Aplicação do modelo SARIMAX para modelar e prever a concentração de material particulado inalável, no Espírito Santo, Brasil
DOI:
https://doi.org/10.5902/2179460X63466Palavras-chave:
Variáveis meteorológicas, Poluição do ar, PM10, SARIMAXResumo
Este trabalho teve como objetivo modelar e prever a concentração média diária de material particulado inalável (PM10) utilizando o modelo SARIMAX, na Região da Grande Vitória (RGV), ES, Brasil, para o período de 01/01/2008 a 31/12/2018. Para isso, utilizaram-se séries temporais de concentrações de PM10 e de variáveis meteorológicas velocidade do vento (V), umidade relativa (U), precipitação pluviométrica (PP), temperatura (T), radiação solar (I) e pressão atmosférica (P) obtidas junto ao Instituto Estadual de Meio Ambiente e Recursos Hídricos (IEMA), sendo escolhidas as estações Laranjeiras, Carapina, Jardim Camburi, Enseada do Suá, Vitória (Centro), Ibes e Vila Capixaba, para fazer o estudo de predição e previsão. Conforme os indicadores de desempenho, os modelos SARIMAX para a maioria das estações, apresentaram como bons modelos para realizar predições e previsões da qualidade do ar nas localidades. Em relação à predição de eventos de qualidade do ar regular, de forma geral, os modelos SARIMAX se sobressaíram quando comparados com os modelos SARIMA e ARMA. Entre as variáveis meteorológicas avaliadas, a V, U, PP e T destacam-se como variáveis preditoras das concentrações de PM10 e assumiram papel determinante na melhoria do desempenho dos modelos de previsão.
Downloads
Referências
AGIRRE-BASURKO, E.; IBARRA-BERASTEGUI, G.; MADARIAGA, I. Regression and multilayer perceptron-based models to forecast hourly O3 and NO2 leves in the Bilbao area. Environmental Modelling and Software, v. 21, p. 430-446, 2006.
AKAIKE, H. A Bayesian analysis of the minimum AIC procedure. Annals of the Institute of Statistical Mathematics, v. 30, n. 1, p. 9-14, 1978.
AKAIKE, H. Information theory and an extension of the maximum likelihood principle. In: PETROV. B.N.; CSAKI, F. (Eds.). Proceedings of the Second International Symposium on Information Theory. Budapeste: Akademiai Kiado. 1973, p. 267-281.
ARAUJO, J. A.; NEL, A. E. Particulate matter and atherosclerosis: role of particle size, composition and oxidative stress. Particle and Fibre Toxicology, v. 6, n. 24, 2009.
BERA, A.K.; JARQUE, C.M. Efficient tests for normality, homoscedasticity and serial independence of regression residuals: Monte Carlo evidence. Economics Letters, v. 7, n. 4, p. 313-318, 1981.
BOX, G.; JENKINS, G. M. Time Series Analysis: Forecasting and Control. San Francisco, CA: Holden - Day, 1970, 500 p.
BOX, G.; PIERCE, D.A. Distribution of residual autocorrelations in autorregressive integrated moving average time series models. Journal of the American Statistical Association, v. 65, n. 332, p. 1509 1526, 1970.
BOX, G., COX, D. An analysis of transformations. Journal of the Royal Statistical Society, v. 26, p. 211–252, 1964.
BOWE, B.; XIE, Y.; LI, T.; YAN, Y.; XIAN, H.; AL-ALY, Z. The 2016 global and national burden of diabetes mellitus attributable to PM2,5 air pollution. The Lancet Planetary Health, v. 2, n. 7, p. e301-e312, 2018.
CETESB - Companhia Ambiental do Estado de São Paulo. Relatório de qualidade do ar no Estado de São Paulo 2018. São Paulo: CETESB, 2019. Disponível em: https://cetesb.sp.gov.br/ar/publicacoes-relatorios/. Acesso em: 07 jul. 2021.
