UNIVERSIDADE TECNÓLOGICA FEDERAL DO PARANÁ
140
UNIVERSIDADE TECNÓLOGICA FEDERAL DO PARANÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AMBIENTAL MULTICAMPI APUCARANA E LONDRINA OTAVIO MEDEIROS SOBRINHO ESTUDO NUMÉRICO DOS EFEITOS DAS ZONAS CLIMÁTICAS LOCAIS E INFRAESTRUTURAS VERDES NAS VARIÁVEIS ATMOSFÉRICAS PARA A REGIÃO METROPOLITANA DE LONDRINA DISSERTAÇÃO LONDRINA 2021
Transcript of UNIVERSIDADE TECNÓLOGICA FEDERAL DO PARANÁ
UNIVERSIDADE TECNÓLOGICA FEDERAL DO PARANÁ
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AMBIENTAL
MULTICAMPI APUCARANA E LONDRINA
OTAVIO MEDEIROS SOBRINHO
ESTUDO NUMÉRICO DOS EFEITOS DAS ZONAS CLIMÁTICAS LOCAIS E
INFRAESTRUTURAS VERDES NAS VARIÁVEIS ATMOSFÉRICAS PARA A
REGIÃO METROPOLITANA DE LONDRINA
DISSERTAÇÃO
LONDRINA
2021
OTAVIO MEDEIROS SOBRINHO
ESTUDO NUMÉRICO DOS EFEITOS DAS ZONAS CLIMÁTICAS LOCAIS E
INFRAESTRUTURAS VERDES NAS VARIÁVEIS ATMOSFÉRICAS PARA A
REGIÃO METROPOLITANA DE LONDRINA
NUMERICAL STUDY OF THE EFFECTS OF LOCAL CLIMATE ZONES AND
GREEN INFRASTRUCTURES ON THE ATMOSPHERIC VARIABLES FOR THE
METROPOLITAN REGION OF LONDRINA
Dissertação apresentada ao Programa de Pós-Graduação em Engenharia Ambiental / multicampi Apucarana e Londrina da Universidade Tecnológica Federal do Paraná, como requisito parcial à obtenção do título de Mestre em Engenharia Ambiental. Área de Concentração: Engenharia Ambiental. Linha de pesquisa: Poluição do ar e processos atmosféricos. Orientadora: Profa. Dra. Leila Droprinchinski Martins Coorientador: Prof. Dr. Marcos Vinícius Bueno de Morais
LONDRINA
2021
4.0 Internacional
Esta licença permite que outros remixem, adaptem e criem a partir do trabalho para fins não comerciais, desde que atribuam o devido crédito e que licenciem as novas criações sob termos idênticos. Conteúdos elaborados por terceiros, citados e referenciados nesta obra não são cobertos pela licença.
Ministério da Educação
Universidade Tecnológica
Federal do Paraná Câmpus
Londrina
OTAVIO MEDEIROS SOBRINHO
ESTUDO NUMÉRICO DOS EFEITOS DAS ZONAS CLIMÁTICAIS LOCAIS E
INFRAESTRUTURAS VERDES NAS VARIÁVEIS ATMOSFÉRICAS PARA A REGIÃO
METROPOLITANA DE LONDRINA
Trabalho de pesquisa de mestrado apresentado
como requisito para obtenção do título de
Mestre Em Engenharia Ambiental da
Universidade Tecnológica Federal do Paraná
(UTFPR). Área de concentração: Engenharia
Ambiental.
Data de aprovação: 07 de Maio de 2021
Prof.a Leila Droprinchinski Martins, Doutorado - Universidade Tecnológica Federal do Paraná
Prof Angel Liduvino Vara Vela, Doutorado - Universidade de São Paulo (Usp)
Prof Edmilson Dias De Freitas, Doutorado - Universidade de São Paulo (Usp)
Prof Marcos Vinicius Bueno De Morais, Doutorado - Universidad Catolica Del Maule
Documento gerado pelo Sistema Acadêmico da UTFPR a partir dos dados da Ata de Defesa em 07/05/2021.
AGRADECIMENTOS
Aos meus pais Carlos Sobrinho Monteiro e Véra Lúcia Medeiros Sobrinho
Monteiro, e ao meu irmão Rafael Medeiros Sobrinho Monteiro, por todo apoio,
ensinamento, e sempre acreditarem em mim.
A todos os amigos e companheiros que de alguma forma estiveram presentes
neste período do mestrado.
À minha namorada Leticia Framesche pelas palavras de incentivo, afeto e
companheirismo.
À minha orientadora Professora Dra. Leila Droprinchinski Martins e ao
coorientador Professor Dr. Marcos Vinícius Bueno de Morais, por todo o ensinamento
compartilhado, toda a paciência, dedicação e companheirismo, principalmente nos
momentos de maior dificuldade.
Aos membros da banca que aceitaram participar da avaliação deste trabalho,
a fim de contribuir compartilhando seus conhecimentos.
Ao Instituto Água e Terra (IAT) e Sistema de Tecnologia e Monitoramento
Ambiental do Paraná (SIMEPAR) pelo fornecimento dos dados meteorológicos e de
poluentes ambientais.
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
pelo apoio financeiro (processo 436466/2018-0).
SOBRINHO, O. M. ESTUDO NUMÉRICO DOS EFEITOS DAS ZONAS CLIMÁTICAS LOCAIS E INFRAESTRUTURAS VERDES NAS VARIÁVEIS ATMOSFÉRICAS PARA A REGIÃO METROPOLITANA DE LONDRINA. 140 f. Dissertação (Mestrado em Engenharia Ambiental) - Universidade Tecnológica Federal do Paraná, Londrina, 2021.
RESUMO As áreas urbanas concentram mais de 50% da população mundial e são meios altamente impactados pelas atividades humanas. Neste sentido, as infraestruturas verdes (IVs) são empregadas para mitigar os efeitos causados pela urbanização. Os modelos de representação atmosférica, a exemplo do Weather Research and Forecasting with Chemistry (WRF-Chem), são utilizados para representar numericamente o comportamento das variáveis atmosféricas em mesoescala. Informações envolvendo as estruturas urbanas consistem em uma lacuna que dificulta a reprodução das dinâmicas e fluxos turbulentos nessas áreas. Para superar isso, a classificação das Zonas Climáticas Locais (ZCLs) possibilitam a obtenção de um produto com 10 classes (31 a 40) representando as estruturas urbanas, definidas de acordo com suas propriedades. Com isso, esse trabalho avaliou os efeitos nas variáveis atmosféricas, incluindo as classes de ZCLs urbanas no uso de solo padrão para a Região Metropolitana de Londrina, bem como a implementação de IVs distribuídas na área urbana, por meio do WRF-Chem. A obtenção das ZCLs foi realizada a partir da classificação supervisionada de imagens do satélite Landsat 8, através dos softwares SAGA GIS e Google Earth Pro. As simulações do modelo foram configuradas em 3 domínios com 100 x 80, 88 x 70 e 76 x 58 pontos (9 km, 3 km e 1 km de espaçamento, respectivamente). Adicionalmente, foram identificados e ampliados cinco parques, e 2 lagos urbanos em uma quarta grade aninhada com 0,333 km de espaçamento entre os pontos de grade, para identificar os efeitos meteorológicos das IVs no ambiente urbano. A verificação quantitativa se procedeu utilizando índices estatísticos, a fim de avaliar o desempenho do modelo considerando as condições atuais da região. Temperatura do ar a 2 metros (T2) e umidade específica do ar a 2 metros (Q2) foram melhor representadas para ambas as estações de monitoramento (Instituto Água e Terra - IAT e Sistema de Tecnologia e Monitoramento Ambiental do Paraná - SIMEPAR), quando utilizada a ZCLs (World Urban Database and Access Portal Tools - WUDAPT), se comparado ao padrão (Moderate-Resolution Imaging Spectroradiometer - MODIS). A Velocidade do Vento a 10 metros (WS10) na estação IAT apresentou evolução para todos os índices estatísticos por conta da melhor representação vertical das estruturas urbanas pelas ZCLs. Para os poluentes atmosféricos não houve nenhuma melhora estatisticamente considerável. O Lago (uma IV) não apresentou efeito relevante nas variáveis meteorológicas, provavelmente pelas dimensões horizontais. As IVs, constituídas pelos parques (áreas verdes), além de contribuírem localmente na redução dos efeitos da Ilha de Calor Urbana (ICU), apresentaram taxas de resfriamento e aumento na Q2 em até seis pontos de grade, aproximadamente 2 km, ao redor destas infraestruturas, desempenhando serviços ambientais capazes de mitigar os efeitos da ICU sustentando a importância destes sistemas nos projetos urbanos. Em geral a utilização das ZCLs melhorou o desempenho do modelo em representar as variáveis meteorológicas, e as áreas verdes (IVs) apresentaram benefícios para o clima local mesmo em cidades de médio porte como Londrina.
Palavras-chave: WRF-Chem; Modelo atmosférico de mesoescala; WUDAPT; Local Climate Zones; Parques Urbanos; Modelo de dossel urbano.
SOBRINHO, O. M. NUMERICAL STUDY OF THE EFFECTS OF LOCAL CLIMATE ZONES AND GREEN INFRASTRUCTURES ON THE ATMOSPHERIC VARIABLES FOR THE METROPOLITAN REGION OF LONDRINA. 2021. 140 p. Master Thesis - Environmental Engineering Master Program - Federal Technological University of Paraná, Londrina, 2021.
ABSTRACT Urban areas concentrate more than 50% of the world's population and are highly impacted by human activities. In this sense, Green Infrastructures (GIs) are used to mitigate these effects. Atmospheric models, such as the Weather Research and Forecasting with Chemistry (WRF-Chem), represent the mesoscale meteorological variables numerically. Information involving urban structures is a gap that makes it difficult to numerical reproduce turbulent flows, mainly in urban areas. To overcome this limitation, the classification of Local Climate Zones (LCZs) makes it possible to obtain a product with 10 classes (31 to 40) representing the urban structures defined according to similar surface properties. Thereby, this work evaluated the effects on meteorological variables and on air quality using WRF-Chem with the urban classes of LCZs in the land use for the Metropolitan Region of Londrina well as the implementation of GIs distributed in the urban area. The LCZs were obtained from the supervised classification of Landsat 8 satellite images using SAGA GIS and Google Earth Pro. The model simulations were configured in 3 domains with 100 x 80, 88 x 70, and 76 x 58 points (9 km, 3 km, and 1 km of grid spacing). Additionally, five urban parks and two urban lakes were identified and expanded in a fourth nested grid with 0.333 km grid spacing to analyze environmental systems' meteorological effects on the urban environment. The quantitative verification was carried out using statistical indexes to analyze model performance in the region's current conditions. Two meters Air temperature (T2) and specific air humidity (Q2) are best represented for both monitoring stations (Instituto Água e Terra - IAT and Sistema de Tecnologia e Monitoramento Ambiental do Paraná - SIMEPAR) when using an LCZs (World Urban Database and Access Portal Tools - WUDAPT), compared to the default land use file (Moderate - Resolution Imaging Spectroradiometer - MODIS). The WS10 at the IAT station presents improvement for all statistical indices due to the better vertical representation of urban structures by LCZs. For the pollutants, there was no statistical improvement. The lake had no relevant effect on meteorological variables, probably due to horizontal dimensions. The parks, in addition to contributing locally to the reduction of the effects of the Urban Heat Island (UHI), presented cooling rates and increased in Q2 in up to six grid points, approximately 2 km, around these infrastructures, performing environmental services to mitigating the effects of UHI sustaining the importance of these systems in urban projects. In general, the use of LCZs improved the performance of the model to represent meteorological variables. The GI showed benefits for the local climate even in medium-sized cities. Keywords: WRF-Chem; Atmospheric mesoscale model; WUDAPT; Local Climate Zones; Urban parks; Urban canopy model.
LISTA DE SIGLAS E ABREVIATURAS
.csv Comma-separated values
.ncl NCAR Command Language
.shp Shapefile
ACM2 Asymetric Convective Model V2
ANP Agência Nacional de Petróleo
ARW Advanced Research WRF
BEM Building Energy Model
BEP Building Effect Parametrization
BIAS Erro Médio
CB05 2005 Carbon Bond
CBMZ Carbon Bond Mechanism version Z
CETESB Companhia Ambiental do Estado de São Paulo
CLP Camada Limite Planetária
CO Monóxido de Carbono
CONAMA Conselho Nacional do Meio Ambiente
CORINE Coordination of information on the environment
COVs Compostos Orgânicos Voláteis
DENATRAN Departamento Nacional de Trânsito
DPielke Destreza de Pielke
EDGAR Emissions Database for Global Atmospheric Research
FE Fator de Emissão
GDAS Global Data Assimilation System
GDAS/FNL Global Data Assimilation System/Final
GS Green Scenario
HC Hidrocarbonetos
IAPAR Instituto Agronômico do Paraná
IAT Instituto de Água e Terra
IBGE Instituto Brasileiro de Geografia e Estatística
ICU Ilha de Calor Urbana
IVs Infraestruturas verdes
MADE Modal Aerosol Dynamics Model for Europe
MADRID Model of Aerosol Dynamics, Reaction, Ionization and Dissolution
MEGAN Model of Emissions of Gases and Aerosols from Nature
MM5 5th-generation Mesoescale Model
MNB Mean Normalized Bias Error
MNGE Mean Normalized Gross Error
MODIS Moderate-Resolution Imaging Spectroradiometer
MOSAIC Model for Simulating Aerosol Interactions and Chemistry
MOZART Model for OZone and Related chemical Tracers
MP Material particulado
MP10 Material Particulado com diâmetro aerodinâmico inferior a 10 µm
MP2,5 Material Particulado com diâmetro aerodinâmico inferior a 2,5 µm
MYNN2,5 Mellor Yamada Nakanish and Niino 2,5
NCAR National Center for Atmospheric Research
NCEP National Centers for Enviromental Prediction
NO Óxido nítrico
NOAA National Oceanic and Atmospheric Administration
NOX Óxidos de nitrogênio
O3 Ozônio
O(3P) Fosfonato
OH Hidróxido
Px Parque x (x = 1, 2, 3, 4 ou 5)
Q2 Umidade Específica do Ar a 2 metros
r Índice da Correlação de Pearson
RADM2 Regional Acid Deposition Model v2
RML Região Metropolitana de Londirina
RMSE Root-Mean-Square Error
RMSP Região Metropolitana de São Paulo
SA Sistemas Ambientais
SLUCM Single-layer Urban Canopy Model
SIMEPAR Sistema de Tecnologia e Monitoramento Ambiental do Paraná
SO2 Dióxido de enxofre
SORGAM Secondary Organic Aerosol Model
SR Simulação referência
SUEWS Surface Urban Energy and Water Balance Scheme
T2 Temperatura do Ar a 2 metros
TUV Tropospheric Ultraviolet and Visible
UR Umidade Relativa do Ar
WPS WRF Pre-processing System
WRAC Wide Range Aerosol Classifier
WRF Weather Research and Forecasting
WRF-Chem Weather Research and Forecasting – Chemical
WS10 Velocidade do Vento a 10 metros
WUDAPT World Urban Database and Access Portal Tools
YSU Universidade de Yonsei
ZCLs Zonas Climáticas Locais
LISTA DE FIGURAS
FIGURA 1 – Representação das classes de ZCLs. .................................................. 29
FIGURA 2 – Área de estudo. .................................................................................... 32
FIGURA 3 – Estações meteorológicas e de qualidade do ar de Londrina. ............... 34
FIGURA 4 – Variáveis a) meteorológicas e b) concentrações de poluentes
atmosféricos para RML. ....................................................................... 36
FIGURA 5 – Domínios da área de estudo para RML. ............................................... 38
FIGURA 6 – Representação esquemática da grade numérica no módulo urbano.... 43
FIGURA 7 – Fração veicular circulante na cidade de Londrina................................. 47
FIGURA 8 – Distribuição temporal das emissões dos poluentes primários. ............. 49
FIGURA 9 – Localização da grade d04 e IV propostas. ............................................ 53
FIGURA 10 – Configuração do uso do solo produto do a) MODIS e b) ZCL, para a
d03. ...................................................................................................... 59
FIGURA 11 – Estações de monitoramento: a) SIMEPAR e b) IAT. .......................... 60
FIGURA 12 – Evolução temporal das variáveis meteorológicas observadas e
simuladas para as estações IAT e SIMEPAR. ..................................... 61
FIGURA 13 – Evolução temporal da concentração média móvel de 8 horas de O3
observada e simulada para a estação IAT. .......................................... 64
FIGURA 14 – Rosa dos ventos na estação SIMEPAR para o período de 06 a 16 de
setembro de 2017. ............................................................................... 67
FIGURA 15 – Estação de monitoramento IAT. ......................................................... 68
FIGURA 16 – Ciclo diurno da T2 e UR nas classes de ZCL identificadas no município
de Londrina. ........................................................................................ 70
FIGURA 17 – Identificação da área superficial do lago (classe 17), áreas urbanas
(classes 31 a 39) ao entorno, e o comportamento da Q2 em três pontos
urbanos ao redor do lago para SR e WUDAPT. ................................... 71
FIGURA 18 – Evolução temporal da T2 e Q2 no P1 e P4, em WUDAPT e GS. ....... 73
FIGURA 19 – Fluxos de energia simulados na superfície no a) P1 e b) P4, no WUDAPT
e GS. .................................................................................................... 75
FIGURA 20 – Taxas de resfriamento e aquecimento (°C.h-1) calculadas a partir das
simulações WUDAPT e GS para P1 e P4. ........................................... 76
FIGURA 21 – Distribuição regional da taxa de resfriamento regional média (3 horas)
durante o período de 19:00 (13/09) e 06:00 (14/09). ........................... 77
FIGURA 22 – Distribuição regional da diferença percentual da Q2 entre GS e
WUDAPT das 00:00 às 07:00 (12/09). ................................................. 78
FIGURA 23 – Umidade específica do ar (g.kg-1) e componente vertical e zonal do
vento (m.s-1) para P1 em 23,35° S. ...................................................... 80
LISTA DE TABELAS
TABELA 1 – Configurações dos domínios do modelo para RML. ............................ 38
TABELA 2 – Parametrizações utilizadas nas simulações realizadas para a RML.. .. 40
TABELA 3 – Fatores de emissão para CO, NOx, MP e SO2 (g.km-1). ...................... 47
TABELA 4 – Fatores de emissão dos COVs (g.km-1). .............................................. 48
TABELA 5 – Eficiência energética veicular (km.L-1). ................................................ 50
TABELA 6 – Intensidade de uso por tipo de veículo (km.dia-1) para a região de estudo.
