cor azul escuro, e na classe 2, com o
segundo tom de azul mais claro, com alguns telhados com coloração verde escuro
52
(Classe 5) e verde claro (Classe 6). Já no centro da cidade há uma predominância

de telhados acima da Classe 5, com representações de cores verdes (Classes 5, 6 e
7), amarelo escuro (Classe 8) e alguns telhados destacados com amarelo claro
(Classe 9).
Figura 24 - Potencial de geração mínima mensal por telhado no centro de Campo Mourão/PR
No potencial estimado para o cenário otimista (Figura 25) de geração no

centro da cidade houve um aumento significativo do número de classes, do centro
para as bordas da cidade, principalmente para os telhados da classe 2 para 3 e 3
para 4.
53
Figura 25 - Potencial de geração máxima mensal por telhado no centro de Campo Mourão/PR

O número total de telhados identificados como polígonos para toda área
urbana de Campo Mourão foi de 22920. Analisando este número com relação aos
dados de geração em média mensal do ano, dentro das 11 classes anteriormente
determinadas é possível notar que a maior parte dos telhados da cidade são de
baixo potencial de geração fotovoltaica (Tabela 8), caracterizados como telhados
residenciais.
Tabela 8 - Número de telhados por classe com relação ao potencial de produção média por
telhado.
Classe Número de telhados Percentual (%) Percentual acumulado (%)
Classe 1 5410 23,60 23,60
Classe 2 9388 40,95 64,56
Classe 3 3662 15,97 80,54
Classe 4 2972 12,96 93,50
Classe 5 880 3,83 97,34
Classe 6 430 1,87 99,223
Classe 7 135 0,589 99,81
Classe 8 33 0,1439 99,95
Classe 9 5 0,0218 99,978
Classe 10 3 0,01308 99,991
Classe 11 2 0,00872 100
Total: 22920 100
54
Comparando-se o potencial para o mês menos produtivo com o mês mais

produtivo, além dos valores máximos e mínimos de geração, alguns telhados
mudaram de classe, de uma menor classe para uma maior classe. Considerando os
telhados até a classe 5, que representam 97% do total para valores de produção
mensal média, e analisando os valores mínimos e máximos, a produção nestes
telhados variou de 15841671,51kWh/mês (15,841GWh/mês) para
28538525,07kWh/mês (28,538GWh/mês), com 55,5% de aumento.
Considerando as classes criadas anteriormente, com as faixas de geração
fotovoltaica determinadas, é possível notar que a maior concentração de telhados
está na classe 2, representando 40,95% de todos os telhados, 80,54% estão nas
classes 1, 2 e 3, que são telhados com um potencial abaixo de 1500kWh/mês.
97,34% dos telhados possuem um potencial de geração média mensal abaixo de
5000kWh.
Considerando ótimas condições de irradiação sobre o módulo fotovoltaico e
um tempo de 8 horas diárias com um mês de 20 dias com sol, seria necessário uma
potência instalada de 31,25 kWp para a geração de 5000kWh em um mês e para
produzir 1500kWh em um mês seria necessário a potência de 9,37kWp. Segundo
dados da ANEEL (2017), no Paraná, a maioria dos microgeradores no sistema de
compensação de energia encontram-se abaixo de 10kW de potência instalada
(Tabela 9).
Tabela 9 - Número e potência instalada de unidades geradoras no Paraná.
Potência instalada (kWh) Unidades geradoras Percentual (%)
Todos 1264 100
< 10kW 1047 82,83
10kW - 40kW 175 13,84
>40kW 43 3,40
Fonte: Adaptado de ANEEL (2017).
Isto indica que em geral, a maioria dos telhados observados e identificados

como potenciais produtores através deste método proposto, possuem potenciais de
produção e instalação acima de 10kW, ficando acima de 82,83% dos atuais
geradores no Paraná.
Segundo estes dados o maior produtor do Paraná, instalado em novembro
de 2016, localizado na cidade de Planalto/PR, possui uma potencia instalada de
76,65kW, que em média de ótimos níveis irradiação com 8 horas diários por 30 dias,
55
chegaria a produzir 18500kWh. Este valor de geração se encaixaria dentro da classe