CONAMA – Conselho Nacional de Meio Ambiente. Resolução nº 491, de 19 de novembro de 2018. Dispõe sobre padrões de qualidade do ar. Diário Oficial da União: seção 1, Brasília, DF, p. 155. Disponível em: http://www2.mma.gov.br/port/conama/legiabre.cfm?codlegi=740. Acesso em: 13 ago. 2019.
DICKEY, D. A.; FULLER, W. A. Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, Chicago, v. 49, p. 1057-1072, 1981.
ECOSOFT – Ecosoft Consultoria e Softwares Ambientais. Inventário de emissões atmosféricas da Região da Grande Vitória: ano base – 2015. Vitória, 2019. Disponível em: https://iema.es.gov.br/qualidadedoar/inventariodefontes/2015. Acesso em: 24 ago. 2019.
ESPÍRITO SANTO (Estado). Decreto nº 3463-R, de 16 de dezembro de 2013. Estabelece novos padrões de qualidade do ar e dá providências correlatas. Diário Oficial do Estado do Espírito Santo, Vitória, ES, p. 9-11, 17 dez. 2013. Disponível em: https://iema.es.gov.br/Media/iema/CQAI/Documentos/DECRETO_N%C2%BA_3463_2013.pdf. Acesso em: 13 ago. 2019.
FIORDELISI, A.; PISCITELLI, P.; TRIMARCO, B.; COSCIONI, E.; IACCARINO, G.; SORRIENTO, D. The mechanisms of air pollution and particulate matter in cardiovascular diseases. Heart Failure Reviews, v. 22, p. 337–347, 2017.
FREITAS, C. U.; LEON, A. P.; JUNGER, W. GOUVEIA, N. Air pollution and its impacts on health in Vitoria, Espirito Santo, Brazil. Revista de Saúde Pública, v. 50, n. 4, p. 1-9, 2016.
GOMES, K.S. Modelagem INAR(p) para a previsão de índices de qualidade do ar. 71 f. Dissertação (Mestrado em Engenharia Ambiental) – Programa de Pós-Graduação em Engenharia Ambiental, Centro Tecnológico, Universidade Federal do Espírito Santo, Vitória, 2009.
GOUVEIA, N.; MENDONÇA, G. A. e S.; LEON, A. P.; CORREIA, J. E. M.; JUNGER, W. L.; FREITAS, C. U.; DAUMAS, R. P.; MARTINS, L. C.; GIUSSEPE, L.; CONCEIÇÃO, G. M.S.; MANERICH, A.; CUNHA-CRUZ, J. Poluição do ar e efeitos na saúde nas populações de duas grandes metrópoles brasileiras. Epidemiologia e Serviços de Saúde, v. 12, p. 29-40, 2003.
GOCHEVA-ILIEVA, S.; IVANOV, A.; ILIEV, I. Exploring key air pollutants and forecasting particulate matter PM10 by a two-step SARIMA approach. In: Aip Conference Proceedings. AIP Publishing, 2019, p. 1-10.
GRIPA, W.R.; REISEN, V.A.; FAJARDO, F.A.; REIS JUNIOR, N.C. Análise de predição e previsão das concentrações de material particulado inalável (PM10) na cidade de Cariacica, ES. Revista Brasileira de Estatística, v. 73, n. 237, p. 37-57, 2012.
IBGE – Instituto Brasileiro de Geografia e Estatística. Estimativa da população. 2019. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/populacao/9103-estimativas-de-populacao.html. Acesso em: 15 out. 2019.
IEMA – Instituto Estadual de Meio Ambiente e Recursos Hídricos do Estado do Espírito Santo, Relatório da qualidade do ar da Região da Grande Vitória – 2016. Vitória. 2018. Disponível em: https://iema.es.gov.br/Media/iema/CQAI/Relatorios_anuais/Relat%C3%B3rio_Anual_de_Qualidade_do_Ar_2016.pdf. Acesso em: 03 mar. 2019.
JUNGER, W.L.; LEON, A.P. Imputation of missing data in time series for air pollutants. Atmospheric Environment, v. 102, p. 96-104, 2015.
JUNGER, W.L.; LEON, A.P. mstdi: Multivariate Time Series Data Imputation. R package version 0.3.5, 2018. Disponível em: https://CRAN.R-project.org/package=mtsdi. Acesso em: 01 maio 2020.