............................................................................................................. 50
TABELA 7 – Índices estatísticos utilizados para avaliar a habilidade do modelo em
representar campos meteorológicos. ................................................... 56
TABELA 8 – Índices estatísticos utilizados para avaliar a habilidade do modelo em
representar poluentes atmosféricos. .................................................... 57
TABELA 9 – Índices estatísticos de desempenho do modelo para as variáveis
meteorológicas durante o período de 06 a 16 de setembro de 2017. .. 63
TABELA 10 – Índices estatísticos de desempenho do modelo para ozônio durante o
período de 06 a 16 de setembro de 2017. ........................................... 64
TABELA 11 – Índices estatísticos de desempenho do modelo para ozônio durante o
período de 06 a 11 de setembro de 2017, utilizando o inventário de
emissões globais. .................................................................................. 66
SUMÁRIO
1. INTRODUÇÃO......... ......................................................................................... 14
1.1. OBJETIVOS ...................................................................................................... 18
2. REVISÃO BIBLIOGÁFICA ............................................................................... 19
2.1 MODELAGEM ATMOSFÉRICA ........................................................................ 19
2.2 EFEITOS DA URBANIZAÇÃO .......................................................................... 22
2.2.1 Clima Urbano............................................................................................ 24
2.3 ZONAS CLIMÁTICAS LOCAIS ......................................................................... 27
2.4 INFRAESTRUTURAS VERDES ....................................................................... 30
3. MATERIAIS E MÉTODOS ................................................................................ 32
3.1 DESCRIÇÃO DA ÁREA DE ESTUDO .............................................................. 32
3.2 PERÍODO DE ESTUDO ................................................................................... 33
3.3 DESCRIÇÃO DO MODELO WRF-CHEM ......................................................... 36
3.3.1 Configurações do Modelo ................................................................................. 37
3.3.1.1 Esquemas Físicos...........................................................................................40
3.3.1.1.1 Building Effect Parameterization ................................................................ 42
3.3.1.2 Esquemas Químicos e de Fronteira .............................................................. 43
3.3.2 Zonas Climáticas Locais ................................................................................... 44
3.3.3 Inventário de Emissões Antropogênicas ........................................................... 45
3.3.3.1 Emissões Por Fontes Móveis ................................................................... 46
3.3.3.1.1 Intensidade de Uso dos Veículos. .............................................................. 49
3.3.3.1.2 Distribuição Espacial das Emissões ........................................................... 50
3.3.3.2 Emissões por Fontes Fixas .................................................................. 51
4. DESCRIÇÃO DAS CONFIGURAÇÕES DAS SIMULACÕES .......................... 52
4.1. SIMULAÇÃO DE EFEITO DAS ZONAS CLIMÁTICAS LOCAIS ....................... 52
4.2 SIMULAÇÃO DE EFEITO DAS INFRAESTRUTURAS VERDES ..................... 52
4.3 AVALIAÇÃO DE DESEMPENHO DO MODELO .............................................. 55
4.3.1 Variáveis meteorológicas .................................................................................. 55
4.3.2 Poluentes atmosféricos ..................................................................................... 56
5. RESULTADOS E DISCUSSÕES ..................................................................... 58
5.1 CLASSIFICAÇÃO DAS ZONAS CLIMÁTICAS LOCAIS ................................... 58
5.2 AVALIAÇÃO DA UTILIZAÇÃO DAS ZONAS CLIMÁTICAS LOCAIS ............... 60
5.2.1 Evolução Temporal dos Campos Meteorológicos ............................................. 60
5.2.2 Evolução Temporal dos Poluentes Atmosféricos .............................................. 63
5.2.3 Temperatura e Umidade Relativa nas Classes das Zonas Climáticas Locais .. 69
5.3 INFLUÊNCIA DAS INFRAESTRUTURAS VERDES NO TEMPO
ATMOSFÉRICO URBANO ........................................................................................ 70
6. CONCLUSÕES.... ............................................................................................. 82
6.1 SUGESTÕES PARA TRABALHOS FUTUROS ................................................ 83
REFERÊNCIAS.................. ....................................................................................... 84
APÊNDICES.............................................................................................................115
14
1. INTRODUÇÃO
A urbanização provoca impactos sociais, ecossistêmicos e econômicos (FAN
et al., 2019). Os impactos ambientais do processo de urbanização atingem toda a
biosfera (ar, água, solo e organismos vivos) e sua quantificação é um processo
oneroso e complexo. Isto acontece devido às diversas interações envolvendo os
constituintes deste sistema. Atualmente, mais de 50% da população mundial vive em
áreas urbanizadas (MORAIS et al., 2017; NAÇÕES UNIDAS, 2019). Neste sentido,
entender e quantificar os impactos ambientais nas regiões citadinas torna-se cada vez
mais importante, assim como propor soluções para eles (LAVERS et al., 2017).
O crescimento populacional além de promover o aumento da malha urbana e
impulsionar o consumo dos recursos naturais (WANG, 2020), provocam impactos de
grande escala observados e relatados mundialmente, a exemplo dos efeitos das
mudanças climáticas (AUSTIN et al., 2020; BORRAS; FRANCO; NAM, 2020; DE
OLIVEIRA et al., 2020; ZHANG et al., 2020c). Estes efeitos ocorrem pelo aumento das
emissões de gases do efeito estufa, os quais relacionam-se às mudanças climáticas
globais, e potencializam-se com o desenvolvimento e avanço das atividades humanas
(YUAN; REN; CHEN, 2015; CORDONNIER et al., 2020). Dentre as diversas
consequências, destacam-se a maior frequência e intensidade de eventos
meteorológicos extremos (ondas de calor, frio, seca e enchentes) que refletem na
disponibilidade de água, fornecimento e qualidade de alimentos, poluição do ar e
saúde da população (WOODWARD et al., 2019; LINARES et al., 2020).
Além dos impactos de grande escala há os efeitos regionais e locais da
urbanização, em que a substituição da cobertura natural por estruturas impermeáveis
nas áreas urbanas, impactam na diminuição dos fluxos de calor latente e aumento dos
fluxos de calor sensível, tendo como resultado o aumento da temperatura e menor
umidade do ar próximo à superfície (CHEN; FRAUENFELD, 2016). Adicionalmente,
estas regiões são caracterizadas pela elevada emissão de poluentes atmosféricos por
fontes móveis e fixas, determinadas principalmente pela limitação tecnológica, poder
aquisitivo e intensidade do consumo energético, e qualquer inovação com viés
sustentável nestes meios reflete diretamente na diminuição das emissões e melhoria
15
na qualidade do ar atmosférico local (HONG et al., 2020; LIU; LIU, 2019; XIE; LIU,
2019).
Ainda existem desafios na compreensão dos efeitos da urbanização. Os
impactos locais são, muitas vezes, facilmente observados, porém nem sempre
quantificados, mesmo em grandes áreas urbanas (LEAL FILHO et al., 2019;
FOISSARD DUBREUIL; QUÉNOL, 2019; SQUIZZATO et al., 2017; ZALAKEVICIUTE
et al., 2018). Para o Brasil a maior quantidade de estudos se concentra nas regiões
metropolitanas de São Paulo e Rio de Janeiro (PERES et al., 2018; UMEZAKI et al.,
2020; VALVERDE et al., 2020). É importante destacar que estes efeitos não estão
restritos apenas as regiões altamente urbanizadas (DORIGON; AMORIM, 2019), e
foram quantificados e relatados em regiões metropolitanas de médio porte, a exemplo
da região metropolitana de Londrina (RML), Paraná (MARTINS et al., 2012; BRAND
et al. 2013; TARGINO; KRECL; CORAIOLA, 2014; MARTINS et al., 2016; Moreira et
al., 2018; ANJOS et al., 2020).
Para mitigar alguns dos impactos observados nos ambientes urbanos,
estudos sugerem a utilização de infraestruturas verdes1 (IVs). Essas infraestruturas
evitam o aquecimento local através da evapotranspiração, sombreamento, além de
influenciar na troca de calor entre a superfície e o ar superficial, consistindo em um
importante sistema para mitigar os efeitos da Ilha de Calor Urbano (ICU) (ŽUVELA-
ALOISE; KOCH; FRÜH, 2016; GUNAWARDENA; WELLS; KERSHAW, 2017; WU et
al., 2019c). Além disso, são responsáveis por fornecerem uma vasta gama de serviços
ecossistêmicos, entre eles regular a qualidade do ar e variáveis meteorológicas, e
servir de espaços passíveis à realização de atividades físicas e de lazeres (COUTTS;
HAHN, 2015).
Existem equipamentos capazes de fornecer informações pontuais que
subsidiem a avaliação dos impactos das atividades humanas na concentração de
poluentes atmosféricos e variáveis meteorológicas. No entanto, necessita-se que
1As infraestruturas verdes (green infrastrutures) são definidas como áreas urbanas cobertas por vegetação de qualquer tipo, em terrenos privados e públicos, independentemente do tamanho e função, também podendo incluir pequenos corpos d'água como lagoas, lagos ou riachos (GHOFRANI, SPOSITO e FAGGIAN, 2017; WHO, 2017).
16
esses equipamentos sejam implementados em densas redes de monitoramento para
adequada representação espacial, pelo fato da alta variação espaço-temporal dessas
variáveis (HOWE et al., 2017). Porém, a aquisição, instalação, operação e
manutenção dessas redes de monitoramento ainda são muito onerosas. Assim, uma
alternativa é o uso de modelos matemáticos atmosféricos, capazes de fornecerem
informações detalhadas e possibilitarem a avaliação dos efeitos, decorrentes dos
processos de urbanização, na atmosfera (BRZOZOWSKI; RYGUŁA; MACZYŃSKI,
2019).
Estes modelos são importantes ferramentas para compreender a relação
entre os poluentes atmosféricos, precursores, transporte e processos de formação
(HOSHYARIPOUR et al., 2016). A representação dos processos atmosféricos ocorre
através de equações de conservação de massa, energia e quantidade de movimento,
por meio de parametrizações, os quais apresentam como resultados valores
calculados das variáveis estudadas (SAMAALI et al., 2009).
O Weather Research and Forecasting (WRF) acoplado aos processos
químicos (Weather Research and Forecasting with Chemistry, WRF-Chem) (GRELL
et al., 2005), é amplamente utilizado na representação dos processos atmosféricos.
Este modelo foi inicialmente desenvolvido por Grell et al. (2005) e considerado
consistente na representação dos componentes meteorológicos, utilizado para
investigar o comportamento das variáveis meteorológicas e poluentes atmosféricos
(KHAN et al., 2019; MEDEIROS et al., 2017; YAHYA et al., 2017; CHENG et al.,
2019b; TANG et al., 2019; ZHANG et al., 2020b).
É válido salientar que diferentes tipos de uso e cobertura do solo promovem
efeitos variados na qualidade e dinâmicas do ar urbano, e, portanto, é necessário a
representação adequada da superfície nos estudos desses efeitos (ROSS et al., 2006;
DE HOOGH et al., 2013; HABERMANN; BILLGER; HAEGER-EUGENSSON, 2015;
MORAIS et al., 2017b; SHI et al., 2019). Neste sentido, Brousse et al. (2016) sugerem
a utilização das Zonas Climáticas Locais2 (ZCLs), desenvolvida por Stewart e Oke
2 As classes das Zonas Climáticas Locais, ou Local Climate Zones são definidas a partir de características uniformes de cobertura da superfície, estrutura, material e atividade humana, que se
17
(2012), a fim de fornecer o intercâmbio global existente entre os sistemas urbanos e
as temperaturas observadas nessas regiões. Por se tratar de um sistema que fornece
informações padronizadas para a quantificação das condições térmicas, permitem a
comparação entre estruturas urbanas e diferentes regiões ao longo do mundo
(ZHENG et al. 2018; CHEN et al. 2020).
Stewart, Oke e Krayenhoff (2012) foram os primeiros a utilizarem a
classificação de ZCLs, desenvolvida por Stewart e Oke (2012) em simulações
atmosféricas da temperatura. Eles confirmaram a existência de contrastes térmicos
entre as classes de ZCLs, governados em grande parte pela altura e espaçamento
dos edifícios, fração superficial permeável, densidade das árvores e umidade do solo.
Assim, a utilização das classes de ZCLs no WRF permite uma melhor representação
das variáveis meteorológicas e fluxos de energia na área urbana, pois são
consideradas classes de urbanização e utilizadas informações de acordo com as
características locais (BROUSSE et al., 2016; FRANCO et al., 2019; MOLNÁR;
GYÖNGYÖSI; GÁL, 2019; RIBEIRO, et al. 2021).
As ZCLs dividem as paisagens urbanas e rurais em 17 classes padrões, cada
uma definida por propriedades estruturais e de cobertura do solo que influenciam a
temperatura do ar próximo à superfície (STEWART; OKE; KRAYENHOFF, 2014). Este
conceito é utilizado em diversos estudos numéricos para melhor representar as áreas
urbanas (CHING et al., 2018; MORAIS et al., 2019; SHI et al., 2019; MARTILLI;
KRAYENHOFF; NAZARIAN, 2020). A obtenção do produto é por meio do processo
de classificação supervisionada. Já os valores de propriedades geométricas e
cobertura de superfície (fator de visão do céu, razão altura altura/largura dos prédios,
fração de superfície construída, permeável e impermeável, altura dos elementos de
rugosidade, e classe de rugosidade do terrenos) e das propriedades térmicas,
radiativas e metabólicas para zonas climáticas locais (admitância e albedo da
superfície, e liberação de calor antropogênica) foram definidos por Oke e Krayenhoff
(2012).
estendem por centenas de metros em escala horizontal, e consequentemente apresentam o mesmo regime de temperatura do ar superficial (STEWART e OKE, 2009; STEWART e OKE, 2012).
18
Para a RML, ainda não existem trabalhos de modelagem atmosférica
utilizando informações das ZCLs no arquivo de uso e ocupação do solo, com a
finalidade de verificar os efeitos nas variáveis meteorológicas e de qualidade do ar.
Além disso, tampouco existem trabalhos que avaliaram os impactos da
implementação de IVs nas variáveis atmosféricas e seus potenciais benefícios para
mitigação dos efeitos locais da urbanização, principalmente na temperatura e umidade
do ar.
1.1. OBJETIVOS
Este trabalho tem como objetivo geral avaliar os efeitos das ZCLs e das IVs
nas variáveis meteorológicas e de qualidade do ar para a RML, através do uso do
modelo WRF-Chem. Destacam-se os seguintes objetivos específicos:
• Determinar uma classificação das ZCLs para a região de estudo;
• Avaliar por meio de índices estatísticos o desempenho do WRF-Chem
em simular as condições meteorológicas e de qualidade do ar;
• Analisar o efeito do emprego das classes de ZCLs no desempenho do
modelo;
• Investigar os efeitos da implementação de parques e lagos urbanos (IVs)
nas variáveis meteorológicas.
19
2. REVISÃO BIBLIOGÁFICA
2.1 MODELAGEM ATMOSFÉRICA
Os modelos matemáticos utilizados na previsão meteorológica numérica
empregam parametrizações e equações para representar processos atmosféricos que
acontecem em sub grade (TASTULA et al., 2015). O WRF-Chem possibilita a
determinação de configurações abrangendo opções de parametrizações físicas e
químicas, processos dinâmicos, difusão, e amortecimento, bem como as condições
iniciais e laterais de contorno (SKAMAROCK et al., 2008).
As parametrizações da Camada Limite Planetária (CLP) desempenham um
papel crítico nos modelos climáticos e meteorológicos, descrevendo os processos
físicos associados à troca de impulso, calor e umidade entre a superfície terrestre e a
atmosfera (XU et al. 2019). Com isso, devido às diferentes superfícies terrestres,
topografias e posições geográficas, existem parametrizações que melhor se adequam
a estas características nas simulações
Em simulações realizadas no norte da China, no mar, indicaram que o
esquema Mellor-Yamada-Janjic (MYJ) (JANJIC, 2002) foi mais consistente na
representação da CLP marinha, se comparado aos esquemas Yonsei University
(YSU) (HONG; NOH; DUDHIA, 2006), Asymetric Convective Model V2 (ACM2)
(PLEIM, 2007), Quasi-Normal Scale Elimination (QNSE) (SUKORIANSKY et al., 2005)
e Mellor Yamada Nakanish and Niino 2,5 (MYNN2) (NAKANISHI; NIINO, 2009)
(KROGSAETER; REUDER, 2015).
O esquema YSU tem forte efeito na camada de mistura de fronteira e
superestima a altura da camada limite, favorecendo a difusão vertical de poluentes
(ZHANG et al., 2013). Já a ACM2 apresenta adequado desempenho para simular
temperatura e umidade específica em condições nubladas (WANG et al., 2017).
Sousa et al. (2019) realizaram simulações utilizando o modelo WRF variando as
parametrizações da Camada Limite Planetária (CLP) entre elas ACM2 e MYNN2.
Estes obtiveram melhor representação da altura da camada limite nas simulações
utilizando MYNN2.
20
Os autores Ruiz, Saulo, e Nogués-Paegle (2010) analisaram simulações em
curtos períodos de 6 a 48 horas para regiões na América do Sul com o objetivo de
testar diferentes parametrizações de superfície terrestre e identificar quais fornecem
melhores estimativas das variáveis de superfície, temperatura a 2 metros, ponto de
orvalho, componentes vetoriais do vento a 10 metros e pressão ao nível do mar. Em
geral, as variáveis de superfície apresentaram maior sensibilidade aos modelos de
superfície terrestre, determinadas pelos erros sistemáticos e não sistemáticos dos
valores medidos aos simulados. Neste sentido, avaliando os modelos de
representação de superfície da Terra, Unified Noah Land-Surface Model (Noah LSM),
desenvolvido pela National Oceanic and Atmospheric Administration (NOAA)
(TEWARI et al., 2004) mostrou melhor desempenho se comparado ao Rapid Update
Cycle (RUC) (SMIRNOVA et al., 1997) e 5-layer soil model (5L) (DUDHIA, 1996).
Teixeira et al. (2019) compararam diferentes modelos de cobertura superficial
do solo na zona urbana e analisaram quais condições sinóticas favoreceriam à
formação de ICU em Lisboa, Portugal. Comparando-se os resultados obtidos no
modelo aos dados observados, os autores puderam verificar que as variáveis de
estudo (temperatura, velocidade e direção do vento e os perfis verticais de pressão,
temperatura, vento e umidade relativa) foram melhores representadas pelo Building
Effect Parameterization (BEP) (MARTILLI; CLAPPIER; ROTACH, 2002; MORAIS,
2010).
Concordante a esses autores Rafael et al. (2019) avaliaram três
parametrizações de superfície urbana, entre elas o Noah Land Surface Model (CHEN;
DUDHIA, 2001), Single-layer Urban Canopy Model (SLUCM) (CHEN et al., 2009) e o
sistema de modelagem composto pelos modelos WRF e o Surface Urban Energy and
Water Balance Scheme (SUEWS). A avaliação foi feita utilizando medições de fluxos
de energia em Portugal para simulação do microclima urbano, e obtiveram como
resultado que as parametrizações são capazes de simular o particionamento de
energia nos ambientes residenciais, sendo que a maior parte da energia se dissipa
pelo fluxo de calor sensível desencadeando a ICU.
Salamanca et al. (2018) avaliaram a importância da representação das
superfícies urbanas em modelos atmosféricos, comparando a utilização de três
modelos de dossel urbano, o BEP, BEP + Building Energy Model (BEM)
21
(SALAMANCA; MARTILLI, 2010) (BEP+BEM) e o SLUCM. Os resultados
demonstraram que nas áreas urbanas, apenas o modelo de dossel urbano
multicamadas foi capaz de reproduzir realisticamente a evolução diária da velocidade
do vento, em uma região de clima semiárido para períodos de verão claro.
Liao et al. (2014) avaliaram na região do Delta do Rio Yangtze, China, os
impactos referentes aos modelos de dossel urbano no clima regional na estação seca
e chuvosa utilizando o WRF. Foram realizadas 4 simulações, empregando a
parametrização 5-Layer Thermal Diffusion Scheme (SLAB), que não considera os
parâmetros de dossel urbano, o SLUCM, BEP e BEP+BEM. Os resultados, em
comparação aos dados observados, indicaram que as melhores estimativas de
temperatura a 2 metros foram obtidas na simulação utilizando o SLAB e BEP+BEM,
enquanto as melhores estimativas para velocidade do vento a 10 metros foram com
os esquemas BEP e BEP+BEM.
Ribeiro et al. (2021) avaliaram o desempenho de esquemas urbanos
integrados ao modelo WRF utilizando as ZCLs como classificação de uso do solo para
a área metropolitana de Barcelona, Espanha. Foram empregados o BEP e BEP +
BEM, com resolução de 1 km² para julho de 2016. As simulações sem a utilização dos
esquemas urbanos e com esquema urbano multicamadas, apresentaram
superestimação da umidade relativa (UR) e altura da CLP, e subestimação da
temperatura.
Georgiou et al. (2018) empregaram o modelo WRF-Chem para estudar a
intensidade fotoquímica e seu impacto na qualidade do ar, no verão Mediterrâneo
oriental, na Ilha de Chipre. Foram realizadas três simulações utilizando os
mecanismos de fase gasosa e aerossol: (i) o Carbon Bond Mechanism version Z
(ZAVERI; PETERS, 1999) - Model for Simulating Aerosol Interactions and Chemistry
(ZAVERI et al., 2008) (CBMZ-MOSAIC); (ii) o Model for OZone and Related chemical
Tracers (EMMONS et al., 2010) - MOSAIC (ZAVERI et al., 2008) (MOZART-MOSAIC)
(EMMONS et al., 2010) e (iii) o Regional Acid Deposition Model v2 (STOCKWELL et
al., 1990) - Modal Aerosol Dynamics Model for Europe (ACKERMANN et al.,
1998)/Secondary Organic Aerosol Model (Schell et al., 2001) (RADM2-
MADE/SORGAM). Em geral foram obtidos valores superestimados de concentração
de ozônio nos três mecanismos, podendo estar relacionado com a baixa
22
representatividade das fontes de emissões antrópicas, que dificulta a representação
numérica das concentrações dos precursores/consumidores de ozônio.
Um estudo foi realizado por meio de simulações para janeiro e julho de 2001
na região continental dos Estados Unidos, utilizando o 2005 Carbon Bond (CB05)
(YARWOOD et al., 2005), como mecanismo de fase gasosa, e variando três
mecanismos de aerossóis MADE/SORGAM, MOSAIC e Model of Aerosol Dynamics,
Reaction, Ionization and Dissolution (MADRID) (ZHANG et al., 2004), para examinar
os impactos das parametrizações com as concentrações de aerossóis nas previsões
e seus efeitos nas propriedades físicas das nuvens. Todas as simulações mostraram
boas habilidades na reprodução das concentrações das espécies gasosas
observadas na superfície e nas propriedades radiativas das nuvens (ZHANG et al.,
2016).
Além da verificação individual da eficácia de cada parametrização, podem ser
realizadas simulações avaliando a capacidade de representação de combinações de
esquemas e parametrizações. Shrivastava et al. (2015) simularam numericamente
para região em torno à usina nuclear de Kaiga, Índia, previsões das variáveis
meteorológicas de superfície. A combinação correspondente ao ACM2, como
esquema da CLP, Monin Obhukhov (MONIN; OBHUKHOV, 1954), como esquema da
camada superficial e o modelo 5 Layer Thermal Diffusion (DUDHIA, 1996) para
representação da superfície terrestre, foi a que melhor reproduziu as variáveis da
região para períodos entre os anos de 2004 e 2007.