7, representando 0,5% dos telhados de Campo Mourão, que varia de 10000kWh à
20000kWh. Ainda segundo este banco de informações da ANEEL, na cidade de
Campo Mourão, a maior potência, instalada em outubro de 2017, é de 50kW, que
em excelentes condições produziria 12000kWh por mês, também se encaixando na
classe 7.
Considerando o somatório produzido durante cada mês de um ano, foi
estimado o potencial de produção fotovoltaica total anual, para os telhados de toda
área urbana (Figura 26). Como os valores mostraram-se muito maiores, foi adotado
a medida de unidade em Megawatts-hora (MWh), sedo que 1MWh é 1000kWh.
Figura 26 - Potencial de geração total anual por telhado no centro de Campo Mourão/PR
Os valores estimados variaram de 0,094MWh até 1470,972MWh (1,47GWh),

porém, da mesma forma que para os valores mensais, o percentual de telhados
acima da classe 5 é muito baixo, com somente alguns destaques de altíssimo
potencial (Tabela 10).
56
Tabela 10 - Número de telhados por classe com relação ao potencial de produção total anual
por telhado.
Classe Número de telhados Percentual (%) Percentual acumulado (%)
Classe 1 3371 14,71 14,71
Classe 2 9197 40,13 54,83
Classe 3 6534 28,51 83,34
Classe 4 2570 11,21 94,55
Classe 5 640 2,79 97,35
Classe 6 243 1,06 98,41
Classe 7 129 0,56 98,97
Classe 8 123 0,54 99,51
Classe 9 48 0,21 99,72
Classe 10 34 0,15 99,86
Classe 11 31 0,14 100,00
Total: 22920 100,00
Os telhados que correspondem os valores da Classe 1 até a Classe 5

representam 97,35% dos telhados de Campo Mourão com uma produção total anual
de 271,875MWh/ano. Já os telhados de maior potencial, como os da classe 11 que
representam 0,14% do número total de telhados, com 31 telhados, produzem um
total anual de 15,56 MWh/ano.
Os telhados que apresentaram os valores de maior produção para os 4
cenários observados (Tabela 11) são todos de características da zona industrial,
com grande área disponível de telhado, e em alguns casos com pouco inclinação do
telhado.
Tabela 11 - Os 5 maiores potenciais de geração destacados nos 4 cenários de estimativa

adotados
Produção
Maiores Produção máxima Produção média Produção Total anual
Mínima
potenciais mensal (kWh) mensal (kWh) (kWh)
mensal (kWh)
1° 85710,90 154406,86 122580,99 1470972,00
2° 71499,34 128804,95 102256,07 1227072,91
3° 70097,50 126279,56 100251,21 1203014,51
4° 44154,18 79543,07 63147,90 757774,83
5° 43887,51 79062,68 62766,52 753198,28
O maior produtor se encontra na zona industrial da cidade (Figura 27),

identificado como fabrica por informações do google maps, com um potencial total
57
anual estimado de geração de energia fotovoltaica em 1470972,00 kWh/ano, o que

da em Gigawatts-hora 1,4709 GWh/ano.
Figura 27 - Maior potencial de geração identificado por imagem de satélite.
O segundo maior potencial gerador identificado na estimativa é o câmpus da

Universidade Tecnológica Federal do Paraná (UTFPR) (Figura 28), localizado
afastado do centro da cidade e se encontra na zona definida como industrial. O
potencial de geração anual do câmpus estimado é de 1227072,91kWh/ano ou
1,2227GWh/ano. Esta geração poderia suprir duas vezes o consumo de energia
elétrica do câmpus de Campo Mourão, que segundo o relatório de auditoria n°02 de
2013 sobre consumo de energia nos câmpus da universidade em 2012 foi de
555277 kWh com custo de R$ 258.887,54 (NIWA; DARONCH, 2013).
58
Figura 28 - Segundo maior potencial de geração identificado por imagem de satélite

O terceiro maior potencial encontra-se fora do centro, na zona industrial,
com grandes barracões e estruturas em duas águas, sendo identificado pelo google
maps como cooperativa agroindustrial (Figura 29), com um potencial de geração
fotovoltaica de até 1203014,51kWh/ano ou 1,203GWh/ano.
Figura 29 - Terceiro maior potencial de geração identificado por imagem de satélite.

59
O quarto maior potencial identificado apresenta características de telhado da

zona industrial, mas encontra-se em uma zona definida como residencial,
Identificado como hipermercado (Figura 30), esta edificação foi estimada com
capacidade de produzir até 757774,83kWh/ano ou 757,77MWh/ano.
Figura 30 - Quarto maior potencial de geração identificado por imagem de satélite
A edificação identificada como o quinto maior produtor da área urbana de

