Estudo da qualidade do ar numa estação de Braga (Circular Sul) e ...

Trabalho 2
Estudo da qualidade do ar numa estação de Braga (Circular Sul) e em seis estações de
Lisboa
Objectivos
O primeiro objectivo a ser alcançado neste trabalho é proceder a uma averiguação acerca da
existência ou não de uma relação entre o poluente partículas inaláveis (PM10) e outros
poluentes (NO, NO2 e CO) na estação de monitorização de qualidade do ar, localizada na
Circular Sul - Braga.
O segundo objectivo passa pela identificação de comportamentos semelhantes,
conjuntamente entre os poluentes referidos anteriormente nas estações da Avenida da
Liberdade, de Olivais, Restelo e de Entrecampos, pertencentes ao concelho de Lisboa e
ainda na estação da Reboleira /Amadora e Loures / Loures, através de uma análise em
componentes principais.
Introdução
Entende-se por qualidade do ar como sendo o grau de poluição do ar que respiramos. Esta é
causada por uma mistura de substâncias químicas que são lançadas na atmosfera, ou então
resultantes de reacções químicas que adulteram o estado natural desta. Estas substâncias
poluentes podem conduzir a um maior ou menor impacte ao nível da qualidade do ar,
consoante a sua composição química, concentração na massa de ar em causa e condições
meteorológicas.
As duas principais fontes emissoras de poluentes atmosféricos podem ser de origem natural
ou de origem antrópica. O primeiro tipo de poluição provém de fenómenos que ocorrem na
natureza, tais como emissões provenientes de erupções vulcânicas ou fogos florestais de
origem natural, sendo que a poluição resultante de actividades humanas (poluição
antrópica), respeita à introdução de poluentes na atmosfera por actividades industriais ou
pelo tráfego automóvel. A poluição causada pelo tráfego automóvel tende a causar um
maior impacto no ambiente circundante e ao nível do solo, que a poluição proveniente de
chaminés altas, sendo o tráfego automóvel causador de problemas de poluição no solo a
uma maior distância da sua fonte.
Com vista a alcançarmos os objectivos deste trabalho, retirámos os dados relativos aos
poluentes atmosféricos como as partículas inaláveis (PM10), NO, NO2 e CO, referentes a

cada estação do site da oficial da qualidade do ar, www.qualar.org, sendo estes dados
posteriormente trabalhados com o auxílio de dois softwares de nome Excel e SPSS.
Resultados
1. Estação de Braga (Circular Sul)
Tabela 1 – Correlação entre as diferentes variáveis.
NO2
PM10
NO
CO
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Correlations
**. Correlation is significant at the 0.01 level (2-tailed).
NO2 PM10 NO CO
1 ,715** ,889** ,682**
,000 ,000 ,000
34 32 34 34
,715** 1 ,671** ,548**
,000 ,000 ,001
32 32 32 32
,889** ,671** 1 ,898**
,000 ,000 ,000
34 32 34 34
,682** ,548** ,898** 1
,000 ,001 ,000
34 32 34 34
Na tabela de correlação das quatro variáveis (CO, NO, PM10 e NO2) verifica-se que há
uma maior correlação entre o CO e o NO uma vez que o coeficiente de Pearson (R) é o
mais elevado (com um valor de 0,898). Isto significa que o CO e o NO comportam-se de
forma semelhante.

Tabela 2 – Análise do R.
Model
1
2
3
Model Summary d
.724a Adjusted Std. Error of
R R Square R Square the Estimate
.525 .474 11.29635
.724 b .525 .492 11.10088
.715 c .511 .494 11.07476
a. Predictors: (Constant), CO, NO2, NO
b. Predictors: (Constant), CO, NO2
c. Predictors: (Constant), NO2
d. Dependent Variable: PM10
Consideramos que os melhores modelos são o 1 e o 2 por terem um maior valor de R 2 .
Vamos trabalhar, então, com o modelo 1.
Tabela 3 – Melhor modelo.
Model Summary(b)
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .724(a) .525 .474 11.29635
a Predictors: (Constant), CO, NO2, NO
b Dependent Variable: PM10
O R 2 (proporção de variância explicada pelo modelo) obtido é inferior a 0,95 (nível de
confiança = 95%) o que indica que o modelo não se ajusta e esta correlação (0,525) não é
significativa.
Tabela 4 – Teste paramétrico da ANOVA. Análise da variância.
Model
1
ANOVA(b)
Sum of
Squares df Mean Square F Sig.
Regression 3944.261 3 1314.754 10.303 .000(a)
Residual 3573.010 28 127.608
Total 7517.271 31
a Predictors: (Constant), CO, NO2, NO
b Dependent Variable: PM10