2.2 EFEITOS DA URBANIZAÇÃO
O aumento do fluxo de calor sensível é um dos efeitos causados pela
urbanização, o qual reflete no fenômeno classicamente denominado Ilha de Calor
Urbana (OKE, 1982; MÖLDERS, 2011), com ocorrência nas áreas urbanas em todo o
mundo.
A potencialização do processo de urbanização foi evidentemente observada
após os avanços obtidos a partir das revoluções industriais, os quais favoreceram que
o meio urbano se tornasse mais atrativo para a população (SOLAR, 1995; KIM 2007;
MARTÍNEZ; MIRÁS, 2009). A expansão urbana, e a consequente alteração de
23
cobertura do solo, possui como resposta primária a mudança da estratificação térmica
e do potencial evaporativo (SALLEH et al., 2013).
De acordo com Min et al. (2019) a ocorrência da ICU ocorre principalmente
em áreas intensamente construídas e povoadas, centros comerciais, eixos de
transporte e áreas industriais. Nestas regiões, acentuam-se os efeitos causados pela
substituição da cobertura vegetal por estruturas urbanas impermeáveis, as quais
refletem no aumento da energia urbana disponível e posterior dissipação na forma de
calor sensível (HU et al., 2016; MOHAJERANI; BAKARIC; JEFFREY-BAILEY, 2017).
Além das características supracitadas, também deve considerar-se as emissões de
calor antropogênico pelas chaminés industriais, automóveis e dispositivos de
aquecimento urbano, que contribuem positivamente no balanço energético da camada
superficial (OKE, 1982).
Como resposta ao excesso de calor recebido pelas superfícies urbanas, ao
cessar a fonte externa de calor (radiação solar), a superfície passa a transferir calor
sensível para o ar e, em condições calmas, com a ausência de movimentos
convectivos, desenvolve-se a ICU. Com isso a maior intensidade da ICU ocorre
durante à noite e próximo ao amanhecer, seguida pelo enfraquecimento de sua
intensidade ao longo do dia (OKE,1987; KIM, 1992).
Em geral as ICU causam mudanças nos padrões atmosféricos, entre eles a
diminuição da velocidade do vento nos cânions urbanos que intensificam o efeito de
aquecimento urbano e dificulta a dispersão dos poluentes atmosféricos, contribuindo
na retroalimentação positiva da ICU. Assim, refletindo no aumento dos eventos
meteorológicos extremos (ondas de calor), os quais correlacionam-se inversamente
com a umidade relativa do ar, velocidade do vento, nebulosidade e dispersão de
poluentes (DIENST et al., 2019; GRIMM et al., 2008; IPING et al., 2019; KIM; BAIK,
2002).
Com o intuito de obter informações do comportamento geral da ICU, Morais
et al. (2018) simularam numericamente a temperatura próxima ao solo para a região
metropolitana de São Paulo, e obtiveram que durante o dia a diferença de temperatura
no interior do cânion urbano atinge até + 0,19 °C em regiões suburbanas e + 0,96 °C
na região central, ambos comparados às regiões periféricas. Essas diferenças são
24
devido ao tipo de proporção do cânion urbano que retém mais radiação solar na
atmosfera.
Com isso, é importante salientar que o modelo WRF, em conjunto com os
modelos de dossel urbano, tem sido amplamente empregado para estudar processos
envolvendo a urbanização (HE et al., 2019). Dessa forma, Tse et al. (2018) realizaram
um estudo no Delta do Rio das Pérolas, China, durante o verão e obtiveram que no
espaço temporal de vinte anos houve um aumento geral da temperatura à noite, como
também desaceleração do vento em cerca de 0,5 m.s-1 devido ao processo de
urbanização.
Além do aumento da energia em forma de fluxo turbulento de calor sensível
na camada superficial, é válido destacar que os dispositivos urbanos (transporte
rodoviário, indústrias e usinas de energia) são responsáveis pela diminuição da
qualidade do ar nestes ambientes, pois emitem óxidos de nitrogênio (NOx), monóxido
de carbono (CO), Compostos Orgânicos Voláteis (COVs), dióxido de enxofre (SO2),
poeira e fuligem (KUTTLER, 2008). Sendo que os carros e motocicletas representam
a principal fonte de emissões de poluentes relacionados ao tráfego, em que as zonas
comerciais apresentam as maiores emissões de CO, hidrocarbonetos (HC) e COVs
(SONG et al., 2019).
Baseado em observações diárias entre o período de 1990 e 2014, em Wuhan
na China, Wang et al. (2019c) relacionaram o aumento das concentrações de
poluentes atmosféricos à acidificação da precipitação, e Zhang et al. (2017)
observaram os menores valores de pH durante o inverno por conta das maiores
concentrações de poluentes atmosféricos. Além disso, a exposição pessoal a
elevadas concentrações de poluentes atmosféricos, reflete no aumento dos
marcadores de inflamação respiratória e sistêmica, além de prejudicar a função
vascular e aumentar a pressão arterial, atuando negativamente na qualidade de vida
da população (MADUREIRA et al., 2019).
2.2.1 Clima Urbano
Os processos físicos e fenômenos presentes na atmosfera urbana estão
sujeitos a diversas forçantes, influências e sistemas de controles, diretamente
25
relacionados a natureza encontrada nestes ambientes, os quais alteram as
propriedades da cobertura superficial urbana (OKE et al., 2017). Com isso, além do
efeito de ICU já citado, os ambientes urbanos estão sujeitos a eventos de ondas de
calor mais intensos e frequentes, relacionados diretamente com a ICU (RIZVI; ALAM;
IQBAL, 2019).
O principal impacto das ondas de calor são pautadas pelo estresse térmico,
porém estas também intensificam a diminuição da qualidade do ar, pois se formam
por um sistema de alta pressão permanente atuante sob uma região por vários dias,
acompanhada de subsidência em larga escala da camada limite, céu limpo e ventos
fracos, suprimindo substancialmente a dispersão de poluentes atmosféricos e
potencializando a formação do ozônio (O3) troposférico (CHENG et al., 2019a;
TRESSOL et al., 2008; WU et al., 2019b).
O sistema de estabilidade característico das ondas de calor e potencializados
pela ICU, favorecem o desenvolvimento da inversão térmica. Este é um fenômeno
comum próximo a superfície em áreas urbanas e vales, regiões montanhosas,
caracterizado quando o gradiente de temperatura potencial é positivo (WHITEMAN,
1982; 2000; OKE, 1995; KUTTLER, 2008; RENDÓN et al., 2014).
Comparando-se a temperatura e umidade relativa do ar entre as classes
urbanas e rurais, a umidade relativa possuiu padrão inverso ao da temperatura, sendo
a maior relação negativa observada principalmente em casos de ICU intensos (YANG
et al., 2020).
A partir de um estudo de revisão, Orru, Ebi, e Forsberg (2017) verificaram que
devido às mudanças climáticas e o consequente aumento da temperatura superficial,
a mortalidade por O3 troposférico e partículas finas deve aumentar no mundo. Além
disso, é válido destacar a potencialização das emissões em ambientes mais quentes
de Material Particulado com diâmetro aerodinâmico inferior a 2,5 µm (MP2,5), e dos
precursores do O3, por conta da maior necessidade de geração de energia elétrica por
meio de combustão para alimentar os sistemas de resfriamento urbanos. Com isso,
as altas temperaturas e maior disponibilidade de precursores aumenta as taxas de
formação de O3 (KINNEY, 2018).
A maior parte da energia consumida nas áreas urbanas são para alimentar os
sistemas de resfriamento/aquecimento dos ambientes (GAGO et al., 2013). Neste
26
sentido, pesquisas concluem que parques e espaços verdes auxiliam na mitigação do
efeito da ICU e, consequentemente na redução do consumo de energia para
refrigeração dos edifícios no verão (GAGO et al., 2013; PAPPACCOGLI et al., 2020).
Esse fato é confirmado por Wang et al. (2019a), onde cidades dos Estados
Unidos, apresentaram taxas de resfriamento de 1,336 °C por conta da cobertura de
árvores, tratando-se de um importante serviço ecossistêmico para o ambiente urbano.
Além de promoverem o resfriamento do ar, resultados obtidos por simulações
matemáticas indicam que a vegetação é capaz de filtrar grande parte dos poluentes
atmosféricos e, assim, contribuir com a melhoria da qualidade do ar urbano (WU et
al., 2019a).
Susca, Gaffin e Dell’Osso (2011) avaliaram os efeitos da vegetação utilizando
abordagem multiescala (urbana e das construções) e identificaram, a partir do
monitoramento da ICU em quatro pontos de Nova Iorque, Estados Unidos, uma
redução média de 2,0 ºC entre as áreas mais e menos vegetadas. A nível de
microescala, analisaram os albedos das superfícies e identificaram que a utilização
de telhados verdes são capazes de diminuir a intensidade da utilização de energia
elétrica para resfriamento no verão.
Li e Norfordo (2016) mostram que a implantação de vegetação, em Cingapura,
pode reduzir a temperatura do ar próximo à superfície em mais de 1 °C durante à noite
podendo chegar até 2 °C, no oeste da cidade. Este trabalho também mostrou que o
maior fluxo de calor latente e menor armazenamento de calor, durante o dia pela
vegetação, são os principais fatores que contribuem para o menor fluxo de calor
sensível, e consequente menor temperatura do ar próximo à superfície (LI;
NORFORD, 2016).
A utilização dos telhados verdes em simulações para a região metropolitana
de Chicago, Estados Unidos, demonstrou redução da temperatura diurna do telhado
de 1,0 ºC, com 25% de cobertura verde no telhado, e 3,0 °C no pico de temperatura,
considerando 100% de telhado verde. Em contrapartida, essas estruturas verdes
aumentaram o atrito do vento com as estruturas urbanas, refletindo na diminuição dos
componentes vertical e horizontal do vento, dificultando a dispersão horizontal dos
poluentes atmosféricos (SHARMA et al., 2016).
27
2.3 ZONAS CLIMÁTICAS LOCAIS
Buscando-se melhorar os resultados obtidos pelas simulações matemáticas
alguns estudos sugerem a utilização das ZCLs, onde aplicações recentes
demostraram a promissora utilização como uma ferramenta para modelagem climática
regional e da qualidade do ar de cenários futuros (CHING et al., 2018; SHI et al., 2019;
MARTILLI; KRAYENHOFF; NAZARIAN, 2020). Esta metodologia foi desenvolvida por
Stewart e Oke (2012) com o intuito de aprimorar os resultados obtidos nos estudos
sobre os fenômenos de ICU e mudanças climáticas. A representação das classes de
ZCLs é apresentada na Figura 1.
É importante salientar que a modelagem atmosférica utilizando o produto das
ZCLs como uma das entradas, em geral, obteve resultados melhores em simulações
do clima urbano se comparadas as utilizando descrições de superfícies padrão
(BECHTEL et al., 2019). Neste sentido, Alexander, Mills, e Fealy (2015) realizaram
em seu estudo a utilização dos dados de ZCL para execução de um modelo de
balanço energético urbano, os dados utilizados para as simulações foram derivados
do esquema de classificação ZCL e de uma estação de monitoramento meteorológico
localizada fora da área urbana. Estes obtiveram boa concordância entre os dados
simulados e os observados.
Franco et al. (2019) realizaram um estudo para a Região Metropolitana de São
Paulo (RMSP) com o intuito de analisar o efeito da classificação das ZCLs em
simulações do modelo de transporte químico de O3. Os autores obtiveram como
resultado que a utilização das ZCLs representa melhor as variáveis meteorológicas,
especialmente a velocidade do vento, porém o mesmo comportamento não foi obtido
para as concentrações superficiais de O3, uma vez que as simulações envolvendo o
comportamento dos poluentes atmosféricos são sensíveis aos processos na
microescala urbana.
Um estudo realizado em Madri, Espanha, explorou o potencial da utilização
dos dados das ZCLs no WRF, incorporando o esquema BEP+BEM e comparando os
dados de cobertura do solo CORINE (Coordination of information on the environment)
aos da ZCL. Foi identificado que classes iguais de ZCL apresentaram microclimas
distintos, dependo da localização e características ao redor. Em geral, o esquema de
28
ZCL melhorou o desempenho do modelo, se comparado ao CORINE, em representar
a temperatura superficial do ar (BROUSSE et al., 2016).
Para simulações utilizando o WRF na cidade de Szeged, Hungria, os autores
obtiveram que o esquema de dossel de camada única e o banco de dados estático,
utilizando a ZCL, foi capaz de representar a variação espaço-temporal da temperatura
do ar próximo à superfície e a intensidade da ICU (MOLNÁR; GYÖNGYÖSI; GÁL,
2019). Além disso, eles analisaram o fluxo de calor do solo, concluindo que o fluxo
noturno de calor no solo foi cerca de cinco vezes maior nas ZCLs urbanas, se
comparada às zonas rurais, resultando na redução do potencial de resfriamento nas
áreas urbanizadas.
Cardoso e Amorim (2018) estudaram as ICU’s na cidade de Presidente
Prudente/SP, analisando os efeitos da morfologia urbana e da cobertura da superfície,
utilizando as ZCLs, para avaliar os efeitos relacionados à intensidade da ICU. Os
resultados confirmaram a existência de ilhas de calor intraurbanas com diferentes
intensidades entre as classes das ZCLs. Martilli, Krayenhoff e Nazarian (2020)
sugerem que ao invés de avaliar a diferença de temperatura entre a áreas urbanas e
rurais (ICU), sejam feitas análises das diferenças de temperatura entre as áreas
urbanas de classes ZCL diferentes. Porque isto pode ajudar a determinar quais
configurações devem ser escolhidas para futuros desenvolvimentos urbanos, e quais
estratégias de mitigação do calor urbano são mais adequadas para cada tipo de zona
urbana em um determinado contexto geográfico e climático (ANJOS et al., 2020).
29
FIGURA 1 – Representação das classes de ZCLs.
Fonte: Adaptado de Stewart e Oke (2012).
30
2.4. INFRAESTRUTURAS VERDES
A temperatura superficial é inversamente relacionada com o índice de
vegetação por diferença normalizada e índice de água por diferença normalizada
(SIQI; YUHONG, 2020). Neste sentido, as IV são comprovadamente eficazes na
mitigação do aquecimento urbano (LIU; CHEN; PENG, 2014; WANG et al., 2019d; SHI
et al., 2020).
É válido destacar que aumentar em 10% a cobertura verde (árvores em
parques e calçadas) é a melhor estratégia de adaptação para amenizar o
superaquecimento das áreas urbanas (WANG et al., 2021). Além disso, a
implementação das IV tem efeito direto na mitigação dos processos de inundações
urbanas pois aumenta as áreas permeáveis o que consequentemente reduz o
escoamento superficial (LIU; CHEN; PENG, 2014).
Em uma análise das paredes e fachadas verdes, diretas e indiretas,
Galagoda, et al. (2018) avaliaram o desempenho térmico, UR e concentração de CO2.
Se comparado à parede nua, a UR teve aumento de até 1,81% no valor médio, e
0,63% de redução das concentrações médias de CO2 em medições realizadas a 10
cm dessas IV. A máxima redução da temperatura, em relação ao sistema controle
(parede nua), foi obtido com a utilização das paredes verdes (8,0 ºC).
Shi, et al. (2020) por meio de medição in loco e simulações numéricas,
obtiveram que o efeito de resfriamento, combinando vegetação + corpos hídricos (IV),
foi em média 3,3 ºC maior do que a soma do efeito de resfriamento isolado de cada
IV. A comparação foi realizada para diferentes usos de ocupação do solo, entre eles
floresta, gramado e pavimento impermeável, com e sem a presença de corpos
hídricos.
O parque urbano é capaz de regular o ambiente quente e frio em zonas
urbanas adjacentes, resultando em melhorias de conforto térmico e economia de
energia. Entre as IV urbanas (corredor verde, telhado verde e bosque) o corredor
verde resultou no melhor desempenho na regulação do microclima e economia de
energia, pois apresentou maior decréscimo na temperatura média diária no verão e
aumento na temperatura média diária no período do inverno (WANG et al., 2019d).
31
Rafael et al. (2019), a partir de simulações numéricas, obtiveram como
resultados que a implementação de parques urbanos promoveu a redução das
concentrações de poluentes atmosféricos em cerca de 16 % e 19 % para MP10 e NOx,
respectivamente. Neste sentido, a implementação estratégica de vegetação nas
cidades tem potencial para contribuir de forma importante para a melhoria da
qualidade do ar e sustentabilidade dos ambientes urbanos.
32
3. MATERIAIS E MÉTODOS
3.1 DESCRIÇÃO DA ÁREA DE ESTUDO
O estudo refere-se à área urbana da RML localizada no norte do estado do
Paraná, sul do Brasil (Figura 2). A RML é constituída pelos municípios de Londrina,
Pitangueiras, Ibiporã, Cambé, Bela Vista do Paraíso, Primeiro de Maio, Rolândia,
Sabáudia, Sertanópolis, Tamarana, Porecatu, Assaí, Jataizinho, Alvorado do Sul,
Jaguapitã, Florestópolis, Arapongas, Centenário do Sul, Guaraci, Lupionópolis, Prado
Ferreira, Miraselva, Rancho Alegre, Sertaneja e Uraí, abrangendo área aproximada
de 7,44 mil km². A população estimada é de 1,10 milhões de habitantes representando
9,71 % da população do estado do Paraná (IBGE, 2019).
FIGURA 2 - Área de estudo.
Fonte: Autoria própria (2020).
33
De acordo com a classificação climática de Köppen (1918), a RML está dentro
do limite climático Cfa caracterizando-se por temperaturas médias superiores a 22 °C
no verão e precipitação acumulada mensal superior a 30 mm no período de inverno.
Segundo análise apresentada por Larocca, Cardoso, e Angelis (2017), esta
região passou por rápido crescimento populacional, devido a acelerada expansão das
lavouras de café, na década de 1970. O processo de planejamento expansivo da
cidade de Londrina foi prejudicado pois não possuía infraestrutura para comportar o
desenvolvimento, refletindo em processos de ocupação desordenados, bem como a
existência de densidades desiguais de ocupação (POLIDORO; TAKEDA; BARROS,
2009). Atualmente a cidade de Londrina possui 1.645 indústrias onde trabalha 14%
da população economicamente ativa, e a indústria alimentícia é o segmento com mais
unidades no município, com 306 empreendimentos (Caderno Estatístico do Instituto
Paranaense de Desenvolvimento Econômico e Social, IPARDES, 2020).
A RML é uma das regiões de estudo propostas no projeto intitulado como
“Qualidade do ar, clima e urbanização em regiões do sul e sudeste do Brasil” (CNPq,
2018, processo 436466/2018-0), da qual o presente trabalho está inserido. Trata-se
da área onde residem os acadêmicos, professores e pesquisadores que compõem o
Programa de Pós-Graduação em Engenharia Ambiental, no qual este trabalho está
sendo desenvolvido, necessitando compreender melhor o ambiente no qual estão
inseridos e fornecer informações à sociedade da região.
3.2 PERÍODO DE ESTUDO
A determinação do período de estudo consiste em pré-estabelecer épocas
diferentes ao longo de um espaço temporal de acordo com o objetivo do estudo. Um
aspecto a ser considerado são as condições atmosféricas, como a ocorrência de
precipitação, cobertura de nuvens e a umidade relativa do ar. Um dos principais
processos de remoção natural dos poluentes atmosféricos é via deposição úmida e
uma das finalidades é simular condições com maiores concentrações. Essas
condições são observadas frequentemente no inverno devido as características
climáticas da região (ANDRADE et al., 2015; VARA-VELA et al., 2016; MORAIS et al.,
2017a; RAFEE et al., 2017).
34
Outro aspecto relevante na escolha do período de estudo é a disponibilidade
de dados meteorológicos e de qualidade do ar observados na região. Esses dados
são fundamentais para a etapa de avaliação de desempenho do modelo nas
simulações, e são obtidos por estações fixas operadas sob responsabilidade de
órgãos federais, estaduais e/ou municipais.
A Figura 3 apresenta a localização das estações consideradas neste estudo,
entre elas a estação meteorológica automática instalada nas dependências do
Instituto Agronômico do Paraná (IAPAR) e mantida pelo Sistema de Tecnologia e
Monitoramento Ambiental do Paraná (SIMEPAR) e IAPAR, a estação UTFPR,
localizada nas dependências da Universidade Tecnológica Federal do Paraná e a
estação de qualidade do ar gerenciada pelo Instituto Água e Terra (IAT) que entrou
em operação em 2017. É válido salientar que o município de Londrina possui outras
estações meteorológicas, porém estas não disponibilizam os dados publicamente ou
são estações meteorológicas convencionais, o que inviabilizou a utilização destas
informações neste estudo.