Campo Mourão está dentro da zona definida como industrial e é classificado no
google maps como instalações da Coamo (Figura 31) (Cooperativa agropecuária
Mourãoense), localizado ao norte da área urbana, com um potencial de geração
estimado de 753198,28kWh/ano ou 753,198MWh/ano.
60
Figura 31 - Quinto maior potencial de geração identificado por imagem de satélite.
4.4.1 Potencial de geração zonal e total
Após as estimativas realizadas para cada telhado, realizou-se o somatório

dos potenciais de cada cenário adotado em cada zona determinada na área urbana,
apresentando os valores acumulados por zona para os valores de geração
estimados (Tabela 13) para o mês de menor produção, maior produção, média
mensal do ano e produção total anual. Para facilitar a visualização do resultado a
unidade de medida foi de Gigawatts-hora (GWh).
Tabela 12 - Potencial de produção estimado nas zonas para os 4 cenários adotados.
Produção Mínima Produção máxima Produção média Produção total
Zona
mensal (GWh) mensal (GWh) mensal (GWh) anual (GWh)
Centro 3,15 5,68 4,51 54,07
Residencial 13 2,39 4,31 3,42 41,04
Industrial 2,36 4,26 3,38 40,58
Residencial 12 1,80 3,25 2,58 30,95
Residencial 17 1,77 3,19 2,53 30,37
Residencial 11 1,00 1,80 1,43 17,17
Residencial 6 0,93 1,68 1,34 16,03
Residencial 8 0,88 1,59 1,26 15,14
Residencial 7 0,84 1,51 1,20 14,40
(Continua)
61
(Conclusão)
Residencial 4 0,82 1,47 1,17 14,00
Residencial 9 0,62 1,12 0,89 10,70
Residencial 20 0,61 1,10 0,88 10,51
Residencial 15 0,44 0,80 0,63 7,58
Residencial 14 0,43 0,78 0,62 7,46
Residencial 2 0,39 0,71 0,56 6,75
Residencial 1 0,35 0,64 0,50 6,06
Residencial 18 0,34 0,61 0,49 5,84
Residencial 3 0,28 0,50 0,40 4,79
Residencial 10 0,21 0,38 0,30 3,66
Residencial 5 0,20 0,36 0,29 3,45
Residencial 21 0,12 0,22 0,17 2,09
Residencial 16 0,12 0,22 0,17 2,06
Residencial 19 0,11 0,21 0,16 1,96
Residencial 22 0,04 0,07 0,06 0,70
Para a visualização do resultado em mapa, os valores estimados de geração foram

classificados em tons de amarelo alaranjado, do mais escuro para o mais claro,
conforme aumenta o potencial de geração estimado para as zonas (Figura 32).
Figura 32 - Potenciais de geração identificados para as zonas.

62
Foram identificados como as três zonas de maior potencial de geração de

energia fotovoltaica, respectivamente, as zonas do centro, residencial 13 e industrial.
Como citado anteriormente cada zona tende a manter um padrão de arquitetura,
tamanho das edificações e orientação, logo, os telhados inclusos nestas áreas estão
na média do mesmo potencial.
Apesar de a zona industrial conter os telhados identificados como os
maiores potenciais, a quantidade de telhados comparados com a zona central por
exemplo, é muito inferior, logo, em somatório, os valores para zona do centro foram
maiores. A zona residencial 13 por estar muito próxima ao centro apresenta
características semelhantes, ficando como segundo maior potencial estimado.
Considerando os dados de potência instalada da Usina Hidrelétrica de Itaipu,
que é 14000MW ou 14GW e comparando com os valores de estimados para a zona
do centro, afirma-se que o total produzido em um ano nesta zona corresponde a 3
horas e 51 minutos de funcionamento em capacidade máxima da usina (ITAIPU
BINACIONAL, 2017).
Comparando com os dados de produção da usina mais próxima da cidade, a
Usina Hidroelétrica Mourão I com potência instalada de 8200 kW, a produção
estimada em um ano para a zona Centro seria equivalente a produção de 19 dias da
usina (AGENCIA NACIONAL DE ENERGIA ELÉTRICA, 2017a).
Realizando o somatório dos valores totais gerados anualmente para cada
zona encontra-se o valor estimado do potencial total anual de geração acumulada
para toda a área urbana de Campo Mourão, resultando em 347,36 GWh/ano, o que
seria o funcionamento da usina de Itaipu em capacidade máxima por 24 horas e 48
minutos e da usina Mourão I de 126 dias e 16 horas.
Este valor de produção total representa o funcionamento em condições
hipotéticas e ideais de 8 horas de perfeita irradiação solar por 180 dias da maior
usina fotovoltaica do Brasil, o Parque Solar Lapa em funcionamento desde junho de
2017 na cidade de Bom Jesus da Lapa na Bahia, com potência de 80MW ou por 9
anos e 9 meses para a segunda maior usina fotovoltaica do país de potencia
instalada de 4MW na cidade de Tubarão em Santa Catarina. Este valor equivale ao
funcionamento da nova usina em construção na cidade de Pirapora em Minas
Gerais que terá uma potencia instalada de 400MW por 36 dias nas condições ideais
(AGENCIA NACIONAL DE ENERGIA ELÉTRICA, 2017a).
63
5 CONSIDERAÇÕES FINAIS
A criação de novas políticas que facilitam e incentivam o uso da tecnologia
fotovoltaica no Brasil, que permitem a inserção da energia na rede de distribuição e
o sistema de compensação energética abriu uma grande janela para estudos mais
detalhados e aprofundados na área. Ainda não se conhece o potencial de produção
fotovoltaica neste modelo no país e as grandes variações entre as regiões, estados
e até mesmo cidades indicam a necessidade de criação ou adaptação de novos
métodos mais eficientes.
5.1 METODOLOGIA
Com este objetivo, a metodologia estudada e desenvolvida neste trabalho

