Após estimar as taxas de emissão do sulfeto de hidrogênio, foi realizada a modelagem de dispersão do composto na atmosfera, através do modelo AERMOD, para o mesmo período.
A verificação do desempenho e validação do modelo AERMOD foi realizada, seguindo a metodologia proposta por Chang e Hanna (2004), utilizando-se as informações disponibilizadas para a ETE A, devido a maior quantidade de dados. Os resultados dos índices estatísticos, necessários à validação, estão apresentados na tabela 5.3.
Tabela 5.3 – Índices estatísticos de validação do modelo de dispersão
Índice Estatístico ETE A Modelo Ideal¹ Limites Validação¹
FB 0,078 0 - 0,3 ≤ FB ≤ 0,3 NMSE 0,63 0 ≤ 1,5 R 0,65 1 Próximo de 1 MG 0,85 1 0,7 ≤ MG ≤1,3 VG 4,79 1 ≤ 4,0 FAC2 (%) 53 100 ≥ 50 %
¹Adaptado de Chang e Hanna (2004) e Souza (2014)
Considerando-se as recomendações propostas por Chang e Hanna (2004) para caracterizar o desempenho de um modelo de dispersão como satisfatório, é possível afirmar que o modelo AERMOD encontra-se validado para o estudo de caso 1, uma vez que a maioria dos índices estatísticos encontra-se dentro dos limites estabelecidos para validação. Apenas o parâmetro VG apresentou um valor ligeiramente superior ao limite. No entanto, segundo Chang e Hanna (2005), podem-se considerar os índices VG e NMSE para validação ou apenas um deles, visto que ambos são utilizados para verificar a dispersão dos valores. O mesmo ocorre com MG e FB, podendo-se considerar os dois ou apenas um deles, visto que ambos são utilizados para verificar o viés (erro médio). Segundo Chang e Hanna (2005) e Souza (2014), FB e NMSE são considerados índices lineares e são fortemente influenciados por valores observados e preditos extremos (outliers), enquanto MG e VG são medidas logarítmicas e tendem a balancear os extremos, elevados ou baixos. Dessa forma, segundo Rood (2014), quando a razão entre os valores preditos e observados da maior parte dos dados satisfazem ou ficam próximos de satisfazer a relação 0,5 ≤𝐶𝑝
𝐶𝑜 ≤ 2,0, ou seja, quando FAC2 é superior a 50 %, e a variância do conjunto de dados não é muito elevada, os índices lineares podem ser mais úteis na interpretação dos resultados. Esse é o caso, visto que FAC2 calculado é de 53 %, e os índices lineares tendem a se ajustar melhor a validação do modelo de dispersão neste trabalho. No entanto, segundo Souza (2014), a análise de todos os índices, os lineares e logarítmicos, podem fornecer resultados e interpretações mais completas em relação ao desempenho do modelo.
O FB é uma medida linear utilizada para verificar o desvio médio dos dados preditos e observados. Segundo Mohan et al. (2011) e Rood (2014), valores positivos significam que o modelo está, em média, subestimando os valores reais, enquanto valores negativos indicam
superestimação. O valor calculado para esse índice apresenta-se próximo do ideal e dentro dos limites de validação, mas indica uma ligeira subestimação dos dados reais.
O NMSE calculado, outra medida linear, mas de dispersão dos dados, apresentou-se também dentro dos limites estabelecidos para validação.
O coeficiente de correlação R determina a relação linear entre duas variáveis. Valores mais próximos de um significam uma forte correlação, enquanto valores próximos de zero indicam ausência de correlação. Valores positivos indicam que a relação é diretamente proporcional, enquanto valores negativos indicam que a relação é inversamente proporcional (CHANG; HANNA, 2005). O resultado calculado para esse índice (R = 0,65) não indica uma forte correlação, porém a relação linear entre os dados existe, é diretamente proporcional e apresenta significância estatística, para 95 % de confiança (p = 0,05).
O viés médio geométrico (MG), assim como o FB, verifica o desvio médio dos dados preditos e observados, mas trata-se de uma medida logarítmica (CHANG; HANNA, 2005). O valor calculado para MG está dentro do limite aceitável para validação, que considera 30 % de erro em torno do valor ideal, sendo assim: 0,7 ≤ MG ≤1,3.
O índice VG, assim como o NMSE indica a dispersão dos dados, porém trata-se de uma medida logarítmica (CHANG; HANNA, 2005). Como já citado, o valor calculado para VG excedeu o limite proposto por Chang e Hanna (2005).
O FAC2 indica a fração dos dados que estão dentro do intervalo 0,5 ≤𝐶𝑝
𝐶𝑜≤ 2,0. Segundo Chang e Hanna (2005), o FAC2 é considerado um dos índices mais robustos, uma vez que não sofre grande influencia diante de valores extremos (outliers). O valor calculado para esse índice foi de 53 % e para melhor visualização desse resultado plotou-se o gráfico de dados observados versus preditos, apresentado na figura 5.2. A reta 2:1 indica o limite acima do qual os dados preditos são maiores do que o dobro dos observados, enquanto a reta 1:2 indica o limite abaixo do qual os dados preditos são menores do que a metade dos observados. Sendo assim, os dados encontrados no intervalo entre essas duas retas satisfazem a relação 0,5 ≤ 𝐶𝑝
Figura 5.2 – Valores observados de sulfeto de hidrogênio versus valores preditos
A partir da análise dos índices estatísticos é possível observar que o modelo de dispersão não apresenta o desempenho ideal, ou seja, não exibe a capacidade de prever a realidade com exatidão. No entanto, esse resultado era esperado, devido às limitações comuns da modelagem. Segundo Holmes e Morawska (2006) e Chapela et al. (2014), o AERMOD, modelo gaussiano de dispersão, apresenta as seguintes limitações: por se tratar de um modelo de pluma estacionária, as condições meteorológicas são consideradas constantes durante cada hora simulada, ou seja, alguns eventos de “pico” (máximas e mínimas de velocidade do vento e temperatura) podem ser ocultados e/ou amenizados durante a simulação; o algoritmo de terreno complexo (implementado para considerar o relevo na dispersão) é simplificado; além de não incluir mecanismos de deposição úmida e seca e não considerar reações químicas na atmosfera, responsáveis pela formação de poluentes secundários.
Ainda assim, a USEPA considera o AERMOD como modelo regulatório e solicita a utilização do mesmo em estudos de dispersão atmosférica cujo raio de influência não ultrapasse 50 km (ROOD, 2014).
Existem outros fatores que podem influenciar no desempenho do modelo, principalmente associados a erros sistemáticos e aleatórios na obtenção dos dados necessários às simulações e validação. Neste trabalho, utilizaram-se apenas dados secundários, dessa forma não foi
0 10 20 30 40 50 0 10 20 30 40 50 P re dit o (µg/ m ³) Observado (µg/m³) 1:1 2:1 1:2 FAC2 = 53 %
possível realizar o controle adequado das informações para evitar e/ou minimizar erros no estudo.
Outro possível problema está relacionado à utilização de uma taxa de emissão média mensal na modelagem de dispersão. Não foi possível simular as taxas de emissão horárias, ou até mesmo diárias, através do modelo WATER9, visto que os dados referentes ao acompanhamento dos reatores UASB foram disponibilizados apenas como valores médios mensais.