FIGURA 3 – Estações meteorológicas e de qualidade do ar de Londrina.
Fonte: Autoria própria (2020).
35
A especificação do período de estudo foi feita de maneira visual, a fim de
encontrar um período que atendesse as especificações supracitadas, ou seja, não
houvesse registro de precipitação e com a existência de pouca, ou nenhuma,
nebulosidade. Neste sentido, determinou-se para Londrina o período de 6 a 16 de
setembro de 2017, é importante destacar que durante este intervalo a estação UTFPR
apresentou falhas as quais inviabilizaram a utilização dos dados medidos neste local.
Para o período, a umidade específica média foi de 6,5 g.kg-1 (32,90% - umidade
relativa média) e a temperatura média de 26,8 °C, para a estação IAT. Ainda nesta
mesma estação, registrou-se concentração média dos poluentes atmosféricos de 72,7
µg.m-3 para O3 e MP10 de 55,2 µg.m-3. A Figura 4a apresenta a evolução temporal dos
valores horários médios de temperatura e umidade específica para o período, obtidos
na estação IAT.
Na Figura 4a é observada a assimetria no padrão de aquecimento e
resfriamento da camada de ar superficial, de acordo com Wang et al. (2017) a
urbanização altera significativamente o balanço energético do sistema climático,
podendo-se observar o rápido aquecimento do ar até atingir a temperatura média
máxima diária, porém o processo de resfriamento, até aproximar-se da temperatura
média mínima, é menos intenso. Com assimetria mais acentuada nos eventos de ICU.
As concentrações dos poluentes atmosféricos (Figura 4b) são inversamente
proporcionais à umidade específica, ou seja, quanto menor a umidade específica
maior as concentrações dos poluentes, pois desfavorece o processo de deposição
úmida. Com base na CONAMA 491/2018, as concentrações de O3 e o MP10
ultrapassaram 08 dias os valores estabelecidos na legislação para o período
determinado, tendo em conta os padrões finais de qualidade do ar, 100 µg.m-3 a média
móvel de 8 horas e 50 µg.m-3 a média de 24 horas, para O3 e MP10, respectivamente
(CONAMA, 2018).
36
FIGURA 4 - Variáveis a) meteorológicas e b) concentrações de poluentes atmosféricos para a estação IAT.
Fonte: Autoria própria (2021).
3.3 DESCRIÇÃO DO MODELO WRF-CHEM
Para realização do trabalho utilizou-se o modelo Weather Research and
Forecasting with Chem versão 4.1.5 (GRELL et al., 2005; SKAMAROCK, et al., 2019).
É um modelo multi-escala, não hidrostático e euleriano, possuindo tempo e espaço
fixados, desenvolvido para pesquisa e operação, que envolvem a previsão do tempo
acoplado à química (GRELL et al., 2005; MOTTAGHI; GABBAI; BENAROYA, 2020).
O modelo foi desenvolvido em cooperação entre The National Center for Atmospheric
Research (NCAR) e diversas instituições de ensino e pesquisa, disponibilizado
livremente em http://www2.mmm.ucar.edu/wrf/users/download/get_source.html.
O modelo calcula concomitantemente o transporte das espécies químicas,
utilizando o núcleo dinâmico Advanced Research WRF (ARW) com fluxo conservativo
para as variáveis conservativas, e não conservativo para pressão e temperatura, de
acordo com as predeterminações (GRELL et al., 2005).
37
O modelo é dividido em pré-processamento (WRF Pre-processing System
(WPS)), processamento (WRF) e pós-processamento, conforme apresentado por
Morais e Guerrero (2018) e Skamarock et al. (2019). O pré-processamento é
composto por um conjunto de programas dependentes, os quais preparam e
interpolam dados geográficos estáticos e forçantes atmosféricas globais, em
coordenadas pré-estabelecidas nas grades do modelo:
• Geogrid: define os limites físicos da simulação e estabelece um conjunto
de campos estáticos terrestres para a grade do modelo;
• Ungrib: descompacta os dados meteorológicos obtidos em formato GRIB
(1 ou 2), criando pacotes simples de arquivos em formato binário;
• Metgrid: interpola horizontalmente e verticalmente os dados
meteorológicos intermediários extraídos na etapa anterior para os limites pré-
estabelecidos no “geogrid”.
O processamento é dividido em dois programas de inicialização. O primeiro
programa é decomposto em duas principais classes: a primeira considera a
inicialização ideal (casos idealizados) e a segunda contempla a inicialização real
(utilização de dados reais) empregando comumente os dados gerados no WPS, sendo
este o considerado neste estudo. Após a execução do programa de inicialização são
criadas as condições iniciais e de fronteira, que são utilizados na próxima etapa. O
segundo programa trata-se da execução do modelo, onde são realizadas as
integrações de acordo com o que foi definido pelo usuário.
Por fim, o pós-processamento permite a conversão das saídas do modelo no
formato binário possibilitando a visualização por meio de aplicativos gráficos, bem
como a elaboração de figuras e tabelas com os dados e variáveis prognósticas de
interesse.
3.3.1 Configurações do modelo
Para realizar as simulações o modelo foi configurado com dois domínios
aninhados, centralizados em Londrina, coordenadas 23,30°S e 51,10°O (Figura 5).
38
FIGURA 5 - Domínios da área de estudo para RML.
Nota: d01, d02 e d03 são a denominação dos domínios de maior para menor espaçamento entre
pontos. Fonte: Autoria própria (2020).
As configurações dos domínios das grades para a região são apresentadas
na Tabela 1.
TABELA 1 - Configurações dos domínios do modelo para RML.
Domínio Espaçamento entre os pontos
(km)
Número de pontos Níveis verticais
X Y
d01 9 100 80
33 d02 3 88 70
d03 1 76 58
Fonte: Autoria própria (2019).
39
Outra informação importante trata-se do topo da atmosfera nas simulações, o
qual está a aproximadamente 20 km de altura correspondendo a aproximadamente
50 hPa (RAFEE, 2015).
Para as condições iniciais dos campos meteorológicos requeridas pelo
modelo, utilizou-se os dados das análises realizadas pelo National Centers for
Enviromental Prediction (NCEP), sendo as variáveis representadas pelo modelo
Global Data Assimilation System (GDAS) acrescido de dados observacionais, o qual
denomina-se GDAS/Final (GDAS/FNL). Estes dados são disponibilizados no espaço
temporal de seis horas e resolução horizontal de 0,25° x 0,25° em 26 níveis verticais.
As simulações foram inicializadas para o mês de setembro de 2017 às 00 UTC
do dia 06 e finalizadas às 00 UTC do dia 16 (240 horas simuladas) com saídas
horárias. As 24 horas iniciais foram descartadas da análise (MEDEIROS et al., 2017;
RAFEE et al., 2017; VARA-VELA et al., 2016) para evitar o efeito de spin-up, que
consiste no tempo necessário para que o modelo ajuste as condições iniciais das
variáveis.
Conforme já citado, o modelo utiliza parametrizações para resolver
numericamente as interações do sistema, com isso para determinar as
parametrizações utilizou-se como referência resultados de estudos realizados
regionalmente com o modelo WRF-Chem. Após analisar trabalhos para a RMSP,
utilizou-se parametrizações similares às utilizadas nestes estudos (HOSHYARIPOUR
et al., 2016; VARA-VELA et al., 2016; GAVIDIA-CALDERÓN et al., 2018; FRANCO et
al., 2019), e apresentadas na Tabela 2.
40
TABELA 2 – Parametrizações utilizadas nas simulações realizadas para a RML.
Processos Parametrização Referência
Físicos
Radiação de Onda Longa Novo esquema do Goddard
CHOU e SUAREZ, 1999; CHOU et al. 2001 Radiação de Onda Curta
Camada superficial MM5 Revisada JIMÉNEZ, et al. 2012 Superfície da Terra Noah unificada TEWARI, et al. 2004
Camada limite planetária YSU HONG; NOH; DUDHIA,
2006 Microfísica Purdue Lin CHEN e SUN, 2002
Superfície Urbana BEP MARTILLI, CLAPPIER, e
ROTACH, 2002 Químicas
Mecanismo químico RADM2
MADE/SORGAN
STOCKWELL et al. 1990; ACKERMANN et al. 1998;
Schell et al. 2001
Fotólise Madronich (TUV) MADRONICH, 1987
Condições iniciais e de fronteira
Química MOZART EMMONS et al. 2010 Emissões Biogênicas MEGAN GUENTHER et al. 2012
Fonte: Autoria própria (2020).
3.3.1.1 Esquemas físicos
Os modelos de transferência radiativa atmosférica calculam a transferência
de radiação eletromagnética através da atmosfera planetária. Neste sentido, o novo
esquema do Goddard das radiações de onda curta e longa foram utilizados neste
trabalho, para radiação de onda curta esta parametrização considera a extinção da
radiação por vapor d’água, ozônio, oxigênio, dióxido de carbono, aerossóis, dispersão
Rayleigh e nuvens (CHOU, 1990; CHOU, 1992; CHOU; LEE, 1996; ZHONG et al.,
2016). Para a radiação de onda longa é tido como um dos mais representativos nas
simulações de temperatura, porém não é observado o mesmo para previsões que
envolvam precipitações (CHOU; SUAREZ, 1999; STERGIOU et al., 2017)
Nos parâmetros de superfície, a acurácia em prever a CLP depende
diretamente da parametrização de camada superficial, a qual é comumente baseada
na Teoria da Similaridade de Monin – Obukhov (CHEN; DUDHIA, 2001). Os esquemas
de superfície representam os efeitos da superfície subjacente calculando fluxos de
calor latente e sensível. Mais especificamente, estes esquemas calculam o atrito e
demais coeficientes de troca que fornecem bases para estimar os fluxos de calor e
41
umidade da superfície no modelo da superfície terrestre e o estresse da superfície no
esquema CLP (CHEN; DUDHIA, 2001; QIAN et al., 2016).
Neste sentido, a parametrização 5th-generation Mesoescale Model (MM5) da
camada superficial trata-se de um sistema de modelagem em mesoescala que inclui
modelos físicos avançados (CHEN; DUDHIA, 2001), usando funções de estabilidade
que permitem calcular coeficientes de troca de calor, umidade e momento superficiais
(FRANCO, 2020). Utilizou-se neste trabalho a parametrização MM5 revisada, em que
foram introduzidas um conjunto de modificações a fim de fornecerem funções de
similaridade mais adequadas para simular a evolução da camada de superfície sob
fortes condições estáveis, como também para reduzir ou suprimir limites a certas
variáveis a fim de evitar efeitos indesejados (JIMÉNEZ et al., 2012). Essas
modificações levam a uma formulação mais consistente da camada superficial
abrangendo toda a gama de estabilidades atmosféricas.
O modelo de representação para a superfície terrestre, elaborado pela NOAA,
é capaz de prever infiltração, interação entre umidade e água subterrânea do solo,
fenologia da vegetação e o balanço energético da copa das vegetações (NIU et al.,
2011). O esquema YSU da CLP, é um esquema não local de primeira ordem, o qual
baseia-se na teoria da difusão molecular, e a difusividade vertical dentro da CLP é
calculada usando a altura da CLP juntamente com a relação do número de Prandtl
(HONG; NOH; DUDHIA, 2006; WANG et al., 2019b).
Os esquemas microfísicos são capazes de representar os espectros de
tamanho de cada categoria de hidrometeoros, formulando as equações prognósticas
para os momentos da função distribuição (LI; WANG; ZHANG, 2008). A
parametrização de microfísica Purdue Lin, desenvolvido por (CHEN; SUN, 2002),
trata-se de um modelo unidimensional no tempo, baseado na parametrização
desenvolvida por Lin et al. (1983) e Rutledge e Hobbs (1984), considerando seis
classes de hidrometeoros (vapor d’água, nuvens constituídas por água líquida ou gelo,
neve, chuva e graupel) (RAJEEVAN et al., 2010; EFSTATHIOU et al., 2013).
42
3.3.1.1.1 Building Effect Parameterization
O Building Effect Parametrization (BEP) é um modelo de cobertura urbana
acoplado ao modelo de superfície terrestre, fornecendo o conjunto de opções a serem
selecionadas para o domínio de estudo com o intuito de obter-se informações das
interações entre a superfície urbana e a atmosfera (CHEN et al., 2011; DE LA PAZ;
BORGE; MARTILLI, 2016; GOHIL; JIN, 2019). O módulo considera o impacto das
superfícies horizontais, e verticais, na velocidade do vento, temperatura potencial e
energia cinética turbulenta, bem como considera os efeitos de sombreamento
produzidos pelos constituintes urbanos (MARTILLI; CLAPPIER; ROTACH, 2002).
O esquema foi desenvolvido por Martilli, Clappier e Rotach (2002), e
apresentam como os eventos mais importantes no fluxo do ar:
• Presença de uma intensa camada de cisalhamento no topo do dossel.
Nesta região a média da energia cinética do fluxo é convertida em energia cinética
turbulenta;
• Desenvolvimento da difusão. As ondas turbulentas geradas por
elementos de rugosidade misturam e difundem de maneira eficiente o momento, calor,
umidade e outros poluentes;
• Arrasto devido a edifícios por conta das diferenças de pressão na
rugosidade individual dos elementos;
• Aquecimento/Resfriamento diferencial de superfícies
iluminadas/sombreadas pelo Sol, e os efeitos de absorção e armazenamento de
energia nos edifícios, influenciando nos efeitos de ICU.
De acordo com Morais (2010), cada classe do dossel urbano caracteriza-se
por agrupar homogeneamente as estruturas urbanas considerando-se mesma largura
(B), separados à mesma distância (cânion de largura W), e alturas (Z) variadas (Figura
6). Os parâmetros do dossel urbano, necessários para esta parametrização, foram
obtidos a partir de documentos fornecidos juntamente ao processo de elaboração da
ZCL no sítio online do World Urban Database and Access Portal Tools (WUDAPT).
43
FIGURA 6 - Representação esquemática da grade numérica no módulo urbano.
Nota: iu é a face das células da grade vertical do modelo urbano; IU é o centro das células da grade vertical do modelo urbano; γ(Ziu) é a densidade de construções com altura Ziu; e Γ(Ziu) é a densidade
de construções com altura ≥ Ziu. Fonte: Martilli, Clappier e Rotach (2002).
3.3.1.2 Esquemas químicos e de fronteira
Na atmosfera real, os processos químicos e físicos são acoplados, uma vez
que parâmetros químicos afetam fatores meteorológicos mutuamente, e os esquemas
químicos são calculados baseando-se nas mesmas coordenadas verticais e
horizontais (GRELL et al., 2000; 2005).
Nesse sentido, o mecanismo RADM2 é um mecanismo capaz de representar
a foto oxidação em fase gasosa. Este mecanismo foi desenvolvido por Stockwell et al.
(1990) e utiliza uma técnica de agrupamento de moléculas com base em que os
compostos orgânicos semelhantes são agrupados em diferentes categorias,
considerando-se 63 espécies químicas e 136 reações na fase gasosa (BALZARINI et
al., 2015; GRELL et al., 2005; MIDDLETON; STOCKWELL; CARTER, 1990).
Juntamente com o MADE/SORGAN, que possibilita a obtenção das concentrações
dos aerossóis (BALZARINI et al., 2015; YANG; KANG; JI, 2018).
A radiação eletromagnética solar nas faixas de comprimento de onda
ultravioleta e visível induzem reações químicas direta, em que a radiação solar
adiciona energia de ativação necessária para transformar substâncias químicas, e
indiretamente, no qual o processo que ocorre em uma substância intermediária é
energizada, transferindo energia para outra substância química (VALLERO, 2008).
Essas reações são importantes para a química atmosférica, e nas áreas poluídas a
44
capacidade de oxidação é amplamente controlada pela fotólise das principais
espécies, como NO2 e O3, que produzem os radicais OH, NO e O(3P). As constantes
da taxa de fotólise são dependentes dos fluxos actínicos, que por sua vez dependem
da fração e absorção das nuvens e da dispersão pelas camadas e gases dos
aerossóis, bem como pela variedade de parâmetros meteorológicos (SOKHI;
BAKLANOV; SCHLÜNZEN, 2018).
O esquema de fotólise, desenvolvido por Madronich (1987), considera 140
comprimentos de onda entre 121 e 750 nm para o cálculo da fotólise no Tropospheric
Ultraviolet and Visible (TUV), o qual trata-se de um modelo de transferência de
radiação de última geração, amplamente utilizado pela comunidade científica. Este é
capaz de calcular a irradiância espectral, o fluxo actínio espectral e as taxas de
fotodissociação (TIE et al., 2003).
Para as condições de contorno das variáveis químicas foi utilizado o
MOZART, que é um modelo off-line de transporte químico global adequado para
estudos da troposfera, sendo seu produto frequentemente usado para obtenção das
condições de contorno em modelos regionais de transporte de produtos químicos
(EMMONS et al., 2010; PFISTER et al., 2011).
O Model of Emissions of Gases and Aerosols from Nature (MEGAN)
desenvolvido por Guenther et al. (2012) é usado para os dados bioquímicos iniciais,
em que os tipos de vegetação são classificados em quatro categorias (árvores de folha
larga, árvores de folhas agulhas, arbustos e herbáceas/culturas/pastagens), sendo
estes dados de vegetação obtidos por meio de sensoriamento remoto com diferentes
resoluções (GUENTHER et al., 2006). Esse modelo calcula as emissões dos
ecossistemas terrestres com resolução espacial de 1 km², considerando todos os
processos de emissões naturais com significância na composição atmosférica (KHAN
et al., 2019).
3.3.2 Zonas Climáticas Locais
A utilização das ZCLs é capaz de fornecer informações sobre as superfícies
urbanas, o que possibilita a parametrização BEP melhorar a representação dos fluxos
turbulentos de momento distribuídos verticalmente (FRANCO et al., 2019). Neste
45
aspecto, Lo et al. (2007) apresentam que um preciso conjunto de dados e
parametrizações adequadas para o solo urbano são críticos para que o modelo de
mesoescala capture as principais características do efeito da ICU.
Para a região do estudo ainda não há disponível a digitalização das áreas de
treinamento validadas pelo WUDAPT, com isso foi necessário determinar estas áreas
de acordo com o conhecimento prévio da área de estudo. Para a obtenção dos dados
foi utilizada a técnica de classificação supervisionada, e o método do vizinho mais
próximo. Inicialmente determinou-se áreas de treinamento por meio de polígonos que
possibilitaram identificar os tipos de ZCLs utilizando o software Google Earth Pro, em
seguida as áreas identificadas foram exportadas para o software SAGA GIS que
identificou as características espectrais em cada classe e extrapolou-as, considerando
individualmente cada pixel, obtendo-se a classificação de toda a imagem
multiespectral (APÊNDICE I; CASTILLEJO-GONZÁLEZ et al., 2009; BECHTEL;
DANEKE, 2012; STEWART; OKE, 2012; BECHTEL et al., 2015; CHING et al., 2018;
BECHTEL et al., 2019; SOBRINHO; MORAIS; MARTINS, 2019).
Os dados obtidos são do nível “0” o qual trata-se do nível de detalhamento
mais grosseiro da coleta de dados, porém fornecem informações abrangentes e
consistentes da cobertura superficial urbana baseado em processos
semiautomatizados. Estes métodos utilizam imagens de satélite multiespectrais do
satélite Landsat 8 (CONRAD et al., 2015).
É válido salientar que a reprodução das áreas urbanas se dá pela
classificação categorizada, em que cada categoria de ZCL está associada a uma faixa
de valores típicos para os principais descritores da superfície urbana (parcela da
superfície que não possui vegetação natural, capacidade calorífica, condutividade
térmica, albedo e emissividade da superfície, parede do edifício, rugosidade do solo e
telhado, altura e largura das construções, largura e direção das ruas) (CHING et al.,
2018; FRANCO, 2020).
3.3.3 Inventário de emissões antropogênicas
O inventário de emissões antropogênicas compreende as fontes móveis e
fixas, sendo considerado nas fontes móveis as emissões de todas as classes de
46
veículos automotores leves e pesados, e nas fontes fixas as usinas termelétricas,
refinarias, cimenteiras e indústrias de papel e celulose. Estes setores estão sendo
considerados pela existência de um inventário de emissões previamente construído
para o Brasil (KAWASHIMA et al., 2020). Para o processo de inserção destas
emissões no WRF-Chem necessita-se que sejam utilizados programas específicos
não disponibilizados juntamente ao modelo.
3.3.3.1 Emissões por fontes móveis
Para o cálculo das emissões de poluentes veiculares considerou-se as
estimativas do número e tipo de veículos, fatores de emissão e intensidade média de
uso dos veículos de acordo com metodologia adotada pela Companhia Ambiental do
Estado de São Paulo (CETESB) para emissões por escapamento (CETESB, 2013).