busca ser uma maneira de baixo custo e simples para estimar o potencial de
produção e geração de energia fotovoltaica em telhados do meio urbano para
grandes áreas, como alternativa às tecnologias de alto custo e de difícil acesso.
Destaca-se como pontos positivos o uso de dados e softwares gratuitos disponíveis
por empresas e órgãos do governo.
Durante o desenvolvimento da metodologia muitos erros em operações
destacaram a possibilidade de melhoria dos resultados, adaptando-a de maneira
específica. É notável desde o inicio dos testes que a classificação semiautomática
mostra-se ineficiente para a identificação de faces e orientações de telhados,
ocorrendo na grande maioria dos telhados da área de estudo uma mistura das
classes e/ou falta de classificação destas. Sugere-se para futuros estudos a tentativa
de classificação apenas em pixels selecionados, utilizando o método de árvore de
decisão, usando o software Interimage, que trabalha com um sistema diferenciado
de amostragem e classificação.
Outra sugestão é a utilização de imagens de melhor resolução espacial,
como por exemplo, imagens de drones das áreas a aplicar o método. As imagens
com resolução menor que 0,5 metros, devem aumentar a eficiência de classificação
e detecção de polígonos que formam a geometria dos telhados através dos métodos
de segmentação adotados neste estudo. Acredita-se que com imagens de melhor
qualidade poderão também reduzir o tempo de pós correção manual, devido aos
erros no processo de classificação semiautomática.
64
5.2 PRODUÇÃO
Destacou-se neste trabalho que a área urbana tem grande potencial de

geração de energia no sistema de compensação energética, atuando como uma
usina solar, porém distribuída em toda área urbana. A comparação dos potenciais
demonstram além da capacidade de geração, a possibilidade de suprir a demanda
energética sem a necessidade de construção de grandes obras de engenharia que
são causadoras de impactos socioambientais.
Comparando com a usina Mourão I, localizada no município de Campo
Mourão, a capacidade estimada de produção fotovoltaica anual para toda área
urbana equivale a 126 dias de operação contínua da unidade hidroelétrica. Já na
questão de impactos ambientais, a usina Mourão I possui uma área alagada de
11,3km², quase 3 vezes o somatório de todas as áreas de telhados identificados na
área urbana que é de 3,77km². A utilização de toda área alagada seria capaz de
produzir em um ano com sistemas fotovoltaicos, o equivalente a 376 dias de
funcionamento contínuo da usina em capacidade máxima.
Estas áreas alagadas sofrem grandes impactos na fauna e flora, alteração
do curso e vazão dos rios, perda de área agricultável e impactos sociais na alocação
das famílias de moradores da região.
5.3 TRABALHOS E APLICAÇÕES FUTURAS
Com a realização deste trabalho foram notados vários pontos onde podem
se expandir para o surgimento de trabalhos futuros. Há a possibilidade da aplicação
deste método para identificação de diferentes utilizações de sistemas fotovoltaicos,
como estacionamentos solares, calçadas fotovoltaicas, áreas de lazer e outros
semelhantes. O Trabalho pode ser melhorado com o levantamento de áreas
sombreadas, levantando as áreas de efeitos negativos, com relação a edificações
mais altas. Sugere-se também a possibilidade de utilização de Inteligência Artificial
(IA), para identificar e analisar imagens, semelhante a sistemas de identificação
facial.
Outra sugestão para futuros trabalhos é a realização de um estudo mais
específico com relação a orientação de cada telhado, determinando os pesos de
65
geração conforme o ângulo em relação ao norte verdadeiro, para se chegar em um