O valor de P obtido (Sig) pelo teste da ANOVA, é zero, ou seja, menor do que o valor de
significância com que estamos a trabalhar (0,05). Isto indica que as variáveis utilizadas são
independentes e R ≠ 0.
Tabela 5 – Análise do valor de Sig.
Unstandardized
Coefficients
Coefficients(a)
Standardized
Coefficients t Sig.
Model B Std. Error Beta B Std. Error
1
(Constant) -.185 20.617 -.009 .993
NO2 .984 .500 .636 1.966 .059
NO -.012 .170 -.038 -.071 .944
CO .007 .013 .175 .515 .611
a Dependent Variable: PM10
Após ter sido feita a regressão linear pelo método Enter, analisámos os valores de Sig das
duas variáveis com melhor correlação, de acordo com a tabela anterior e excluímos a
variável NO por ter um maior valor de Sig (0,944).
O modelo não é válido para valores de P>0,05, uma vez que estamos a trabalhar com um
grau de confiança de 95%.
Tabela 6 – Desvio padrão. Valores máximos e mínimos.
Predicted Value
Residual
Std. Predicted Value
Std. Residual
a. Dependent Variable: PM10
Residuals Statistics a
Minimum Maximum Mean Std. Deviation N
38.5143 79.6458 56.8939 11.12649 32
-16.49703 30.60428 .00000 10.89467 32
-1.652 2.045 .000 1.000 32
-1.490 2.763 .000 .984 32
Uma vez que o nosso desvio padrão é de 10.89467, vamos verificar se existem outliers.
Para isso, multiplicamos por três o valor do desvio padrão. As linhas que possuem um erro
residual maior que 3xdesvio padrão ou menor que -3xdesvio padrão são eliminadas e é feita

uma nova regressão linear originando um novo desvio padrão. Este procedimento repete-se
até não existirem outliers.
No nosso caso temos 3 x 10,89467 = 32,68401.
Não se verificam outliers na nossa base de dados visto que os nossos valores se encontram
entre -16.49703 e 30.60428.
Tabela 7 – Valor de Sig excluindo a variável NO.
Unstandardized
Coefficients
Coefficients(a)
Standardized
Coefficients t Sig.
Model B Std. Error Beta B Std. Error
1
(Constant) 1.069 10.469 .102 .919
NO2 .954 .258 .616 3.703 .001
CO .006 .007 .154 .927 .362
a Dependent Variable: PM10
A equação da recta obtida com a regressão linear é 0.006 x CO + 0.954 x NO2 + 1.069.
Para que o modelo seja bem ajustável, este tem que corresponder a condições específicas
como, a média dos erros ser zero, a variância dos erros ser constante, seguir uma
distribuição normal e os erros serem independentes. Estas condições verificam-se.

Unstandardized Residual
40,00000
30,00000
20,00000
10,00000
0,00000
-10,00000
-20,00000
30,00000
Fig. 1 – Gráfico de erros residuais.
40,00000
50,00000
60,00000
Unstandardized Predicted Value
70,00000
Este gráfico não segue um padrão específico, o que indica que o modelo é válido.

Fig. 2 – Gráfico da distribuição dos erros.
Observed CumProb
Este gráfico é utilizado para verificar se a distribuição de probabilidade dos erros segue
uma distribuição normal. Uma vez que este se aproxima de uma recta, dizemos que segue
uma distribuição normal.

Unstandardized Residual
40,00000
30,00000
20,00000
10,00000
0,00000
-10,00000
-20,00000
0,00
10,00
Fig. 3 – Gráfico dos erros em função do tempo.
Os erros de duas observações devem ser independentes. Isto verifica-se através da análise
do gráfico da sequência temporal dos resíduos. Não se verifica nenhum tipo de padrão e,
então, o modelo é aceite.
20,00
dia
30,00

Conclusão
Apesar do modelo de regressão linear utilizado ser válido, o valor de R 2 obtido é bastante
baixo (52,4%). A variável PM10 está dependente do comportamento das restantes
variáveis. O NO2 é o poluente que mais influencia o comportamento da PM10 por estas
serem as duas variáveis com maior índice de correlação