Esta metodologia também foi utilizada por Rafee et al. (2017), através da equação 1
para o cálculo do total emitido para cada poluente:
Ep(i,j) = ∑ veic(i,j)FEp,veicIveicNk=1 (1)
onde Ep(i,j), representa o total de emissão do poluente (g.dia-1); veic(i,j), o número total
de veículos, por tipo de veículo, em cada ponto da grade; FEp,veic, o fator de emissão
do poluente, por tipo de veículo (g.km-1); Iveic, a intensidade de uso, por tipo de veículo
(km.dia-1).
Para o cálculo das emissões veiculares inclui-se as contribuições individuais
de cinco tipos de veículos, considerando-se dados de estimativas veiculares do
Departamento Nacional de Trânsito (DENATRAN) para o ano de 2017 na cidade de
Londrina (DENATRAN, 2017). Dessa forma, estabeleceu-se a fração da frota veicular
por tipo de veículo e combustível consumido separadamente nas grades de estudos
para a região (Figura 7).
47
FIGURA 7 - Fração veicular circulante na cidade de Londrina.
Fonte: Autoria própria (2019).
Devido à falta de dados dos fatores de emissão (FE) para a região de estudo,
foram utilizadas os FE obtidos com base em experimentos realizados no interior de
túneis localizados na cidade de São Paulo (MARTINS et al., 2006; SANCHEZ-
CCOYLLO et al., 2009; BRITO et al., 2013). Apesar de serem resultados de outra
região de estudo, estes valores são considerados representativos para simulações
para Londrina e outras regiões do país (MARTINS, et al. 2016; MORAIS et al. 2017a;
RAFEE et al., 2017), pois o combustível utilizado no país tem as mesmas
especificações e as particularidades de idade, fração por tipo e por combustível são
considerados de acordo com a região de estudo (Figura 7). Já para as emissões de
material particulado (MP), NOx, CO e SO2, foram adotados os valores utilizados no
trabalho de Andrade et al. (2015) (Tabela 3).
TABELA 3 - Fatores de emissão para CO, NOx, MP e SO2 (g.km-1).
Tipo de Veículo Combustível CO NOx MP SO2
Veículos leves Gasolina 5,43 0,34 0,15 0,03
Etanol 12,00 1,12 0,15 0,01 Flex 5,13 0,32 0,15 0,02
Veículos pesados Diesel 4,95 9,81 0,44 0,61 Motocicletas Gasolina 9,15 0,13 0,05 0,01
Fonte: Andrade et al. (2015).
É válido salientar que além das emissões resultantes dos motores à
combustão, há as emissões evaporativas veiculares, decorrentes principalmente da
evaporação de combustível durante o abastecimento nos postos de combustíveis, nos
48
tanques, sistemas de armazenamento e permeação de combustível através das
paredes dos reservatórios (EPA, 2000). Por este motivo deve-se considerar
separadamente os FE dos COVs em exaustão, vapor e líquido para diferentes
combustíveis e tipos de veículos (Tabela 4). Além disso, é requerida a composição
dos COVs que são agrupados ou alocados em grupos nomeados especificamente de
acordo com o mecanismo químico utilizado. O fracionamento dos COVs utilizado é o
mesmo apresentado em Andrade et al. (2015) e utilizados em outros trabalhos, como
o de Rafee et al. (2017).
TABELA 4 - Fatores de emissão dos COVs (g.km-1).
Tipo de Veículo Combustível Exaustão Vapor Líquido
Veículos leves
Gasolina 1,24 0,17 2,00
Etanol 2,12 0,04 1,50
Flex 0,15 0,00 0,00
Veículos pesados Diesel 2,48 0,00 0,00
Motocicletas Gasolina 2,37 0,00 1,40
Fonte: Adaptado de Andrade et al. (2015).
Para representar a variabilidade temporal das emissões veiculares dos gases
traço e partículas foram estimadas os perfis diários, de acordo com as intensidades
de utilização de cada classe de automóvel a partir de dados apresentados em Krecl
et al. (2018) e dados de contagem (trechos e intersecções de ruas) obtidos do Instituto
de Pesquisa e Planejamento Urbano de Londrina (LONDRINA, 2017) (Figura 8).
49
FIGURA 8 - Distribuição temporal das emissões dos poluentes primários.
Fonte: Autoria própria (2019).
A distribuição do MP utilizada para o fracionamento do MP2,5 foi obtida com
base em trabalhos realizados para a região metropolitana de São Paulo, a partir de
medidas de concentração em massa e número (MIRANDA, 2001; YNOUE, 2004;
ALBULQUERQUE, 2005; OLIVEIRA, 2007) e utilizado nos trabalhos de Andrade et al.
(2015), Vara-Vela et al. (2015) e Rafee et al. (2017).
3.3.3.1.1 Intensidade de uso dos veículos.
Para a área de estudo, são poucas as informações referentes à intensidade
de uso veicular. Com isso, considerou-se como referências as estimativas do Segundo
Relatório do Inventário Nacional de Emissões Atmosféricas por Veículos Automotores
Rodoviários (MMA, 2013), DENATRAN e Agência Nacional de Petróleo (ANP). Neste
sentido, para calcular a quilometragem diária dos automóveis utilizou-se a Equação 2:
Ii =CixQi
Fri (2)
em que Ii, é a intensidade de uso por tipo de veículo tipo i (km.dia-1); Ci, é o consumo
médio de combustível do veículo tipo i (L.dia-1); Qi, é a quilometragem por litro de
combustível do veículo tipo i; Fri, é a frota em circulação no ano do veículo tipo i.
50
Tendo em vista a região de estudo, o consumo médio de combustível por tipo
de veículo foi obtido com base nos dados da ANP (ANP, 2017), em que para Londrina,
em 2017, os valores são cerca de 394.510 L.dia-1 e 96.304 L.dia-1 utilizados por
veículos movidos à gasolina e à etanol hidratado, respectivamente.
Para os automóveis e veículos comerciais leves os valores de quilometragem
por litro de combustível foram obtidos a partir de dados de frota (DENATRAN, 2017)
e do Segundo Relatório de Inventário de Emissões Atmosféricas por Veículos
Automotores Rodoviários (MMA, 2013) (Tabela 5).
TABELA 5 - Eficiência energética veicular (km.L-1).
Combustível Londrina
Gasolina 10,06 Etanol 10,06 Flex 10,06
Gasolina/Motocicletas 40,00
Fonte: Autoria própria (2020).
A intensidade de uso dos veículos movidos à diesel foi calculada com base
na média da quilometragem anual dos veículos (MMA, 2013), normalizado pela
participação das vendas de caminhões novos sendo 30%, 10% e 60% para caminhões
leves, médios e pesados, respectivamente. A Tabela 6 apresenta os valores
referentes às intensidades de uso para cada classe de veículos para a cidade de
Londrina.
TABELA 6 - Intensidade de uso por tipo de veículo (km.dia-1) para a região de estudo.
Tipo de veículo Londrina
Veículos leves 12,13 Veículos pesados 128,35
Motocicletas 72,14
Fonte: Autoria própria (2020).
3.3.3.1.2 Distribuição espacial das emissões
A espacialização do número de veículos em cada ponto da grade foi realizada
conforme Andrade et al. (2015) e Vara-Vela et al. (2016), tendo como base os dados
disponibilizados pelo OpenStreetMap (http://download.geofabrik.de/), em que se
obteve o arquivo das vias em formato shapefile (.shp) para a região de estudo.
51
Este arquivo foi importado para o software de geoprocessamento QGIS 2.2.0.
Em seguida, foi criada uma camada vetorial com dimensões e espaçamentos iguais
ao do domínio de interesse, e então recortado o arquivo inicial de vias apenas para os
limites espaciais da grade a ser simulada. Utilizando a ferramenta calculadora obteve-
se os comprimentos das vias em quilômetros, separando-as de acordo com as
classificações (Motorway, Trunk, Primary, Secondary e Tertiary).
O próximo passo consistiu em interceptar as vias com a camada vetorial
criada anteriormente e unir em cada ponto da camada vetorial os comprimentos das
vias de acordo com a localização. Por fim, calculou-se para cada ponto da camada
vetorial o somatório de todas as vias utilizadas na classificação, e criou-se a camada
vetorial com os centroides dos polígonos da camada vetorial.
Essas informações foram exportadas para um arquivo no formato Comma-
separated values (.csv) e, posteriormente lido por uma rotina em NCAR Command
Language (.ncl), a qual criou um arquivo contendo informações especializadas das
emissões de poluentes em cada ponto da grade, considerando o fluxo de automóveis
igual às emissões de poluentes na Figura 8.
3.3.3.2 Emissões por fontes fixas
As informações relacionadas às emissões por fontes fixas têm como base o
inventário realizado por Kawashima et al. (2020), abrangendo indústrias cimenteiras,
de papel e celulose, refinarias e termelétricas (alimentadas por diesel, carvão, bagaço
de cana, gás natural e óleo combustível). Foram utilizados, para termelétricas e
refinarias, o fracionamento dos COVs utilizado por Rafee et al. (2015; 2017). As
informações sobre o arquivo de entrada das emissões supracitadas e utilizadas no
modelo estão disponibilizadas no Apêndice III
52
4. DESCRIÇÃO DAS CONFIGURAÇÕES DAS SIMULACÕES
4.1. SIMULAÇÃO DE EFEITO DAS ZONAS CLIMÁTICAS LOCAIS
Foram realizadas simulações no WRF-Chem com e sem a implementação das
classes urbanas de ZCL para possibilitar a avaliação dos efeitos atmosféricos do uso
dessa classificação no desempenho do modelo. Assim, a primeira simulação utilizou
o uso de solo padrão, obtido por meio do Moderate-Resolution Imaging
Spectroradiometer (MODIS), e na segunda simulação acrescidas as classes urbanas
de uso do solo obtidas por meio da classificação das ZCLs realizada para a região,
denominada WUDAPT. Essa implementação visou melhor representar o uso de solo
urbano e seus efeitos na atmosfera.
Para as emissões antrópicas foram consideradas as emissões de fontes
veiculares e industriais, a fim de representar as condições médias do período de
estudo.
4.2 SIMULAÇÃO DE EFEITO DAS INFRAESTRUTURAS VERDES
A resolução espacial da classificação de uso do solo default não possibilita a
classificação de áreas com menores dimensões a exemplo de corpos hídricos e
pequenas áreas verdes urbanas. Com isso, além de melhorar a representação das
estruturas urbanas utilizando as ZCLs, foram identificadas as áreas superficiais do
lago Igapó I e II, responsáveis por mitigarem problemas de drenagem do Ribeirão
Cambezinho, (BORTOLO, 2011; SCALCO et al., 2013; LAROCCA; CARDOSO;
ANGELIS, 2017). Com o intuito de fornecer informações para projetos de
planejamento da área urbana e sua expansão, optou-se também em identificar e
ampliar cinco áreas verdes em regiões distribuídas homogeneamente na cidade,
possibilitando que além de contribuírem na mitigação dos efeitos de ICU, protejam e
preservem fundos de vale, corpos hídricos naturais e artificiais e sirvam como área de
lazer para a população (OLIVEIRA, ANDRADE, VAZ, 2011).
As áreas para ampliação dos parques urbanos foram propostas respeitando
o Uso e a Ocupação do Solo no Município de Londrina (LONDRINA, 2015), em regiões
53
com baixa densidade populacional e ocupações irregulares, a fim de que possibilite a
execução desse projeto pelos decisores públicos (OLIVEIRA, ANDRADE, VAZ, 2011).
Neste sentido, a identificação das áreas superficiais do lago Igapó I e II (representam
a maior parte da área real com água na região e aqui denominado apenas de Lago),
e das áreas verdes, ocorreu utilizando o software QGIS 3.12.2 (Figura 9). Para
possibilitar essa avaliação foi adicionada uma quarta grade aninhada com 106 pontos
em x e 79 em y, espaçados em 333,33 m (d04), e centralizada em 23,31°S e 51,16°O
(Figura 9).
FIGURA 9 – Localização da grade d04 e das IVs propostas.
Fonte: Autoria própria (2020).
De acordo com as classes do MODIS, determinou-se a utilização da classe
17 (água) para representação do lago, e os parques urbanos optou-se em utilizar a
classe que mais se aproxime da cobertura vegetal original da região. O município está
sob o bioma Mata Atlântica, formação florestal nativa Estacional Semidecidual (IBGE,
2004), porém o comportamento semidecidual da vegetação não é classificado pelo
MODIS, sendo utilizada a classe 2, representando Floresta Perene de Folha Larga.
54
A implementação das IV, transcorreu concomitante com a implementação das
classes ZCLs no arquivo .csv (APÊNDICE I), identificando as classes urbanas (31 a
40), e as IV (o lago urbano, classe 17) na simulação referência (SR), parques e lago
urbano (classe 2 e 17) na simulação denominada green scenario (GS). Como o
objetivo é verificar a contribuição das IVs nas variáveis meteorológicas no ambiente
urbano, e melhorar a representação das estruturas urbanas, as parametrizações
químicas foram desativadas nessas simulações, e o esquema BEP ativado apenas
nas grades d03 e d04 pelo fato de possuírem melhor resolução espacial, e demandar
menor tempo computacional.
Para a verificação da contribuição das IVs, inicialmente foi realizada uma
simulação apenas utilizando as classes urbanas de ZCL (WUDAPT), por seguinte com
a identificação do lago (SR), e por fim considerando a implementação dos parques
urbanos (GS). É válido salientar que uma pequena área com vegetação do Parque 1
(2,2 km²) foi identificada e considerada em ambas as simulações, pois o sensor
Moderate-Resolution Imaging Spectroradiometer foi capaz de identificar esta área por
conta de sua dimensão.
O Quadro 1 apresenta um resumo das características das simulações
realizadas neste trabalho.
QUADRO 1 – Resumo das características das simulações.
Simulação Uso do solo Esquema de cobertura
urbana (BEP) Parametrizações
químicas
Avaliação do uso das ZCLs
MODIS MODIS (16 classes naturais e 1 classe urbana)
d03 Ativadas
WUDAPT MODIS + ZCL (16 classes naturais e 10 classes urbanas)
Avaliação da implementação das IV
WUDAPT MODIS + ZCL (16 classes naturais e 10 classes urbanas)
d03 e d04 Desativadas SR MODIS + ZCL + Lago (16 classes naturais e 10 classes urbanas)
GS MODIS + ZCL + IV (16 classes naturais e 10 classes urbanas)
Fonte: Autoria própria (2021).
55
4.3. AVALIAÇÃO DE DESEMPENHO DO MODELO
Para avaliação do desempenho do modelo em representar as variáveis
meteorológicas e os poluentes atmosféricos foram calculados índices estatísticos para
subsidiar a avaliação. Esses foram os mesmos, comumente utilizados nesse tipo de
análise e usado por Rafee et al. (2017). Estes índices permitem fornecer informações
para analisar sistematicamente e obter conclusões quantitativas (DEPOY et al., 2016).
Os procedimentos de avaliação da qualidade das simulações são apresentados a
seguir.
4.3.1 Variáveis meteorológicas
Para a avaliação das variáveis meteorológicas, os valores obtidos no modelo
foram comparados aos medidos nas estações de monitoramento. A análise foi
conduzida com base na proposta de Pielke (2002). Para a análise da acurácia dos
campos meteorológicos, utilizou-se o Coeficiente de Correlação de Pearson (r), Erro
médio (BIAS) e o Root Mean Square Error (RMSE) (YAN et al., 2020),
complementando-se com a medida da destreza do modelo numérico em simular
realisticamente um determinado campo meteorológico, nomeado como Destreza de
Pielke (DPielke), descrito por Hallak, Pereira Filho (2011) e utilizado por Morais et al.
(2017b; 2018) na validação de modelo atmosférico para a RMSP. Este índice, no
entanto, tende ao infinito positivo, sendo que os melhores desempenhos são
representados por valores próximos a zero, em que σp e σo são os operadores dos
desvios padrão das variáveis de interesse simuladas e observadas, respectivamente.
Com isso, o coeficiente r é utilizado para verificar o nível de correlação entre
duas variáveis (ZHANG et al., 2020b), o BIAS representa o erro médio, pela diferença
entre as médias das previsões e a média das observações, e o RMSE o qual é
apresentado nas mesmas unidades das variáveis observadas e previstas,
considerando-se como a magnitude típica dos erros das previsões (Tabela 7).
56
TABELA 7 - Índices estatísticos utilizados para avaliar a habilidade do modelo em representar campos meteorológicos.
Índice Equaçãoa
Coeficiente de Correlação de Pearson
BIAS
RMSE
Destreza de Pielke
Nota: a. pk e ok são os valores simulados e observados no instante k, respectivamente. Fonte: Autoria própria (2019).
4.3.2 Poluentes atmosféricos
Por seguinte, foram comparados os dados simulados dos poluentes
atmosféricos obtidos na simulação WUDAPT, aos medidos pelas estações de
monitoramento. Esta análise foi realizada com base nos cálculos do coeficiente r,
BIAS, Mean Normalized Bias Error (MNB), e o Mean Normalized Gross Error (MNGE),
inicialmente desenvolvidos por Yu et al. (2006) (Tabela 8).
Os autores apresentam que estes dois fatores, MNB e MNGE, são definidos
como sendo a razão existente entre o valor previsto e o observado, estas estatísticas
calculam a média do resíduo do modelo/observação, emparelhado no tempo e
normalizado pela observação. Com isso, estes fatores são utilizados para verificação
da habilidade das simulações em representar os poluentes atmosféricos (KATO, 2016;
KLEISSL et al., 2013; PAN et al., 2012; TUCCELLA et al., 2014).
𝑟 =∑ (𝑝𝑁𝑘=1 𝑘
− 𝑝)(𝑜𝐾 − 𝑜)
[∑ (𝑝𝑘 − 𝑝)2]1/2[∑ (𝑜𝑘 − 𝑜)2]1/2𝑁𝑘=1
𝑁𝑘=1
𝐵𝐼𝐴𝑆 =1
𝑁∑(𝑝𝑘 − 𝑜𝑘)
𝑁
𝐾=1
= 𝑝 − 𝑜
𝑅𝑀𝑆𝐸 = [1
𝑁∑(𝑝𝑘 − 𝑜𝑘)
2
𝑁
𝑘=1
]1/2
𝐷𝑃𝑖𝑒𝑙𝑘𝑒 = |1 −𝜎𝑝𝜎𝑜| +
𝑅𝑀𝑆𝐸
𝜎𝑜+𝑅𝑀𝑆𝐸 − 𝐵𝐼𝐴𝑆
𝜎𝑝
57
TABELA 8 - Índices estatísticos utilizados para avaliar a habilidade do modelo em representar poluentes atmosféricos.
Índice Equaçãoa
Coeficiente de Correção de Pearson
Erro médio
Mean Normalized Bias Error
Mean Normalized Gross Error
Nota: a. pk e ok são os valores simulados e observados no instante k, respectivamente. Fonte: Autoria própria (2019).
𝑀𝑁𝐺𝐸 =1
𝑁∑ [
|𝑝𝑘 − 𝑜𝑘|
𝑜𝑘] 𝑥100
𝑁
𝑘=1
𝑀𝑁𝐵 =1
𝑁∑ [
(𝑝𝑘 − 𝑜𝑘)
𝑜𝑘] 𝑥100
𝑁
𝑘=1
𝐵𝐼𝐴𝑆 =1
𝑁∑(𝑝𝑘 − 𝑜𝑘)
𝑁
𝐾=1
= 𝑝 − 𝑜
𝑟 =∑ (𝑝𝑁𝑘=1 𝑘
− 𝑝)(𝑜𝐾 − 𝑜)
[∑ (𝑝𝑘 − 𝑝)2]1/2[∑ (𝑜𝑘 − 𝑜)2]1/2𝑁𝑘=1
𝑁𝑘=1
58
5. RESULTADOS E DISCUSSÕES
Nesta seção serão apresentados os resultados obtidos, destacando-se os
valores dos domínios com menor espaçamento entre pontos de grade, d03 na
avaliação do uso das ZCLs, e d04 para verificação da contribuição das IVs. As
evoluções temporais das variáveis atmosféricas estão apresentadas em horário local.
Inicialmente, são apresentados os resultados dos testes estatísticos entre os valores
simulados e os observados, contemplando as variáveis meteorológicas e poluentes
atmosféricos, visando avaliar o desempenho do modelo. Por seguinte, são avaliados
o comportamento diário das concentrações dos poluentes e, finalmente, os resultados
obtidos e a avaliação dos efeitos das IVs nas variáveis meteorológicas.
5.1. CLASSIFICAÇÃO DAS ZONAS CLIMÁTICAS LOCAIS
A Figura 10 apresenta os usos do solo utilizados como entrada para as
simulações no WRF. A Figura 10 a) é a espacialização da opção padrão do modelo,
obtidos pelo sensor MODIS com apenas uma representando a cobertura da superfície
urbana (classe 13). Na segunda configuração Figura 10 b), 10 classes urbanas
classificadas pelas ZCLs foram implementadas e representadas de 31 a 40. A classe
33 foi a predominante correspondendo a aproximadamente 38 % do total,
corroborando com Anjos et al. (2020).