resultado mais específico.
Os resultados obtidos com a estimativa do potencial de geração fotovoltaica
para Campo Mourão destacam a capacidade de produção de energia elétrica de
algumas edificações estimadas com alto potencial, sendo útil para análises de
viabilidade da compensação energética destas edificações, destacando a
capacidade de reduzir custos com o consumo de energia elétrica e desafogando o
potencial da rede de distribuição nacional.
Em uma análise de maior escala, demonstra-se como uma alternativa
econômica e ambiental ao aumento na demanda nacional de energia elétrica do
país, reduzindo a necessidade de grandes obras de engenharia ou do uso de usinas
poluidoras de alto custo como o caso das termoelétricas que são ativadas sempre
que é reduzida a produção de energia das usinas hidroelétricas.
A utilização deste método mostra-se viável para a aplicação em estudos de
planejamento urbano ou estimativas de potenciais de produção fotovoltaica, que
necessitam das informações sobre telhados urbanos, mas careça de recursos
financeiros, visto que os SIGs utilizados são de licença livre e os dados necessários
para o estudo são obtidos gratuitamente.
66
REFERÊNCIAS
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA - ANEEL. RESOLUÇÃO

NORMATIVA Nº 482, DE 17 DE ABRIL DE 2012. São Paulo, 2012.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA. Banco de informações de

geração: matriz de energia elétrica. 2017a. Disponível em:
<http://www2.aneel.gov.br/aplicacoes/capacidadebrasil/capacidadebrasil.cfm>.
Acesso em: 14 jun. 2017.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA. GERAÇÃO DISTRIBUÍDA: Fonte

fotovoltaica. 2017b. Disponível em:
<http://www2.aneel.gov.br/scg/gd/gd_fonte_detalhe.asp?Tipo=12>. Acesso em: 14
nov. 2017.
APARICIO, Miguel Pareja. Raduiación solar y su aprovechamiento

energético. Barclona: Marcombo, 2010. 315 p.
AWRANGJEB, Mohammad; ZHANG, Chunsun; FRASER, Clive S.. Automatic

extraction of building roofs using LiDAR data and multispectral imagery. Isprs
Journal Of Photogrammetry And Remote Sensing, Monash, p.1-18, maio 2013.
Disponível em: <http://users.monash.edu.au/~mawrangj/Papers/Awrangjeb et
al_ISPRS_PRS 2013.pdf>. Acesso em: 12 abr. 2017.
BARBOSA, Lucas Jamiro; GALO, Mauricio. Extração de edificações a partir de

dados LiDAR após classificação utilizando a biblioteca LAStools e
segmentação por crescimento de regiões. Congresso de iniciação científica da
Unesp. 2014: Unesp, 2014. 1 p.
BLASCHKE, T.. Object based image analysis for remote sensing. Isprs Journal Of
Photogrammetry And Remote Sensing, [s.l.], v. 65, n. 1, p.2-16, jan. 2010.
Elsevier BV. http://dx.doi.org/10.1016/j.isprsjprs.2009.06.004.
BLASCHKE, T; GLASSER, C; LANG, S. Processamento de imagens num ambiente

integrado SIG/ Sensoriamento remoto: tendências e consequências. In: BLASCHKE,
Thomas; KUX, Hermann. Sensoriamento remoto e SIG avançado. 2. ed. São
Paulo: Oficina de Textos, 2007. p. 11-18.
BRASIL. Decreto nº 5163, de 30 de julho de 2004. Regulamenta A

Comercialização de Energia Elétrica, O Processo de Outorga de Concessões e
de Autorizações de Geração de Energia Elétrica, e Dá Outras Providências.
Brasília, DF.
BRAUN-GRABOLLE, Priscila. A integração de sistemas solares fotovoltaicos em

larga escala no sistema elétrico de distribuição urbana. 2010. 257 f. Tese
(Doutorado) - Curso de Engenharia Civil, Centro Tecnológico, Universidade Federal
de Santa Catarina, Florianópolis, 2010.
CAVIGLIONE, J. H; KIIHL, L. R; CARAMORI, P; OLIVEIRA, D. Cartas climáticas do

Paraná́ . Londrina: IAPAR, 2000.
67
EMPRESA DE PESQUISA ENERGÉTICA – EPE. Análise da Inserção da Geração

Solar na Matriz Elétrica Brasileira. Rio de Janeiro: Governo Federal, 2012. 58 p.
EMPRESA DE PESQUISA ENERGÉTICA – EPE. Inserção da Geração

Fotovoltaica Distribuída no Brasil: Condicionantes e Impactos. Rio de Janeiro:
Governo Federal, 2014. 64 p.
GORGENS, Eric Bastos; SILVA, André Gracioso Peres da; RODRIGUEZ, Luiz
Carlos Estraviz. LIDAR: aplicações florestais. Curitiba: Crv, 2014. 132 p.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (Brasil). Divisão de
Processamento de Imagens. INPE. SPRING. BR. 1991-2016. . Disponível em:
<http://www.dpi.inpe.br/spring/>. Acesso em: 20 Ago. 2015.
HIMRICHS, Roger A.; KLEINBACH, Merlin; REIS, Lineu B.. Energia e meio
ambiente. 4. ed. São Paulo: Cengage Learning, 2010. 708 p.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (Brasil). Campo