KÖPPEN, W. Versuch einer klassifikation der klimate, vorzugsweise nach ihren beziehungen zur pflanzenweltl. Geogr Zeitschr, v. 6, p. 596–611, 1900.
LEITE, R. C. M.; GUIMARÃES, E. C.; LIMA, E. A. P.; BARROZO, M. A. S.; TAVARES, M. Utilização de regressão logística simples na verificação da qualidade do ar atmosférico de Uberlândia. Engenharia Sanitária e Ambiental, v. 16, n.1, p. 175-180, 2011.
LIRA, T. S. Modelagem e previsão da qualidade do ar na cidade de Urbelândia – MG. 180 f. Tese (Doutorado em Engenharia Química) - Programa de Pós-graduação em Engenharia Química, Universidade Federal de Uberlândia, Uberlândia, 2009.
LIU, P. W.G.; JOHNSON, R. Forecasting peak daily ozone levels: part 2. A regression with time series errors model having a principal component trigger to forecast 1999 and 2002 ozone levels. Journal of the Air & Waste Management Association, v. 52, n. 9, p.1064-1074, 2002.
LIU, P.W.G.; JOHNSON, R. Forecasting peak daily ozone levels: part 2. A regression with time series errors model having a principal component trigger to forecast 1999 and 2002 ozone levels. Journal of the Air & Waste Management Association, v. 53, n. 12, p.1472-1489, 2003.
LJUNG, G.M.; BOX, G.E.P. On a measure of lack of fit in time series models. Biometrika, v. 65, n. 2, p. 297-303, 1978.
LYRA, G.B.; ODA-SOUZA, M.; VIOLA, D.N. Modelos lineares aplicados à estimativa da concentração do material particulado (PM10) na cidade do Rio de Janeiro, RJ. Revista Brasileira de Meteorologia, v. 26, n. 3, p. 392-400, 2011.
MEMARIANFARD, M.; HATAMI, A. M. Artificial neural network forecast application for fine particulate matter concentration using meteorological data. Global Journal of Environmental Science and Management, v. 3, n. 11, p. 333-340, 2017.
MONTE, E. Z.; ALBUQUERQUE, T. T. A.; REISEN, V. A. Previsão da concentração de ozônio na Região da Grande Vitória, ES, Brasil, utilizando o modelo ARMAX-GARCH. Revista Brasileira de Meteorologia, v. 30, n. 3, p. 285-294, 2015.
MOREIRA, D. M.; TIRABASSI, T.; MORAES, M. R. Meteorologia e poluição atmosférica. Ambiente e Sociedade, v. 11, n. 1, p. 1-13, 2008.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. 2 ed. São Paulo: Edgard Blücher, 2006.
NASCIMENTO, L. F. C.; PEREIRA, L. A. P.; BRAGA, A. L. F.; MÓDOLO, M. C. C.; CARVALHO JUNIOR, J. A. Efeitos da poluição atmosférica na saúde infantil em São José dos Campos, SP. Revista de Saúde Pública, v. 40, p. 77- 82, 2006.
NG, K. Y.; AWANG, N. Multiple linear regression and regression with time series error models in forecasting PM10 concentrations in Peninsular Malaysia. Environmental Monitoring and Assessment, v. 190, n. 2, p. 1-11, 2018.
PEREZ, P.; REYES, J. An integrated neural network model for PM10 forecasting. Atmospheric Environment, v. 40, p. 2845–2851, 2006.
PINTO, W. P.; REISEN, V. A.; MONTE, E. Z. Previsão da concentração de material particulado inalável, na Região da Grande Vitória, ES, Brasil, utilizando o modelo SARIMAX. Engenharia Sanitária e Ambiental, v. 23, n. 2, p. 307-318, 2018.
R CORE TEAM (2019). R: A language and environment for statistical computing, R Foundation for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2019. Disponível em: https://www.R-project.org/.