59
FIGURA 10 - Representação dos usos do solo produto a) MODIS e b) ZCL, para a d03.
Fonte: Autoria própria (2020).
60
A área de localização da estação meteorológica do SIMEPAR (Figura 11a) foi
classificada como maciço de edifícios baixos (classe 33) na ZCL, e na estação IAT
(Figura 11b), como maciços de edifícios médios (classe 32). Já no MODIS, todos
foram classificados como área urbana (classe 13). É importante destacar que na
simulação com 3 grades a classificação ZCL foi considerada apenas no domínio com
espaçamento de grade de 1 km (d03), utilizando o método do vizinho mais próximo
para interpolar os dados entre os pontos.
FIGURA 11 - Estações de monitoramento: a) SIMEPAR e b) IAT.
Fonte: Autoria própria (2020).
5.2. AVALIAÇÃO DA UTILIZAÇÃO DAS ZONAS CLIMÁTICAS LOCAIS
A simulação WUDAPT trata-se da representação das condições atuais da
área de estudo, durante o período pré-determinado, considerando as emissões
antrópicas, naturais e industriais, conforme apresentado no item 3.3.3. Neste sentido,
a fim de avaliar os efeitos da utilização das ZCLs foram realizadas simulações
utilizando o uso de solo padrão (simulação denominada MODIS) e acrescentando as
classes urbanas das ZCLs para o uso do solo, denominada WUDAPT. Os resultados
das simulações foram comparados com os valores observados nas estações IAT e
SIMEPAR, de acordo com as variáveis disponíveis.
5.2.1. Evolução temporal dos campos meteorológicos
A evolução temporal dos dados observados e simulados para Temperatura do
Ar a 2 metros (T2), Umidade Específica do Ar (Q2), e velocidade do vento a 10 metros
61
(WS10), durante o período de 06 a 16 de setembro de 2017, é apresentada na Figura
12. De modo geral, foi possível observar em ambas as simulações (MODIS e
WUDAPT) boa concordância nas variáveis T2 e Q2.
O modelo foi capaz de representar o ciclo diurno da T2 e Q2, porém
superestimou os valores mínimos e máximos destas variáveis, respectivamente. Além
disso, os valores de WS10 simulados na estação IAT tiveram redução significativa da
intensidade na simulação WUDAPT comparada a simulação MODIS. Isso se deve
principalmente pela utilização das ZCLs, a qual disponibiliza os valores das alturas
médias dos edifícios pelo esquema BEP, o que possibilitou melhorar a representação
urbana neste ponto.
FIGURA 12 - Evolução temporal das variáveis meteorológicas observadas e simuladas para as estações IAT e SIMEPAR.
Fonte: Autoria própria (2020).
62
Observando a Figura 12 pode-se verificar que os dados simulados pelo
modelo não representam perfeitamente os dados observados nas estações, porém é
importante analisá-los estatisticamente a fim de que seja verificado a
representatividade das simulações. A Tabela 9 apresenta os valores dos índices
estatísticos calculados como apresentados no item 4.3.1.
Para o índice r, observa-se que a T2 em ambas as estações apresentou
resultados superiores a 0,90, indicando relação muito forte entre os valores
observados e simulados em ambas as simulações. Para Q2 os valores de r variaram
de correlações moderada no IAT, e fraca na estação SIMEPAR. Nos valores de
correlação para WS10 o MODIS apresentou melhor representatividade para o IAT e
SIMEPAR, com valores de correlação moderada.
O índice BIAS, que indica o desvio sistemático entre os dados simulados e
observados, foram obtidos os menores valores na simulação WUDAPT para quase
todas as variáveis estudadas. O RMSE traz informações de quão espalhados estão
os resíduos dos dados (HALLAK; PEREIRA FILHO, 2011). A simulação WUDAPT
para WS10 foi a que apresentou menor valor de RMSE (0,69 m.s-1) na estação do
IAT, indicando boa concordância entre os dados simulados e observados. No índice
DPielke, valores inferiores a 2,0 representam desempenho satisfatório dos dados
simulados, o que foi obtido para T2 em ambas as simulações e para WS10 no MODIS
e na estação SIMEPAR. Para Q2 apesar de nenhum valor ser inferior a 2,0, o
WUDAPT foi o que apresentou os menores valores. A diferença obtida para DPielke na
estação IAT com a substituição do uso de solo MODIS (7,26) para a ZCL (2,49),
representou melhora substancial na acurácia dos dados simulados de WS10.
O modelo apresentou valores superestimados para as variáveis
apresentadas, resultados também encontrados por Molnár, Gyöngyös e Gál (2019).
Já a substituição do uso do solo do MODIS pela classificação WUDAPT apresentou
melhora significativa nos valores de velocidade do vento para a estação do IAT.
Resultados similares foram encontrados por Jandaghian e Bernardi (2020), em que
estes obtiveram melhora no desempenho do modelo em simular os valores de WS10,
pelo fato de que as ZCLs representam melhor as alturas das estruturas urbanas. Para
uma melhora efetiva da Q2, recomenda-se a inclusão de parametrizações para
63
representação da vegetação urbana, como feita em Lemonsu et al. (2012) e Morais et
al. (2017a).
TABELA 9 - Índices estatísticos de desempenho do modelo para as variáveis meteorológicas durante o período de 06 a 16 de setembro de 2017.
Variável Estação Simulação Médobs Médsim σobs σsim r BIAS RMSE Dpielke
T2 (°C)
IAT MODIS
26,99 27,59
4,75 4,08 0,97 0,59 1,47 0,66
WUDAPT 27,11 3,76 0,96 0,11 1,55 0,92
SIMEPAR MODIS
25,19 27,67
5,30 4,26 0,96 2,48 3,00 0,89
WUDAPT 27,07 3,88 0,96 1,88 2,71 1,00
Q2 (g.kg-1)
IAT MODIS
6,49 6,86
0,71 1,33 0,51 0,37 1,16 3,21
WUDAPT 6,85 1,29 0,51 0,36 1,20 3,09
SIMEPAR MODIS
6,94 6,68
0,65 1,36 0,43 -0,25 1,20 4,15
WUDAPT 6,87 1,33 0,43 -0,01 1,26 3,86
WS10 (m.s-1)
IAT MODIS
0,65 2,43
0,40 1,15 0,51 1,78 2,04 7,26
WUDAPT 1,12 0,52 0,39 0,47 0,69 2,49
SIMEPAR MODIS
2,15 2,45
1,01 1,23 0,58 0,29 1,08 1,94
WUDAPT 1,25 0,60 0,48 -0,91 1,27 5,31
Fonte: Autoria própria (2020).
5.2.2 Evolução temporal dos poluentes atmosféricos
Em relação aos poluentes atmosféricos, a Figura 13 apresenta a evolução
temporal das médias móveis das concentrações de O3 para tempos de média de 8h
observadas e simuladas, conforme preconiza a legislação ambiental vigente
CONAMA 491/2018 para o padrão de O3. Em geral o modelo não conseguiu
representar a evolução diária deste poluente, tanto da fase, como da amplitude das
concentrações, com adiantamento dos picos simulados (MODIS e WUDAPT) em
relação aos valores observados.
64
FIGURA 13 - Evolução temporal das médias móveis de 8 horas das concentrações de O3 observadas e simuladas para a estação IAT.
Fonte: Autoria própria (2020).
Na Tabela 10 é apresentada a comparação dos índices estatísticos para os
ambas as simulações, calculados com os valores simulados e observados do poluente
O3 no período de 06 a 16 de setembro de 2017.
Nas duas simulações os valores da correlação de Pearson (r) foram inferiores
a 0,30, indicando correlação desprezível entre os valores medidos e calculados para
o poluente. Os elevados valores do BIAS indicam que na média os dados foram
superdimensionados e a baixa representação do modelo é confirmada nos elevados
valores calculados para MNB e MNGE, 11,25 % e 20,14 % no MODIS e 11,19 % e
20,04 % no WUDAPT, respectivamente. Em geral, a substituição do produto da ZCL
(WUDAPT) resultou em melhores índices estatísticos para as variáveis simuladas.
Este mesmo desempenho foi observado para O3 na Região Metropolitana de
São Paulo, em que no cenário similar ao WUDAPT deste trabalho, o valor para MNB
foi inferior a -21% e maior que 43% para MNGE (FRANCO et al., 2019).
TABELA 10 - Índices estatísticos de desempenho do modelo para ozônio durante o período de 06 a 16 de setembro de 2017.
Poluente Estação r BIAS MNB (%) MNGE (%)
Média móvel 8h
O3 (µg.m-3) IAT
MODIS 0,259 13,98 11,25 20,14
WUDAPT 0,270 13,92 11,19 20,04
Fonte: Autoria própria (2020).
65
Além do baixo desempenho do modelo para O3, os valores simulados de MP10
na estação IAT são substancialmente inferiores ao medido (APÊNDICE IV). Isso se
deve a baixa representatividade dos dados de emissões por fontes fixas, visto que
para o município de Londrina, de acordo com o Inventário Estadual de Emissões
Atmosféricas (IAP, 2013), aproximadamente 50% das emissões deste poluente são
de fontes industriais de pequeno e médio porte. Porém, estas informações não foram
levantadas no inventário de Kawashima et al. (2020) por não pertencerem às classes
consideradas pelos autores e não existir um inventário nacional adequado para uso
em modelagem. A falta de informações sobre as fontes industriais também foi uma
limitação relatada por Shi et al. (2019) em simulações realizadas no Delta do Rio das
Pérolas, China. Além disso, ainda existem incertezas mesmo nos inventários de fontes
móveis.
Já para a RMSP, a maior parcela das emissões de poluentes atmosféricos
são veiculares (CETESB, 2019), e a adequada representação dessas fontes reflete
diretamente em boas representações dos poluentes atmosféricos (VARA-VELA et al.,
2016; VARA-VELA et al., 2018; DUARTE et al., 2021).
Para tentar superar esta lacuna na área de estudo, existem disponíveis
inventários globais de emissões antrópicas. No APÊNDICE V são apresentadas as
evoluções temporais das concentrações horárias para MP10 e O3 simulados para o
período de 06 a 11 de setembro de 2017, considerando as mesmas configurações
utilizadas na simulação WUDAPT, porém utilizando o inventário global de emissões
antropogênicas desenvolvido pela Comissão Europeia (EDGAR - Emissions Database
for Global Atmospheric Research) abrangendo os setores apresentados no
APÊNDICE VI.
Por conta do elevado BIAS e demais índices estatísticos (MNB e MNGE), é
possível observar que os valores para O3 foram superestimados, e o desempenho do
modelo foi pior se comparado ao WUDAPT (Tabela 11). Já para MP10 os valores foram
similares aos simulados utilizando o inventário local de emissões na simulação com
WUDAPT.
66
TABELA 11 - Índices estatísticos de desempenho do modelo para ozônio durante o período de 06 a 11 de setembro de 2017, utilizando o inventário global de emissões.
Poluente Estação r BIAS MNB (%) MNGE (%)
Média móvel 8h O3 (µg.m-3)
IAT 0,263 19,89 22.18 25,85
Fonte: Autoria própria (2021).
A partir destes resultados, é possível concluir que o EDGAR também não foi
capaz de representar as emissões atmosféricas de uma cidade de médio porte,
refletindo na dificuldade do modelo WRF em reproduzir o comportamento e
concentração dos poluentes atmosféricos.
Além disso, é importante destacar que no período de estiagem,
correspondente ao inverno no hemisfério Sul, há uma grande contribuição de
poluentes transportados de áreas incendiadas no Brasil Central e floresta Amazônica,
como já observado e relatado por Targino e Krecl (2016) e Martins et al. (2018). A
Figura 14 apresenta a rosa dos ventos com a frequência absoluta da direção do vento
observado na estação SIMEPAR, em que mais de 30% dos dados do período são
predominantes da direção noroeste (315°) e nordeste (45°), indicando a possibilidade
de os poluentes serem provenientes do transporte de longa distância, corroborando
com os trabalhos supracitados.
67
FIGURA 14 – Rosa dos ventos na estação SIMEPAR para o período de 06 a 16 de setembro de 2017.
Fonte: Autoria própria (2020).
Outro aspecto relevante a ser considerado na análise de desempenho do
modelo em comparação com as observações é a escala de representatividade da
estação de medição.
A Diretiva Europeia de Qualidade do Ar Ambiente fornece critérios para a
localização das estações de monitoramento de qualidade do ar, classificando-as em
duas escalas distintas (UNIÃO EUROPEIA, 2008 e 2019):
• O monitoramento de microescala considera-se os efeitos imediatos
observados na vizinhança, fornecendo informações localizadas dos poluentes
analisados, como por exemplo os efeitos de diminuição da qualidade do ar por conta
das emissões veiculares em um cruzamento veicular urbano;
68
• As medições em macroescala devem ser capazes de representar os
efeitos em áreas abrangentes, localizadas a distância significativa dos pontos de
interesse. Isso permite que os poluentes estejam homogeneamente misturados ao ar.
Caso o objetivo seja avaliar os efeitos das áreas urbanas, a estação deve ser
localizada e distanciada tal que sejam capazes de medir os níveis de poluição, e
influenciados pela contribuição integrada de todas as fontes a favor do vento da
estação, e área de amostragem representativa para vários quilômetros quadrados.
Para medições das componentes do vento, a Organização Meteorológica
Mundial (2018) define que o local ideal para estas observações é aquele no qual o
vento observado é representativo em uma área de pelo menos alguns quilômetros
quadrados, e caso haja obstáculos, ou cobertura não homogênea da superfície, estes
componentes são afetados. Neste sentido, sugerem instalá-la em distância igual, ou
superior, a 10 vezes da altura da obstrução.
Com isso, considerando que estação IAT (Figura 15) está localizada na região
central do município de Londrina/PR, com edificações e objetos obstrutivos próximos,
os quais influenciam diretamente nos valores medidos das componentes do vento
(ORGANIZAÇÃO METEOROLÓGICA MUNDIAL, 2018), e nas medições dos
poluentes atmosféricos, pode-se considerar a estação como de microescala (UNIÃO
EUROPEIA, 2008 e 2019). Por outro lado, o modelo WRF-Chem é utilizado para
representar os efeitos em macro escala das variáveis do tempo e poluentes
atmosféricos. Dessa forma, é mais uma justificativa que interfere no desempenho do
modelo em representar o comportamento das variáveis no ponto da estação IAT.
FIGURA 15 - Estação de monitoramento IAT.
Fonte: Autoria própria (2020).
Nota: Vista a) leste e b) sudeste.
69
5.2.3 Temperatura e Umidade Relativa nas Classes das Zonas Climáticas Locais
Foi escolhido um ponto para cada classe urbana identificada em Londrina (31,
32, 33, 36, 39 e 40 – APÊNDICE VII), para verificar o comportamento da T2 e UR
(Figura 16). O ciclo diurno das variáveis foi similar em todos as classes, porém para
as classes de 31 a 33 a intensidade do resfriamento, a partir do valor máximo, foi
menos intensa se comparado as demais. As propriedades térmicas (condutividade
térmica e capacidade térmica) das estruturas urbanas favorece o aumento do
armazenamento de calor durante o dia e reemissão à noite na forma de calor sensível
(OKE 1987; SANTOS et al., 2016).
Além disso, as menores intensidades máximas de UR ao longo do ciclo diurno
também foram observados nessas classes. A combinação destes dois processos gera
estresse térmico na população, e como resposta direta há maior consumo de energia
por conta da maior necessidade de utilização dos sistemas de arrefecimento.
O fluxo de calor proveniente dos sistemas de ar-condicionado, promoveram o
processo de retroalimentação positiva em simulações realizadas para Madri,
Espanha, refletindo no aumento da T2 entre 1,5 e 2,0 ºC nas áreas urbanas
densamente construídas (SALAMANCA; MARTILLI; YAGÜE, 2012; XIAO, et al. 2014;
BEAUDOIN; GOSSELIN, 2016). Com isso, é importante que na elaboração do plano
diretor do município de Londrina sejam consideradas a implementação de estratégias
como o aumento de IV (pavimento frio (refletiva e permeável), telhados verdes e
implementação de áreas verdes) (RIZWAN; DENNIZ; LIU, 2008; ANJOS et al., 2020).
70
FIGURA 16 – Ciclo diurno da T2 e UR nas classes de ZCL identificadas no município de Londrina.
Fonte: Autoria própria (2020).
5.3. INFLUÊNCIA DAS INFRAESTRUTURAS VERDES NO TEMPO
ATMOSFÉRICO URBANO
A Figura 17 apresenta os usos do solo, com as classes ZCLs da região ao
redor do Lago (representado pela classe 17 - azul), e as evoluções temporais da Q2
simuladas, nos pontos das classes ZCL 31-33, para as simulações WUDAPT e SR
(simulação de referência com a identificação do Lago urbano). Dessa forma, visando
analisar a contribuição desta IV (Lago urbano) na Q2 dos pontos ao redor deste, com
classes ZCL 31 (Ponto 1), 32 (Ponto 2) e 33 (Ponto 3).
71
FIGURA 17 - Identificação da área superficial do Lago (classe 17), com as classes urbanas (ZCL 31 a 39) do entorno e o comportamento da Q2 em três pontos urbanos ao redor do Lago para SR e
WUDAPT.
Nota: Os gráficos apresentam a evolução temporal da Q2 com unidade g.kg-1 no eixo vertical.
Fonte: Autoria própria (2021).
Analisando os resultados de ambas as simulações, com (SR) e sem
(WUDAPT) a IV, observa-se que o Lago (IV) não apresentou influência na umidade
(Q2) dos pontos vizinhos extraídos. O mesmo foi observado quando analisado a
média dos três pontos da T2 (26,70 e 26,87 ºC, para WUDAPT e SR,
respectivamente), indicando que o Lago não influencia de forma significativa nas
condições meteorológicas ao seu redor, embora vale lembrar que a resolução
horizontal nas simulações é de aproximadamente 333 m. Dessa forma, a existência
de algum efeito pode ocorrer em uma escala muito inferior, não sendo possível ser
representado nessas simulações. No entanto, esses resultados podem ser justificados
pelo fato de que a frequência de ocorrência da brisa lacustre diminui à medida que as
dimensões dos corpos hídricos reduzem, visto que as circulações em menor escala
(brisa lacustre) são facilmente destruídas pelos componentes em superfície do vento
geostrófico predominante (SEGAL et al., 1997; CROSMAN; HOREL, 2010). É
72
importante destacar que esse comportamento é corroborado pelos resultados obtidos
por Targino, Coraiola e Krecl (2019) que a partir de medidas in loco, na mesma região,
sugeriram não existir relação clara entre a diminuição da intensidade da ICU e a fração
de corpos hídricos. Assim, os resultados sugerem que a implementação de Lagos
urbanos com a finalidade exclusiva de mitigação dos efeitos de urbanização na
umidade e temperatura do ar não é adequada.
Por outro lado, é válido destacar que o Lago apresenta vários benefícios a
população londrinense por tratar-se de uma área importante de lazer, para a prática
de atividades físicas e recreativas (LOPES et al., 2002; BORTOLO; FRESCA, 2010;
BORTOLO, 2011; SCALCO et al., 2013; LAROCCA; CARDOSO; ANGELIS, 2017;
ALVES JUNIOR; PEREIRA NETO, 2020). O Lago é um importante cartão postal do
município (VACÁRIO; MACHADO, 2017) que promove um benefício visual e,
consequentemente, agrega valor econômico à região ao redor do Lago. Além disso,
proporciona o desenvolvimento e a estruturação de uma importante biota lacustre e
ripária (ESTEVES, 1988; TUNDISI; TUNDISI, 2016).
Para verificar os efeitos pontuais das IV, extraiu-se, dentro da área dos
Parques 1 e 4 (P1 e P4), em um único ponto os valores de T2 e Q2 simulados
considerando as duas configurações propostas (Figura 18). Em geral não foram
observadas variações expressivas entre os valores máximos da T2 e Q2, porém as
mínimas de T2 foram inferiores e Q2 superiores se comparados WUDAPT e GS. A
evolução dessas variáveis durante o período de estudo para os Parques 2, 3 e 5 (P2,
P3 e P5) foram similares e disponibilizadas no Apêndice VIII.
73
FIGURA 18 - Evolução temporal da T2 e Q2 na área dos Parques P1 e P4, nas simulações WUDAPT e GS.
Fonte: Autoria própria (2020).
A T2 média do período teve redução de 0,14 °C no P1 e 0,13 °C no P4,
comparando-se WUDAPT e GS, já o aumento da Q2 média no P1 foi de 1,24 % e 1,07
% no P4. A T2 média mínima diária foi 3,00 % inferior no P1 e 1,74 % no P4, porém o
mesmo comportamento não foi observado nas temperaturas máximas, pelo fato de
que toda a superfície estar sendo aquecida homogeneamente pela radiação solar,
reafirmando os dados obtidos por Papangelis et al. (2012). Além disso, as taxas de
resfriamento se devem ao fato das características térmicas do parque, em que por
possuírem pequena capacidade de armazenamento de calor induzem a uma rápida
perda deste por radiação de onda longa.