Mourão. 2015. Disponível em:
<http://cidades.ibge.gov.br/xtras/perfil.php?codmun=410430>. Acesso em: 29 set.
2016.
INSTITUTO NACIONAL DE EFICIÊNCIA ENERGÉTICA. Geração

distribuída. 2016. Disponível em: <http://www.inee.org.br/forum_ger_distrib.asp>.
Acesso em: 15 set. 2016.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (Brasil). Divisão de

Processamento de Imagens. INPE. SPRING. BR. 1991-2016. . Disponível em:
<http://www.dpi.inpe.br/spring/>. Acesso em: 20 Ago. 2015.
INSTITUTO PARANAENSE DE DESENVOLVIMENTO ECONÔMICO E SOCIAL

(Paraná). RELAÇÃO DOS MUNICÍPIOS SEGUNDO AS REGIÕES GEOGRÁFICAS
DO PARANÁ. 2012. Disponível em:
<http://www.ipardes.gov.br/pdf/mapas/base_fisica/relacao_mun_regiao_geografica_
parana.pdf>. Acesso em: 29 set. 2016.
ITAIPU BINACIONAL. Geração. 2017. Disponível em:

<https://www.itaipu.gov.br/energia/geracao>. Acesso em: 10 nov. 2017.
LEÃO, Caroline; KRUG, Lilian Anne; KAMPEL, Milton; FONSECA, Leila Maria
Garcia. Avaliação de métodos de classificação em imagens TM/Landsat e
CCD/CBERS para o mapeamento do uso e cobertura da terra na região costeira do
extremo sul da Bahia. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO
REMOTO, 13., 2007, Florianópolis. Anais... . Florianópolis: Inpe, 2007. p. 939 - 946.
Disponível em:
<http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2006/11.15.01.10/doc/939-
946.pdf>. Acesso em: 10 nov. 2017.
68
LI, Yan e LIU, Chunlu. Estimating solar energy potentials on pitched roofs.
Energy and Buildings, v. 139, p. 101–107, 2017. Disponível em:
<http://dx.doi.org/10.1016/j.enbuild.2016.12.070>. Acesso em: 6 set 2017.
MENESES, Paulo Roberto; ALMEIDA, Tati de. INTRODUÇÃO AO

PROCESSAMENTO DE IMAGENS DE SENSORIAMENTO REMOTO. Brasília:
Cnpq, 2012. 266 p.
MITISHITA, Edson Aparecido; CENTENO, Jorge Antonio Silva. Uso de nuvem de

pontos LiDAR como subsídio à estimativa de potencial fotovoltáico. In:
simpósio brasileiro de sensoriamento remoto - SBSR, 17., 2015,
Curitiba. Anais... João Pessoa: INPE, 2015. p. 5796 - 5800. Disponível em:
<http://www.dsr.inpe.br/sbsr2015/files/p1190.pdf>. Acesso em: 25 ago. 2016.
NIWA, Tiago Hideki; DARONCH, Sadi. Relatório de Auditora nº. 02/2013: AUDIN.
Curitiba: Utfpr, 2013. Disponível em: <http://www.utfpr.edu.br/estrutura-
universitaria/audin/relatorio-de-auditoria-da-audin/relatorio-n-o-002-2013-energia-
eletrica>. Acesso em: 10 nov. 2017.
NOVO, Evelyn M. L. M. Sensoriamento remoto: princípios e aplicações. 4. ed. São

Paulo: Blucher, 2011. 387 p.
OLIVEIRA, Henrique Cândido de; GALO, Mauricio. Aplicação do método de Otsu

na separação de planos de telhados a partir de dados LIDAR. Anais XV
Simpósio Brasileiro de Sensoriamento Remoto. Curitiba: Inpe, 2011. 5486 p.
OPEN SOURCE GEOSPATIAL FOUNDATION. OSG. Qgis 2.14. USA. 2016. .