RAZ, R.; ROBERTS, A. L.; LYALL, K.; HART, J. E.; JUST, A. C.; LADEN, F.; WEISSKOPF, M. G. Autism spectrum disorder and particulate matter air pollution before, during, and after pregnancy: a nested case-control analysis within the Nurses’ Health Study II cohort. Environmental Health Perspectives, v.123, p. 264-270, 2015.
REISEN, V.A.; SARNAGLIA, A.J.Q.; REIS JR, N.C.; LÉVY-LEDUC, C. SANTOS, J.M. Modeling and forecasting daily average PM10 concentrations by a seasonal long-memory model with volatility. Environmental Modelling & Software, v. 51, p. 286-295, 2014.
RYAN, W. F. Forecasting severe ozone episodes in the Baltimore metropolitan area. Atmospheric Environment, v. 29, n. 17, p. 2387-2398, 1995.
SANTIAGO, A.; PRADO, R. J.; FILHO, P. M.; ALONSO, R. V. Caracterização do material particulado suspenso no ar de Cuiabá-MT no período de queimadas. Revista Matéria, v. 20, p. 273-283, 2015.
SANTOS, T. C.; REBOITA, M. S.; CARVALHO, V. S. B. Investigação da Relação entre Variáveis Atmosféricas e a Concentração de MP10 E O3 no Estado de São Paulo. Revista Brasileira de Meteorologia, v. 33, p. 631-645, 2018.
SCHWARZ, G. Estimating the dimension of a model. Ann. Stat., Haward, v.6, p.461-464, 1978.
SHAPIRO, S.S.; WILK, M.B. An analysis of variance test for normality (complete samples). Biometrika, v. 52, n. 3-4, p. 591-611, 1965.
SNEDECOR, W.; COCHRAN, W. G. Statistical Methods. 8 ed., Ames: Iowa State University Press, 1989.
SOUZA, J. B.D.; REISEN, V. A.; SANTOS, J.M.; FRANCO, G.C. Componentes principais e modelagem linear generalizada na associação entre atendimento hospitalar e poluição do ar. Revista de Saúde Pública, v. 48, n. 3, p. 451-458, 2014.
VAGROPOULOS, S. I.; VAGROPOULOS, S. I.; CHOULIARAS, G. I.; KARDAKOS, E. G.; SIMOGLOU, C. K. BAKIRTZIS, A. G. Comparison of SARIMAX, SARIMA, modified SARIMA and ANN-based models for short-term PV generation forecasting. In: 2016 Ieee International Energy Conference (Energycon). IEEE, Bélgica, 2016.
WEI, W. Time Series Analysis: Univariate and Multivariate Methods. Nova York: Addison Wesley, 2006.
WHO – World Health Organization. WHO air quality guidelines global update 2005. 2005. Disponível em: http://www.euro.who.int/__data/assets/pdf_file/0008/147851/E87950.pdf. Acesso em: 13 ago. 2019.
WUERTZ, D.; SETZ, T.; CHALABI, Y. fBasics: Rmetrics - Markets and Basic Statistics. R package version 3042.89.1, 2020. Disponível em: https://CRAN.R-project.org/package=fBasics. Acesso em: 01 maio 2020.
YAP, J.; NG, Y.; YEO, K. K.; SAHLÉN, A.; LAM, C. S. P.; LEE, V.; MA, S. Particulate air pollution on cardiovascular mortality in the tropics: impact on the elderly. Environmental Health, v. 18, p. 34, 2019.
ZHANG, X.; CHEN, X.; ZHANG, X. The impact of exposure to air pollution on cognitive performance. Proceedings of the National Academy of Sciences, v. 115, p. 9193-9197, 2018.
ZHANG, Z.; WANG, J.; HART, J. E.; LADEN, F.; ZHAO, C.; LI, T.; ZHEN, P.; LI, D.; YE, Z.; CHEN, K. National scale spatiotemporal land-use regression model for PM2, 5, PM10 and NO2 concentration in China. Atmospheric Environment, v. 192, p. 48-54, 2018.
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Ciência e Natura
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.
Diretrizes Éticas para Publicação de Revistas
A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.
A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.
Em particular,
Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.
Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.
Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.