Outra resposta observada, por conta das mudanças no uso do solo, está no
aumento da disponibilidade hídrica pelos processos de evapotranspiração, que
influenciam diretamente nos fluxos de energia no solo (Figura 19). Foram registrados
aumentos no fluxo máximo de calor latente em quase 368% no P1 por conta do
aumento da Q2, pois maior parte da energia disponível foi dissipada favorecendo a
mudança de fase do vapor de água disponível. No P4 a substituição dos usos de solo
urbanos (WUDAPT) em naturais (GS) promoveu a redução em 2,80 % do fluxo de
74
calor sensível, pois a maior parte da energia foi dissipada como calor latente. Porém
a mesma redução não ocorreu no P1, isso se deve possivelmente ao fato de que neste
local já se tinha identificado 2,2 km² de classes vegetativas (agricultura/vegetação
natural, savana e agricultura) (LI; NORFORD, 2016). O comportamento dos fluxos de
energia nos demais parques estão disponibilizados no Apêndice IX.
Todos os pontos de dados extraídos no WUDAPT foram urbanos, com
característica de elevada capacidade de armazenamento de energia nas estruturas
urbanas refletindo em maiores valores de fluxos negativos no solo. Essas estruturas
possuem a capacidade de reemitirem o calor armazenado na forma de radiação de
onda longa durante o período noturno, impedindo o processo de resfriamento da
camada de ar superficial e favorecendo fenômenos de ICU (PAPANGELIS et al.;
2012).
75
FIGURA 19 – Diferença entre os fluxos de energia simulados na superfície (GS-WUDAPT) no a) P1 e b) P4.
Fonte: Autoria própria (2020).
As taxas de resfriamento e aquecimento em P1 e P4 seguiram a mesma
evolução temporal no ciclo diurno, com taxas de aquecimento logo após o nascer do
Sol e de resfriamento no período noturno, com maiores intensidades entre 19h e 06h
(Figura 20 e Apêndice X), entendendo-se por taxa de aquecimento/resfriamento a
76
diferença entre GS e WUDAPT da T2 simulada. No geral prevaleceram os efeitos de
resfriamento, com taxa média em P1 de -0,14 °C.h-1, e -0,13 °C.h-1 no P4. As maiores
intensidades das taxas horárias de resfriamento foram observadas em P1, com
máxima no dia 14/09 às 01h (- 2,0 °C.h-1).
FIGURA 20 - Taxa diurna de resfriamento/aquecimento (°C.h-1) calculadas a partir das simulações WUDAPT e GS para P1 e P4.
Fonte: Autoria própria (2020).
Com base nessas informações, foram espacializadas as taxas de
resfriamento média de 3h entre WUDAPT e GS para o período das 19h (13/09) as 06h
(14/09) (Figura 21), a fim de visualizar a contribuição espacial das IV.
77
FIGURA 21 - Distribuição espacial da taxa de resfriamento médio (3 horas) para o período das 19:00 (13/09) as 06:00 (14/09), obtida entre as simulações GS e WUDAPT.
Nota: Delimitação urbana de Londrina (contorno branco), dos parques e lagos (contorno preto).
Fonte: Autoria própria (2020).
A taxa de resfriamento ao longo da grade foi de 0,5 °C.h-1, e nos parques
superaram 5,0 °C.h-1, com as maiores contribuições médias no período das 03:00 às
05:00. A Figura 22 apresenta a diferença percentual de Q2 entre GS e WUDAPT, onde
valores positivos indicam que a Q2 no GS foi superior ao simulado para o WUDAPT.
Pode-se observar que as estruturas ambientais contribuíram para um aumento de 10
% da Q2 ao longo da grade, se comparada à simulação WUDAPT. Na superfície dos
lagos foi onde houve as maiores contribuições, com valores máximos entre 120 e 130
% sob o Lago. Os resultados, para os períodos mostrados nas Figuras 21 e 22,
indicaram a influência dos parques (áreas verdes) na T2 em até 6 pontos de grade
(aproximadamente 2 km) em torno das IV, com maior efeito na taxa de resfriamento
nos pontos de grade onde essas infraestruturas estão localizadas.
78
FIGURA 22 - Distribuição regional da diferença percentual da Q2 entre GS e WUDAPT das 00:00 às 07:00 (12/09).
Nota: Delimitação urbana de Londrina (contorno branco), dos parques e lagos (contorno preto).
Fonte: Autoria própria (2020).
Conforme já apresentado, a vegetação tem como característica maior fator de
atrito dos componentes vetoriais do vento, se comparado com as estruturas urbanas,
o que dificulta a dispersão vertical e horizontal dos poluentes atmosféricos. Isto pode
79
ser confirmado na Figura 23 quando comparados os componentes verticais, e zonais,
do vento e umidade específica nas simulações sem e com a identificação dos parques
(WUDAPT e GS, respectivamente). Esta diminuição das componentes do vento reflete
diretamente numa menor intensidade dos processos convectivos na área do P1.
Esta redução dos processos convectivos afeta a dinâmica da baixa atmosfera,
incluindo a diminuição do processo de mistura vertical e menor profundidade da
camada limite. A redução da velocidade do vento e da mistura vertical durante o dia
podem levar a estagnação do ar próximo à superfície, podendo ocasionar problemas
na qualidade do ar (SHARMA, et al. 2016). Por outro lado, o maior fator de atrito das
componentes vetoriais do vento pela vegetação, como mencionado, pode levar a
maior retenção de poluentes existentes nas massas de ar e, assim a vegetação pode
auxiliar na remoção dos poluentes (ABHIJITH, et al. 2017; BARWISE; KUMAR, 2020).
80
FIGURA 23 - Umidade específica do ar (g.kg-1) e componente vertical e zonal do vento (m.s-1) para P1 em 23,35 ° S.
Nota: a) e b) resultados sem e com o parque P1 para as 15 h do dia 07/09/2017, respectivamente; c)
e d) resultados sem e com o parque P1 para as 12 h do dia 08/09/2017, respectivamente. A linha vermelha representa a dimensão longitudinal do parque P1.
Fonte: Autoria própria (2021).
Por outro lado, é importante destacar que essas estruturas são passíveis de
promoverem efeitos que mitigam os eventos de ICU, além de promoverem benefício
visual para a comunidade local. Os parques urbanos influenciam diretamente na
redução da temperatura do ar, reflexão da radiação solar superficial, e aumento da
umidade, os quais atuam na constituição de um microclima local e melhora da
sensação térmica (CHENG, et al. 2012; MAZHAR, et al. 2015; NIU, et al. 2015;
YOSHIDA, et al. 2015; MORAIS et al., 2017b; e CHAN; CHAU; LEUNG, 2017).
As IVs fornecem benefícios secundários, como aumento da disponibilidade e
qualidade dos alimentos e da água, prevenção de enchentes, regulação de doenças
81
infecciosas, promoção de serviços culturais ao criarem áreas que possibilitam a
prática de atividades físicas e recreação, influenciando diretamente na saúde mental
da população (COUTTS; HAHN, 2015). Além disso, armazenam carbono e promovem
a valorização monetária de residências em até 30 % (FOSTER; LOWE; WINKELMAN,
2011). Em relação à disponibilidade e qualidade de água a maior área permeável
favorece o processo de infiltração da água pluvial no solo, o qual além de diminuir os
processos de inundação, reduz a velocidade e volume do escoamento superficial, e
consequentemente diminui a quantidade de material lixiviado aos corpos hídricos,
minimizando o assoreamento de corpos hídricos (ALVES et al., 2019).
A previsão para o ano de 2050 é que 68 % da população mundial residam em
áreas urbanas, o que consequentemente refletirá no aumento da densidade
populacional nos centros urbanos (NAÇÕES UNIDAS, 2019). E maiores taxas de
crescimento observados em centros urbanos com menos de meio milhão de
habitantes (SHACKLETON et al., 2018; NAÇÕES UNIDAS, 2019).
Com isso, é importante que as cidades estejam preparadas para tal processo
de expansão, considerando a inclusão das IV no desenvolvimento dos planos
diretores a fim de minimizar os impactos climáticos desencadeados pela urbanização
(ARTMANN et al., 2019). É válido salientar que a implementação dessas
infraestruturas num estágio de pequena e média urbanização afeta um menor número
de pessoas no processo de realocação de moradias em áreas irregulares, e demanda
menor investimento financeiro na execução por se tratarem obras preventivas
(BREARS, 2018).
82
6. CONCLUSÕES
Neste trabalho foram avaliados os impactos do uso da ZCL e das IVs nas
variáveis atmosféricas para a cidade de Londrina através de um estudo numérico
utilizando o WRF-Chem. Um primeiro conjunto de simulações foi realizado com dois
domínios aninhados acrescentando as classes urbanas de ZCL (WUDAPT), no uso
de solo padrão (MODIS), analisando as variáveis meteorológicas e concentrações
atmosféricas de O3 e MP10, empregando informações combinadas sobre emissões de
fontes móveis, fixas e biogênicas. Adicionalmente foi inserida uma quarta grade
centralizada na área urbana no município de Londrina, identificando a área superficial
do Lago (SR), e ampliando cinco áreas verdes (GS), avaliando os efeitos
meteorológicos dessas IVs.
Com o desenvolvimento do produto das ZCLs foi possível melhorar a
classificação da área urbana, e verificar a contribuição nas variáveis meteorológicas
e poluentes atmosféricos. O período determinado foi entre 06 e 16 de setembro de
2017, por conta da disponibilidade de dados para a cidade de Londrina.
A partir da ZCL (WUDAPT) a área urbana foi representada em 10 classes
distintas (31 a 40), enquanto o MODIS apenas a classe 13. As configurações das
simulações para comparação entre as duas representações foram iguais, com a
utilização da parametrização BEP para representar os efeitos das construções
urbanas.
Os resultados obtidos mostraram melhora na representação de T2, Q2 e
WS10 utilizando as ZCLs. Destacando-se WS10 na estação IAT, em que WUDAPT
representou melhora de 67 % no valor de Dpielke comparando-se ao MODIS. Isso se
deve ao fato de terem sido inseridas informações referentes à altura das distintas
estruturas nas classes urbanas.
A falta de informações das fontes de emissões de fontes fixas industriais de
pequeno e médio porte influenciaram negativamente na representação dos poluentes
atmosféricos pelo modelo.
As estruturas ambientais representaram benefício substancial no
comportamento da T2 e Q2 ao longo da grade d04, principalmente nas áreas ao redor
dos parques (áreas verdes). Além disso, essas estruturas refletem diretamente nos
83
fluxos de calor no solo, reduzindo o fluxo máximo de calor sensível e aumentando o
fluxo máximo de calor latente, contribuindo com a melhora do clima urbano.
7.1 SUGESTÕES PARA TRABALHOS FUTUROS
O inventário de emissões antropogênicas não foi capaz de representar o
comportamento dos poluentes atmosféricos, necessitando-se seja desenvolvido um
levantamento detalhado das fontes de emissões industriais, com informações precisas
a respeito das informações geográficas e dos fatores de emissão para cada poluente.
Além disso, o período determinado para as simulações da área de estudo
possui elevada contribuição de poluentes emitidos pela queima de biomassa no Brasil
Central e floresta Amazônica, podendo ser inserido o produto de emissões diárias de
incêndio para modelos de química atmosférica denominado Fire INventory from NCAR
(FINN), com o propósito de fornecer ao modelo atmosférico informações referentes
aos poluentes emitidos por incêndios dentro dos domínios de estudo.
Apesar das implementações dos parques terem sido conduzidas baseadas no
plano diretor municipal de Londrina, e em ocupações de áreas irregulares, isso
demanda desocupação e realocação das pessoas que habitam atualmente essas
regiões, o que pode dificultar o processo de execução destes projetos. Com isso, nos
ambientes com classes ZCL que apresentam baixa capacidade de resfriamento
noturno e fenômenos de ICU (31, 32 e 33), é importante que sejam simulados cenários
considerando habitações, prédios, e estruturas urbanas, com paredes e telhados
verde, a fim de que aumente a densidade de vegetação nessas áreas.
Além disso, as simulações verificando a contribuição das estruturas
ambientais foram realizadas com as parametrizações químicas desativadas, dessa
forma é importante que sejam realizadas simulações avaliando os efeitos desses
sistemas nas concentrações dos poluentes atmosféricos.
REFERÊNCIAS
ABHIJITH, K. V.; KUMAR, P.; GALLAGHER, J.; MCNABOLA, A.; BALDAUF, R.; PILLA, F.; BRODERICK, B.; SABATINO, S. D.; PULVIRENTI, B. Air pollution abatement performances of green infrastructure in open road and built-up street canyon environments – A review. Atmospheric Environment, v. 162, p. 71–86, ago. 2017. ACKERMANN, I. J.; HASS, H.; MEMMESHEIMER, M.; EBEL, A.; BINKOWSKI, F. S.; SHANKAR, U. Modal aerosol dynamics model for Europe: development and first applications. Atmospheric Environment, v. 32, n. 17, p. 2981–2999, 1998. Disponível em: <http://www.sciencedirect.com/science/article/pii/S1352231098000065>. ALBUQUERQUE, T.T. de A. Distribuição de tamanho, composição química e identificação das fontes de aerossol atmosférico de São Paulo: Um estudo de caso para o inverno de 2003. Dissertação de Mestrado apresentada ao Departamento de Ciências Atmosféricas – Universidade de São Paulo, 2005. ALEXANDER, P. J.; MILLS, G.; FEALY, R. Using LCZ data to run an urban energy balance model. Urban Climate, v. 13, p. 14–37, 1 set. 2015. Disponível em: <https://www.sciencedirect.com/science/article/pii/S2212095515000152>. Acesso em: 21 ago. 2019. ALVES, A.; GERSONIUS, B.; KAPELAN, Z.; VOJINOVIC, Z.; SANCHEZ, A. Assessing the Co-Benefits of green-blue-grey infrastructure for sustainable urban flood risk management. Journal of Environmental Management, v. 239, p. 244–254, 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S030147971930338X>. Acesso em: 12 fev. 2021. ALVES JUNIOR, A. P.; PEREIRA NETO, O. C. O mapeamento da área de risco à jusante do lago Igapó em Londrina – PR - Brasil, no caso de rompimento hipotético da barragem. Territorium, n. 27(II), p. 29–40, 10 set. 2020. Disponível em: <https://impactum-journals.uc.pt/territorium/article/view/1647-7723_27-2_3>. Acesso em: 05 mar. 2021. ANDRADE, M.; YNOUE, R. Y.; FREITAS, E. D; TODESCO, E.; VARA-VELA, A. L.; IBARRA, S.; MARTINS, L. D.; MARTINS, J. A.; CARVALHO, V. S. B. Air quality forecasting system for Southeastern Brazil. Frontiers in Environmental Science, v. 3, 23 fev. 2015. ANJOS, M.; TARGINO, A. C.; KRECL, P.; OUKAWA, G. Y.; BRAGA, R. F. Analysis of the urban heat island under different synoptic patterns using local climate zones. Building and Environment, v. 185, p. 107268, 2020. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0360132320306399>. Acesso em: 11 fev. 2021. ANP. Vendas pelas distribuidoras dos derivados dos combustíveis de petróleo. 2017.
Disponível em: <http://www.anp.gov.br/>. ARTMANN, M. KOHLER, M.; MEINEL, G.; GAN, J.; IOJA, I.-C. How smart growth and green infrastructure can mutually support each other — A conceptual framework for compact and green cities. Ecological Indicators, v. 96, p. 10–22, 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1470160X17304144>. Acesso em: 13 fev. 2021. AUSTIN, E. K.; RICH, J. L.; KIEM, A. S.; HANDLEY, T.; PERKINS, D.; KELLY, B. J. Concerns about climate change among rural residents in Australia. Journal of Rural Studies, 12 fev. 2020. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0743016717307805>. Acesso em: 4 mar. 2020. BALZARINI, A.; PIROVANO, G.; HONZAK, L.; ŽABKARBC, R.; CURCI, G.; FORKEL, R.; HIRTL, M.; JOSÉ, R. S.; TUCCELLA, P.; GRELL, G. A. WRF-Chem model sensitivity to chemical mechanisms choice in reconstructing aerosol optical properties. Atmospheric Environment, v. 115, p. 604–619, 1 ago. 2015. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S1352231014009819>. Acesso em: 13 jan. 2020. BARWISE, Y.; KUMAR, P. Designing vegetation barriers for urban air pollution abatement: a practical review for appropriate plant species selection. npj Climate and Atmospheric Science, v. 3, n. 1, p. 12, 26 dez. 2020. BEAUDOIN, M.; GOSSELIN, P. An effective public health program to reduce urban heat islands in Québec, Canada Special report Suggested citation. Rev Panam Salud Publica Pan American Journal of Public Health, v. 40, n. 3, p. 160–166, 2016. Disponível em: <https://www.scopus.com/inward/record.uri?eid=2-s2.0-85006421098&partnerID=40&md5=67c02fdbc2053a25a2fbb8f218d41e59>. BECHTEL, B; ALEXANDER, P. J.; BÖHNER, J.; CHING, J.; CONRAD, O.; FEDDEMA, J.; MILLS, G.; SEE, L.; STEWART, I. Mapping Local Climate Zones for a Worldwide Database of the Form and Function of Cities. ISPRS International Journal of Geo-Information, v. 4, n. 1, p. 199–219, 2015. Disponível em: <https://www.mdpi.com/2220-9964/4/1/199>. BECHTEL, B.; ALEXANDER; P. J.; BECK, C.; BÖHNER, J.; BROUSSE, O.; CHING, J.; DEMUZERE, M.; FONTE, C.; GÁL, T.; HIDALGO, J.; HOFFMANN, P.; MIDDEL, A.; MILLS, G.; REN, G.; SEE, L.; SISMANIDIS, P.; VERDONCK, M. XU, G.; XU, Y. Generating WUDAPT Level 0 data – Current status of production and evaluation. Urban Climate, v. 27, p. 24–45, 1 mar. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S221209551830302X>. Acesso em: 1 ago. 2019. BECHTEL, B.; DANEKE, C. Classification of Local Climate Zones Based on Multiple Earth Observation Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 5, n. 4, p. 1191–1202, 2012.