Disponível em: <http://www.qgis.org/en/site/forusers/download.html>. Acesso em: 20
Ago. 2016.
PAL, Nikhil R; PAL, Sankar K. A review on image segmentation techniques. Pattern

Recognition, [s.l.], v. 26, n. 9, p.1277-1294, set. 1993.
PARANHAS FILHO, A. C.; LASTORIA, G.; TORRES, T. G. Sensoriamento remoto

ambiental aplicaado: introdução as geotecnologias. Campo Grande: Ufms, 2008.
198 p.
PEREIRA, Adriana Castreghini de Freitas. APLICAÇÃO DO PROGRAMA SPRING

(INPE) NO MAPEAMENTO DE INFORMAÇÕES TURÍSTICAS: O CASO DO
MUNICÍPIO DE SAO SEBASTIÃO, LITORAL NORTE DO ESTADO DE SÃO
PAULO. 1998. 73 f. Dissertação (Mestrado) - Curso de Ciências Geodésicas,
Universidade Federal do Paraná, Curitiba, 1998.
PEREIRA, Enio P; MARTINS, Fernando. R; ABREU, Samuel. L; RÜTHER,

Ricardo. Atlas Brasileiro de Energia Solar. São José dos Campos: Swera, 2006.
60 p. Disponível em:
<http://ftp.cptec.inpe.br/labren/publ/livros/brazil_solar_atlas_R1.pdf>. Acesso em: 03
maio 2017.
69
PINHO, JOÃO, T; GALDINO, MARCO, A. MANUAL DE ENGENHARIA PARA

SISTEMAS FOTOVOLTAICOS. CEPEL-CRESESB. Rio de Janeiro. Mar. 2014.
RIBEIRO, Alan Emanuel Duailibe; AROUCA, Maurício Cardoso; COELHO, Daniel

Moreira. Electric energy generation from small-scale solar and wind power in
Brazil: The influence of location, area and shape. Renewable Energy, v. 85, p.
554–563, 1 Jan 2016. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0960148115300938>. Acesso em:
7 nov 2017.
RÜTHER, Ricardo. Edifícios solares fotovoltaicos: O Potencial da Geração Solar

Fotovoltaica Integrada a Edificações Urbanas e Interligada à Rede Elétrica Pública
no Brasil. Florianópolis: Ufsc / Labsolar, 2004. 114 p. Disponível em:
<http://fotovoltaica.ufsc.br/sistemas/livros/livro-edificios-solares-fotovoltaicos.pdf>.
Acesso em: 22 ago. 2016.
SANTOS, Alexandre Rosa dos; PELUZO, Telma Machado de Olivera; SAITO,

Nathália Suemi. SPRING 5.1.2 passo a passo: aplicações práticas. Alegre: Caufes,
2010. 153 p.
SCHIEWE, J; TUFTE, L. O potencial de procedimento baseado em regiões para a

avaliação integrada de dados de SIG e sensoriamento remoto. In: BLASCHKE,
Thomas; KUX, Hermann. Sensoriamento remoto e SIG avançado. 2. ed. São
Paulo: Oficina de Textos, 2007. p. 56-65.
SILVA, Ennio Peres da. Fontes renováveis de energia: produção de energia para
um desenvolvimento sustentável. São Paulo: Livraria da Física, 2014.
SOLAR ADVANCE. Dados anuais de geração fotovoltaica: de 2016 a 2017.

Campo Mourão: Solar Web, 2017.
SZABÓ, Szilárd; ENYEDI, Péter; HORVÁTH, Miklós; KOVÁCS, Zoltán; BURAI,

Péter; SZABÓ, Gergely; CSOKNYAI, Tamás. Automated registration of potential
locations for solar energy production with Light Detection And Ranging
(LiDAR) and small format photogrammetry. Journal of Cleaner Production, v. 112,
p. 3820–3829, 20 Jan 2016. Disponível em:
6 nov 2017.
TORRES, Rafael Gerzson. Desenvolvimento De Metodologia Para Avaliação Do

Potencial De Utilização De Sistemas De Energia Solar Fotovoltaica Em Meios
Urbanos. 2015. 163 f. Dissertação (Mestrado) - Curso de Engenharia Mecânica,
Escola de Engenharia da Universidade Federal do Rio Grande do Sul, Universidade
Federal do Rio Grande do Sul, Porto Alegre, 2015. Disponível em:
<http://www.lume.ufrgs.br/handle/10183/140530>. Acesso em: 20 ago. 2016.
TORRES, Regina Célia. Energia solar fotovoltaica como fonte alternativa de

geração de energia elétrica em edificações residenciais. 2012. 164 f.
Dissertação (Mestrado) - Curso de Engenharia Mecânica, Escola de Engenharia de
São Carlos, Universidade de São Paulo, São Carlos, 2012. Disponível em:
70
<http://www.teses.usp.br/teses/disponiveis/18/18147/tde-18032013-
091511/publico/dissertacao_final_rct.pdf>. Acesso em: 20 ago. 2016.
TROYA-GALVIS, Andrés; GANÇARSKI, Pierre; BERTI-ÉQUILLE, Laure. Remote

sensing image analysis by aggregation of segmentation-classification collaborative
agents. Pattern Recognition, [s.l.], v. 73, p.259-274, jan. 2018. Elsevier BV.
http://dx.doi.org/10.1016/j.patcog.2017.08.030.
WIGINTON, L.K. e NGUYEN, H.T. e PEARCE, J.M. Quantifying rooftop solar

photovoltaic potential for regional renewable energy policy. Computers,
Environment and Urban Systems, v. 34, n. 4, p. 345–357, 1 Jul 2010. Disponível em:
6 nov 2017.