2. Estações de Lisboa
Foi-nos possível obter, através da matriz de covariância, um modelo resultante de um
conjunto de operações matriciais. O resultado pode ser observado na tabela seguinte, onde
se considera a necessidade de que,
Após a introdução inicial das variáveis NO, NO2, CO e PM10 no SPSS de todas as
estações, introduziram-se as 23 variáveis no analyse data redution factor. Deste modo,
obtivemos a tabela Total Variance explained, através da qual foi possível ver o número de
componentes através da percentagem cumulativa. Constatou-se que apenas eram
necessárias duas componentes para “sintetizar” as variáveis, uma vez que, a percentagem
acumulada (Cumulative) erea igual ou superior a 75%. No entanto, foram utilizadas 3
componentes, sendo a percentagem acumulada de 86,181.
Tabela 8 – Matriz da variância explicada.
Extraction Method: Principal Component Analysis.
Total Variance Explained
Initial Eigenvalues Extraction Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative %
1 15.962 69.399 69.399 15.962 69.399 69.399
2 2.493 10.841 80.240 2.493 10.841 80.240
3 1.366 5.941 86.181 1.366 5.941 86.181
4 .706 3.069 89.250
5 .444 1.930 91.180
6 .395 1.717 92.898
7 .320 1.393 94.290
8 .278 1.207 95.497
9 .216 .940 96.437
10 .143 .621 97.058
11 .134 .583 97.641
12 .084 .365 98.006
13 .073 .316 98.322
14 .065 .282 98.604
15 .057 .249 98.853
16 .053 .231 99.084
17 .048 .208 99.292
18 .040 .172 99.464
19 .035 .152 99.616
20 .032 .137 99.753
21 .021 .093 99.846
22 .019 .084 99.930
23 .016 .070 100.000

Uma vez que a primeira componente já possui um valor de percentagem acumulada
bastante elevado (69,399%), verifica-se que é a componente que melhor explica, de um
modo geral, cada uma das variáveis, uma vez que os seus valores próprios gerados pelo
calculo matricial são os mais elevados, o que se pode observar pelo quadro seguinte, o que
era perfeitamente normal visto os valores próprios (ou a variância explicada por cada
factor) decrescerem ao longo das componentes.
Verifica-se ainda, pela análise da tabela Component Matrix, que a variável “pm10_lou” tem
na componente 2 uma melhor explicação.
Tabela 9 - Component Matrix(a)
Component
1 2 3
pm10_lib .804 .533 .102
no_lib .767 -.218 .459
no2_lib .636 .231 .574
co_lib .898 -.072 .160
pm10_ol .774 .477 -.194
no_ol .841 -.381 -.160
no2_ol .913 -.170 .100
co_ol .904 -.146 -.150
pm10_ent .830 .496 -.171
no_ent .874 -.362 -.155
no2_ent .864 -.024 .210
co_ent .922 -.105 -.213
no_rest .833 -.250 .116
no2_rest .838 .001 .481
co_rest .910 .058 .036
pm10_reb .696 .667 -.105
no_reb .814 -.367 -.181
no2_reb .811 -.107 .191
co_reb .922 -.078 -.278
pm10_lou .656 .698 -.148
no_lou .814 -.356 -.266
no2_lou .886 -.126 -.018
co_lou .868 .007 -.235
Extraction Method: Principal Component Analysis.
a 3 components extracted.
Poderíamos eliminar a 3ª componente uma vez que esta apresenta um fraco poder
explicativo, relativamente às restantes. No entanto, e como se pode verificar de seguida,
construiu-se o gráfico que permitiu identificar comportamentos semelhantes com esta

componente atrás referida, uma vez que não se verificou qualquer problema inerente à sua
utilização.
Tal como se pode observar no gráfico, as variáveis possuem um comportamento bastante
semelhante uma vez que se encontram bastante concentradas. A variável de todas as
estações que se encontra ligeiramente mais distanciada das restantes é a variável partículas.
Tal facto pode ter tido origem por exemplo na queima de combustíveis. As restantes
variáveis encontram-se, de modo geral, centralizadas num mesmo local, apresentando
portanto semelhanças no seu comportamento.
As ligeiras discrepâncias observadas podem estar na origem da existência de diversos
fluxos de tráfego, assim como pela libertação destes compostos libertados por actividades
humanas locais. Para além destes factos, é importante salientar que, dado cada local ter as
suas condições ambientais específicas, como a presença de ventos, gradientes térmicos
entre outros, que poderá ocorrer dispersão destes poluentes na atmosfera.

Component 2
1,0
0,5
0,0
-0,5
-1,0
-1,0
-0,5
0,0
Component 1
Fig. 4 – Gráfico dos diferentes componentes.
Component Plot
pm10_lou
pm10_reb
pm10_lib
pm10_ent
pm10_ol
no2_lib co_rest
co_lou
no2_ent co_ent
no2_rest
co_reb
no2_reb
co_olno2_ol
co_lib
no_ol
no_lib
0,5
1,0
1,0
0,5 0,0 -0,5 -1,0
Component 3

Conclusão
Relativamente ao segundo objectivo deste trabalho, podemos afirmar que foi alcançado
com relativo sucesso. Foi-nos possível aperceber, de que, de um modo geral, existia uma
determinada semelhança no comportamento das variáveis PM10 entre as diferentes
estações, existindo contudo uma maior semelhança no comportamento das restantes
variáveis.
A existência de uma melhor semelhança entre comportamentos verificados em
determinadas estações de monitorização, leva-nos a crer que tal facto possa provir da
existência de condições ambientais, tráfego automóvel e velocidade de circulação análogas,
resultando em valores semelhantes de cada variável.