Universidade Tecnológica Federal Do Paraná

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Universidade Tecnológica Federal Do Paraná

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ

LEONARDO DE SOUZA MOLINA

POTENCIAL DE ENERGIA FOTOVOLTAICA EM TELHADOS:

POTENCIAL DE ENERGIA FOTOVOLTAICA EM TELHADOS:

Trabalho apresentado para aprovação da

Orientador: Prof. Dr. José Hilário Delconte

Co-orientador: Prof(a). Dr. Maria Cristina

POTENCIAL DE ENERGIA FOTOVOLTAICA EM TELHADOS:

LEONARDO DE SOUZA MOLINA

Este Trabalho de Conclusão de Curso foi apresentado em 27 de novembro de 2017

O estudo realizado neste trabalho vem a ser um subsídio aos estudos de

Palavras-chave: Geoprocessamento. Sensoriamento remoto. Estimativa.

Keywords: Geoprocessing. Remote sensing. Estimate. Photovoltaic.

Figura 1 - Radiação solar média no plano inclinado ............................................ 13

Tabela 1 - Pesos atribuídos por tipo e orientação dos telhados. ........................ 28

A atual matriz energética mundial é composta por fontes primárias

rápida e precisa para mapeamento planialtimétrico de grandes áreas, com alta

2.1 ENERGIA FOTOVOLTAICA

A energia solar fotovoltaica é obtida através de um processo de conversão

2.1.1 A fonte solar

A radiação solar é o requisito fundamental e indispensável para o efeito

Estima-se que em média, o total de radiação solar que chega a superfície da

Figura 1 - Radiação solar média no plano inclinado

Fonte: Pereira et al. (2006)

2.1.2 Tecnologia fotovoltaica

Define-se como efeito fotovoltaico ou fotoelétrico a conversão direta da

Figura 2 - Estrutura de uma célula solar fotovoltaica

Fonte: Autoria própria

As células solares de silício são classificadas conforme o tipo de

Fonte: Pinho e Galdino (2010).

Figura 4 - Curva de corrente-tensão para células conectadas em série.

Fonte: Pinho e Galdino (2010).

Os impactos ambientais da energia fotovoltaica são praticamente nulos,

2.1.3 Geração fotovoltaica

O sistema fotovoltaico é composto por um bloco de geração, um bloco de

elétrica, constituído dos módulos fotovoltaicos arranjados da forma a se obter a

Segundo o Instituto Nacional de Eficiência Energética (INEE) a GD

Segundo Torres (2015) os Sistemas Fotovoltaicos Conectados à Rede

fotovoltaicos individuais, variando conforme a tecnologia de células fotovoltaicas

2.2 SISTEMAS DE INFORMAÇÕES GEOGRÁFICAS

Os Sistemas de Informações Geográficas (SIG), ou Geographic Information

dados periódicos (GORGENS; SILVA; RODRIGUEZ, 2014; MENESES; ALMEIDA,

Desenvolvido pelo INPE, o software SPRING (Sistema de Processamento

ou os locais que estão sendo descritos (PARANHOS FILHO; LASTORIA; TORRES,

A metodologia utilizada para estimar o potencial de energia fotovoltaica

Fonte: Autoria própria.

O município de Campo Mourão localiza-se na região Centro Oeste do

O trabalho foi dividido em duas principais partes, sendo a primeira o

Figura 6 - Fluxograma metodológico.

Fonte: Autoria própria.

3.1 DESENVOLVIMENTO DA METODOLOGIA PARA IDENTIFICAÇÃO DE

A área escolhida para a primeira etapa do trabalho encontra-se na área

Figura 7 - Área de aplicação da metodologia localizada no centro de Campo Mourão/PR

Fonte: Autoria própria.

Os materiais e equipamentos necessários para a realização deste estudo

Foi aplicada a ferramenta de segmentação do Spring, utilizando várias

3.2 ÁREA DE TELHADO DISPONÍVEL

Após a obtenção dos resultados iniciais da aplicação dos métodos de

Tabela 2 - Média do peso das características dos telhados de uma amostra.

As amostras são usadas para realizar a média do peso na zona em que

3.3 POTENCIAL DE GERAÇÃO POR MÓDULO FOTOVOLTAICO

Segundo o Manual de Engenharia Para Sistemas Fotovoltaicos (PINHO e

foram realizadas em outubro de 2016, permitindo a coleta de dados constante