BORTOLO, C.; FRESCA, T. O LAGO IGAPÓ: ALGUNS ELEMENTOS ACERCA DA PRODUÇÃO DO ESPAÇO URBANO DA CIDADE DE LONDRINA-PR. Revista ACTA Geográfica, p. 161–176, 2010. Disponível em: <http://www.ufrr.br/revista/index.php/actageo/article/view/341>. BORTOLO, C. A. A produção do espaço livre público do Lago Igapó no contexto urbano londrinense: análise de fotos e dados históricos como instrumentos para a construção do estudo. Geografia em Atos, v. 2, n. 11, p. 97-109, 2011. Disponível em: < https://revista.fct.unesp.br/index.php/geografiaematos/article/view/1281 >. Acesso em: 26 out 2020. BORRAS, S. M.; FRANCO, J. C.; NAM, Z. Climate change and land: Insights from Myanmar. World Development, v. 129, p. 104864, 1 maio 2020. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0305750X19305133>. Acesso em: 4 mar. 2020. BRAND, V.; MACHADO, C.; CAPUCIM, M.; MARTINS, L.; MARTINS, J.; HOMANN, C. Urban Heat Island (UHI) Simulations in the North Region of Parana State, Brazil. Ciência e Natura, v. 0, n. 0, p. 414–417, 2013. BREARS, R. C. Blue and Green Cities: The Role of Blue-Green Infrastructure in Managing Urban Water Resources. London: Palgrave Macmillan UK, 2018. BRITO, J.; RIZZO, L. V.; HERCKES, P.; VASCONCELLOS, P. C.; CAUMO, S. E. S.; FORNARO, A.; YNOUE, R. Y.; ARTAXO, P.; ANDRADE, M. F. Physical-chemical characterisation of the particulate matter inside two road tunnels in the São Paulo Metropolitan Area. Atmospheric Chemistry and Physics, v. 13, n. 24, p. 12199–12213, 2013. Disponível em: <https://www.atmos-chem-phys.net/13/12199/2013/>. BROUSSE, O.; MARTILLI, A.; FOLEY, M.; MILLS, G.; BECHTEL, B. WUDAPT, an efficient land use producing data tool for mesoscale models? Integration of urban LCZ in WRF over Madrid. Urban Climate, v. 17, p. 116–134, 1 set. 2016. Disponível em: <https://www.sciencedirect.com/science/article/pii/S2212095516300219>. Acesso em: 20 ago. 2019. BRZOZOWSKI, K.; RYGUŁA, A.; MACZYŃSKI, A. The use of low-cost sensors for air quality analysis in road intersections. Transportation Research Part D: Transport and Environment, v. 77, p. 198–211, 1 dez. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1361920919306765>. Acesso em: 23 mar. 2020. CARDOSO, R. dos S.; AMORIM, M. C. de C. T. Urban heat island analysis using the ‘local climate zone’ scheme in Presidente Prudente, Brazil. Investigaciones Geográficas, n. 69, p. 107–118, 2018. CASTILLEJO-GONZÁLEZ, I. L.; LÓPEZ-GRANADOS, F.; GARCÍA-FERRER, A.; PEÑA-BARRAGÁN, J. M.; JURADO-EXPÓSITO, M.; ORDEN, M. S. de la; GONZÁLEZ-AUDICANA, M. Object- and pixel-based analysis for mapping crops and their agro-environmental associated measures using QuickBird imagery. Computers and Electronics in Agriculture, v. 68, n. 2, p. 207–215, 2009. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0168169909000982>. CETESB. Emissões veiculares no Estado de São Paulo 2012 [recurso eletrônico]. p. 108, 2013. Disponível em:< https://cetesb.sp.gov.br/veicular/wp-content/uploads/sites/6/2017/09/relatorio-2012.pdf >. Acesso em: 26 nov. 2019. CETESB. Qualidade do ar no estado de São Paulo 2018 [recurso eletrônico]. p. 210, 2019. Disponível em:< https://cetesb.sp.gov.br/wp-content/uploads/2019/07/Cetesb_QualidadeAr_2018R.pdf >. Acesso em: 21 dez. 2020. CHAN, S. Y.; CHAU, C. K.; LEUNG, T. M. On the study of thermal comfort and perceptions of environmental features in urban parks: A structural equation modeling approach. Building and Environment, v. 122, p. 171–183, 2017. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0360132317302482>. CHEN, L.; FRAUENFELD, O. W. Impacts of urbanization on future climate in China. Climate Dynamics, v. 47, n. 1, p. 345–357, 2016. Disponível em: <https://doi.org/10.1007/s00382-015-2840-6>. Acesso em: 05 fev. 2021. CHEN, S.-H.; SUN, W.-Y.. A one-dimensional time dependent cloud model. Journal of the Meteorological Society of Japan. Ser. II, v. 80, n. 1, p. 99-118, 2002. Disponível em:< https://www.jstage.jst.go.jp/article/jmsj/80/1/80_1_99/_article/-char/ja/ >. Acesso em: 22 ago. 2020. CHEN, F.; TEWARI, M.; MANNING, K.; MIAO, S.; MARTILLI, A.; GROSSMAN-CLARKE, S.; KUSAKA, H. Development of the integrated wrf/urban modeling system and its application to urban environmental problems. In: The 7th International Conference on Urban Climate, 2009. Disponível em:< http://www.ide.titech.ac.jp/~icuc7/extended_abstracts/pdf/375807-1-090519090239-003(rev).pdf >. CHEN, F.; KUSAKA, H.; BORNSTEIN, R.; CHING, J.; GRIMMOND, C. S. B.; GROSSMAN-CLARKE, S.; LORIDAN, T.; MANNING, K. W.; MARTILLI, A.; MIAO, S.; SAILOR, D.; SALAMANCA, F. P.; TAHA, H.; TEWARI, M.; WANG, X.; WYSZOGRODZKI, A. A.; ZHANG, C. The integrated WRF/urban modelling system: development, evaluation, and applications to urban environmental problems. International Journal of Climatology, v. 31, n. 2, p. 273–288, 2011. Disponível em: <https://rmets.onlinelibrary.wiley.com/doi/abs/10.1002/joc.2158>. CHEN, F.; DUDHIA, J. Coupling an Advanced Land Surface–Hydrology Model with the Penn State–NCAR MM5 Modeling System. Part I: Model Implementation and Sensitivity. Monthly Weather Review, v. 129, n. 4, p. 569–585, 1 abr. 2001. Disponível em: <https://doi.org/10.1175/1520-0493(2001)129%3C0569:CAALSH%3E2.0.CO>. CHEN, X.; XU, Y.; YANG, J.; WU, Z.; CHU, H. Remote sensing of urban thermal environments within local climate zones: A case study of two high-density subtropical Chinese cities. Urban Climate, v. 31, p. 100568, 1 mar. 2020. Disponível em: <https://www.sciencedirect.com/science/article/pii/S2212095519302639>. Acesso
em: 25 mar. 2020. CHENG, V.; NG, E.; CHAN, C.; GIVONI, B. Outdoor thermal comfort study in a sub-tropical climate: a longitudinal study based in Hong Kong. International Journal of Biometeorology, v. 56, n. 1, p. 43–56, 2012. Disponível em: <https://doi.org/10.1007/s00484-010-0396-z>. CHENG, X.; LI, Y.; XU, X.; YOU, W.; ZANG, Z.; GAO, L.; CHEN, Y.; SU, D.; YAN, P. Lidar data assimilation method based on CRTM and WRF-Chem models and its application in PM2.5 forecasts in Beijing. Science of The Total Environment, v. 682, p. 541–552, 10 set. 2019a. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0048969719322193>. Acesso em: 16 jul. 2019. CHENG, N.; LI, R.; XU, C.; CHEN, Z.; CHEN, D.; MENG, F.; BINGFEN, C.; MA, Z.; ZHUANG, Y.; HE, B.; GAO, B. Ground ozone variations at an urban and a rural station in Beijing from 2006 to 2017: Trend, meteorological influences and formation regimes. Journal of Cleaner Production, v. 235, p. 11–20, 20 out. 2019b. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0959652619321651>. Acesso em: 17 mar. 2020. CHING, J.; MILLS, G.; BECHTEL, B.; SEE, L.; FEDDEMA, J.; WANG, X.; REN, C.; BROUSSE, O.; MARTILLI, A.; NEOPHYTOU, M.; MOUZOURIDES, P.; STEWART, I.; HANNA, A.; NG, E.; FOLEY, M.; ALEXANDER, P.; ALIAGA, D.; NIYOGI, D.; SHREEVASTAVA, A.; BHALACHANDRAN, P.; MASSON, V.; HIDALGO, J.; FUNG, J.; ANDRADE, M.; BAKLANOV, A.; DAI, W.; MILCINSKI, G.; DEMUZERE, M.; BRUNSELL, N.; PESARESI, M.; MIAO, S.; MU, Q.; CHEN, F.; THEEUWES, N. WUDAPT: An Urban Weather, Climate, and Environmental Modeling Infrastructure for the Anthropocene. Bulletin of the American Meteorological Society, v. 99, n. 9, p. 1907–1924, 2018. Disponível em: <https://doi.org/10.1175/BAMS-D-16-0236.1>. CHOU, Ming-Dah. Parameterizations for the absorption of solar radiation by O2 and CO2 with application to climate studies. Journal of Climate, v. 3, n. 2, p. 209-217, 1990. Acesso em: 21 ago. 2020. CHOU, Ming-Dah. A solar radiation model for use in climate studies. Journal of the Atmospheric Sciences, v. 49, n. 9, p. 762-772, 1992. Acesso em: 21 ago. 2020. CHOU, Ming-Dah; LEE, Kyu-Tae. Parameterizations for the absorption of solar radiation by water vapor and ozone. Journal of the atmospheric sciences, v. 53, n. 8, p. 1203-1208, 1996. Acesso em: 21 ago. 2020. CHOU, Ming-Dah; SUAREZ, Max J. A Solar Radiation Parameterization for Atmospheric Studies. NASA Tech. Memo 104606; NASA Boulder, CO, USA, v. 40. 1999. Disponível em:< https://ntrs.nasa.gov/citations/19990060930>. Acesso em: 21 ago. 2020. CHOU, M.-D.; SUAREZ, M. J.; LIANG, X. Z.; YAN, M. M. H. A Thermal Infrared Radiation Parameterization for Atmospheric Studies. v. 19, 2001.
CONAMA. Conselho Nacional do Meio Ambiente. Resolução nº 491, de 19 de novembro de 2018. Dispõe sobre padrões de qualidade do ar. Brasil, DF, 2018. Disponível em: <http://pesquisa.in.gov.br/imprensa/jsp/visualiza/index.jsp?data=21/11/2018&jornal=515&pagina=155&totalArquivos=178>. Acesso em: 12 jan. 2020. CONRAD, O.; BECHTEL, B.; BOCK, M.; DIETRICH, H.; FISCHER, E.; GERLITZ, L.; WEHBERG, J.; WICHMANN, V.; BÖHNER, J. System for Automated Geoscientific Analyses (SAGA) v. 2.1.4. Geoscientific Model Development, v. 8, n. 7, p. 1991–2007, 2015. Disponível em: <https://gmd.copernicus.org/articles/8/1991/2015/>. CORDONNIER, M.; BELLEC, A.; ESCARGUEL, G.; KAUFMANN, B. Effects of urbanization–climate interactions on range expansion in the invasive European pavement ant. Basic and Applied Ecology, v. 44, p. 46–54, 1 maio 2020. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1439179120300074>. Acesso em: 20 mar. 2020. COUTTS, C.; HAHN, M. Green Infrastructure, Ecosystem Services, and Human Health. International Journal of Environmental Research and Public Health, v. 12, n. 8, p. 9768–9798, 18 ago. 2015. Disponível em: <http://www.mdpi.com/1660-4601/12/8/9768>. CROSMAN, E. T.; HOREL, J. D. Sea and Lake Breezes: A Review of Numerical Studies. Boundary-Layer Meteorology, v. 137, n. 1, p. 1–29, 26 out. 2010. Disponível em: <http://link.springer.com/10.1007/s10546-010-9517-9>. Acesso em: 05 mar. 2021. DE HOOGH, K.; WANG, M.; ADAM, M.; BADALONI, C.; BEELEN, R.; BIRK, M.; CESARONI, G.; CIRACH, M.; DECLERCQ, C.; DĖDELĖ, A.; DONS, E.; NAZELLE, A. DE; EEFTENS, M.; ERIKSEN, K.; ERIKSSON, C.; FISCHER, P.; GRAŽULEVIČIENĖ, R.; GRYPARIS, A.; HOFFMANN, B.; JERRETT, M.; KATSOUYANNI, K.; IAKOVIDES, M.; LANKI, T.; LINDLEY, S.; MADSEN, C.; MÖLTER, A.; MOSLER, G.; NIEUWENHUIJSEN, M.; PERSHAGEN, G.; PETERS, A.; PHULERIA, H.; PROBST-HENSCH, N.; RAASCHOU-NIELSEN, O.; QUASS, U.; RANZI, A.; STEPHANOU, E.; SUGIRI, D.; SCHWARZE, P.; TSAI, M.-Y..; YLI-TUOMI, T.; VARRÓ, M. J.; VIENNEAU, D.; WEINMAYR, G.; BRUNEKREEF, B.; HOEK, G. Development of Land Use Regression Models for Particle Composition in Twenty Study Areas in Europe. Environmental Science & Technology, v. 47, n. 11, p. 5778–5786, 4 jun. 2013. Disponível em: <https://doi.org/10.1021/es400156t>. DE LA PAZ, D.; BORGE, R.; MARTILLI, A. Assessment of a high resolution annual WRF-BEP/CMAQ simulation for the urban area of Madrid (Spain). Atmospheric Environment, v. 144, p. 282–296, 2016. Disponível em: <http://www.sciencedirect.com/science/article/pii/S1352231016306884>. DE OLIVEIRA, J. V.; COHEN, J. C. P.; PIMENTEL, M.; TOURINHO, H. L. Z.; LÔBO, M. A.; SODRÉ, G.; ABDALA, A. Urban climate and environmental perception about climate change in Belém, Pará, Brazil. Urban Climate, v. 31, p. 100579, 1 mar.
2020. Disponível em: <https://www.sciencedirect.com/science/article/pii/S2212095519302421>. Acesso em: 4 mar. 2020. DENATRAN. Frota de veículos, 2017. 2017. Disponível em: <https://infraestrutura.gov.br/component/content/article/115-portal-denatran/8557-frota-de-veiculos-2017.html>. DEPOY, E.; GITLIN, L. N. Statistical Analysis for Experimental-Type Designs. Introduction to Research, p. 282–310, 1 jan. 2016. Disponível em: <https://www.sciencedirect.com/science/article/pii/B9780323261715000203>. Acesso em: 24 dez. 2019. DIENST, M.; LINDÉN, J.; SALADIÉ, Ò.; ESPER, J. Detection and elimination of UHI effects in long temperature records from villages – A case study from Tivissa, Spain. Urban Climate, v. 27, p. 372–383, 1 mar. 2019. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S2212095518302578>. Acesso em: 5 mar. 2020. DORIGON, L. P.; AMORIM, M. C. de C. T. Spatial modeling of an urban Brazilian heat island in a tropical continental climate. Urban Climate, v. 28, p. 100461, 2019. Disponível em: <http://www.sciencedirect.com/science/article/pii/S2212095518300646>. DUARTE, E. de S. F.; FRANKE, P.; LANGE, A. C.; FRIESE, E.; LOPES, F. J. da S.; SILVA, J. J. da; REIS, J. S.; LANDULFO, E.; SILVA, C. M. S. e; ELBERN, H.; HOELZEMANN, J. J. Evaluation of atmospheric aerosols in the metropolitan area of São Paulo simulated by the regional EURAD-IM model on high-resolution. Atmospheric Pollution Research, v. 12, n. 2, p. 451–469, fev. 2021. Disponível em: <https://linkinghub.elsevier.com/retrieve/pii/S1309104220303482>. Acesso em: 12 fev. 2021. DUDHIA, J. A Multi-layer Soil Temperature Model for MM5. In: Sixth Annual PSU/NCAR Mesoscale Model Users’ WorkshopAt: Bouilder, CO,1996. EFSTATHIOU, G. A.; ZOUMAKIS, N. M.; MELAS, D.; LOLIS, C. J.; KASSOMENOS, P. Sensitivity of WRF to boundary layer parameterizations in simulating a heavy rainfall event using different microphysical schemes. Effect on large-scale processes. Atmospheric research, v. 132, p. 125-143, 2013. Disponível em:<https://www.sciencedirect.com/science/article/pii/S0169809513001312?casa_token=ALXJEthn_MUAAAAA:cb0XHS8Rc6Sla2YbtUY6gyECCovX_emMmsxBKuNd6AbOK5Sd1dmzW75P0YXqPRjiwZ323jo1xEU#bb0195>. Acesso em: 22 ago. 2020. EMMONS, L. K.; WALERS, S.; HESS, P. G.; LAMARQUE, J.-F.; PFISTER, G. G.; FILLMORE, D.; GRANIER, C.; GUENTHER, A.; KINNISON, D.; LAEPPLE, T.; ORLANDO, J.; TIE, X.; TYNDALL, G.; WIEDINMYER, C.; BAUGHCUM, S. L.; KLOSTER, S. Description and evaluation of the Model for Ozone and Related chemical Tracers, version 4 (MOZART-4). Geoscientific Model Development, v. 3, n. 1, p. 43–67, 12 jan. 2010. Disponível em: <https://www.geosci-model-dev.net/3/43/2010/>.
EPA. Federal and California Exhaust and Evaporative Emission Standards for Light-Duty Vehicles and Light-Duty Trucks. EPA420-B-00-001, n. February, 2000. ESTEVES, F. D. A. Fundamentos de Limnologia. Interface, n. 2, p. 226, 1988. Acesso em: 06 mar. 2021. FAN, P.; OUYANG, Z.; NGUYEN, D. D.; NGUYEN, T. T. H.; PARK, H.; CHEN, J. Urbanization, economic development, environmental and social changes in transitional economies: Vietnam after Doimoi. Landscape and Urban Planning, v. 187, p. 145–155, 1 jul. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0169204618311745>. Acesso em: 18 ago. 2019. LEAL FILHO, W.; BALOGUN, A.-L.; OLAYIDE, O. E.; AZEITEIRO, U. M.; AYAL, D. Y.; MUÑOZ, P. D. C.; NAGU, G. J.; BYNOW, P.; OGUGE, O.; TOAMUKUM N. Y.; SAROAR, M.; LI, C. Assessing the impacts of climate change in cities and their adaptive capacity: Towards transformative approaches to climate change adaptation and poverty reduction in urban areas in a set of developing countries. Science of The Total Environment, v. 692, p. 1175–1190, 20 nov. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0048969719333418>. Acesso em: 30 mar. 2020. FOISSARD, X.; DUBREUIL, V.; QUÉNOL, H. Defining scales of the land use effect to map the urban heat island in a mid-size European city: Rennes (France). Urban Climate, v. 29, p. 100490, 1 set. 2019. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S2212095518300877>. Acesso em: 30 mar. 2020. FOSTER, J.; LOWE, A.; WINKELMAN, S. The value of green infrastructure for urban climate adaptation. Center for Clean Air Policy, v. 750, n. 1, p. 1–52, 2011. Acesso em: 13 fev. 2021. FRANCO, D. M. P.; ANDRADE, M. de F.; YNOUE, R. Y.; CHING, J. Effect of Local Climate Zone (LCZ) classification on ozone chemical transport model simulations in Sao Paulo, Brazil. Urban Climate, v. 27, n. December 2018, p. 293–313, 2019. Disponível em: <https://doi.org/10.1016/j.uclim.2018.12.007>. FRANCO, D. M. P. Efeitos de uma parametrização com diferentes LCZs (Local Climate Zones) na simulação das concentrações de ozônio na RMSP. Tese de Doutorado – Universidade de São Paulo, p. 161, 2020. GAGO, E. J.; ROLDAN, J; PACHECO-TORRES, R.; ORDÓÑEZ, J. The city and urban heat islands: A review of strategies to mitigate adverse effects. Renewable and Sustainable Energy Reviews, v. 25, p. 749–758, 2013. Disponível em: <http://dx.doi.org/10.1016/j.rser.2013.05.057>. GALAGODA, R. U.; JAYASINGHE, G. Y.; HALWATURA, R. U.; RUPASINGHE, H. T. The impact of urban green infrastructure as a sustainable approach towards tropical micro-climatic changes and human thermal comfort. Urban forestry & urban
greening, v. 34, p. 1-9, 2018. Disponível em:< https://doi.org/10.1016/j.ufug.2018.05.008>. GAVIDIA-CALDERÓN, M.; VARA-VELA, A.; CRESCO, N. M.; ANDRADE, M. F. Impact of time-dependent chemical boundary conditions on tropospheric ozone simulation with WRF-Chem: An experiment over the Metropolitan Area of São Paulo. Atmospheric Environment, v. 195, p. 112–124, 1 dez. 2018. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1352231018306216>. Acesso em: 2 ago. 2019. GEORGIOU, G. K.; CHRISTOUDIAS, T.; PROESTOS, Y.; KUSHTA, J.; HADJINICOLAOU, P.; LELIEVELD, J. Air quality modelling in the summer over the eastern Mediterranean using WRF-Chem: chemistry and aerosol mechanism intercomparison. Atmospheric Chemistry and Physics, v. 18, n. 3, p. 1555–1571, 2018. Disponível em: <https://www.atmos-chem-phys.net/18/1555/2018/>. GHOFRANI, Z.; SPOSITO, V.; FAGGIAN, R. A Comprehensive Review of Blue-Green Infrastructure Concepts. International Journal of Environment and Sustainability; Vol 6, nº 1, 2017. Disponível em: <https://www.sciencetarget.com/Journal/index.php/IJES/article/view/728>. GOHIL, K.; JIN, M. S. Validation and Improvement of the WRF Building Environment Parametrization (BEP) Urban Scheme. Climate, v. 7, n. 9, p. 109, 10 set. 2019. Disponível em: <https://www.mdpi.com/2225-1154/7/9/109>. GUENTHER, A.; KARL, T.; HARLEY, P.; WIEDINMYER, C.; PALMER, O. I.; GERON, C. Estimates of global terrestrial isoprene emissions using MEGAN (Model of Emissions of Gases and Aerosols from Nature). Atmospheric Chemistry and Physics, European Geosciences Union, v. 11, p. 3181-3210, 2006. Disponível em:< https://hal.archives-ouvertes.fr/hal-00295995/>. Acesso em: 22 ago. 2020. GUENTHER, A. B.; JIANG, X.; HEALD, C. L. SAKULYANONTVITTAYA, T.; DUHL T.; EMMONS, L. The Model of Emissions of Gases and Aerosols from Nature version 2.1 (MEGAN2. 1): an extended and updated framework for modeling biogenic emissions. Geoscientific Model Development, p. 1471-1492, 2012. Disponível em:< https://dspace.mit.edu/handle/1721.1/78869>. Acesso em: 22 ago. 2020. GUNAWARDENA, K. R.; WELLS, M. J.; KERSHAW, T. Utilising green and bluespace to mitigate urban heat island intensity. Science of The Total Environment, v. 584–585, p. 1040–1055, 2017. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0048969717301754>. GRELL, G. A., PECKHAN, S. E.; SCHMITZ, R.; MCKEEN, S. A.; FROST, G.; SKAMAROCK, W. C.; EDER, B. Fully coupled “online” chemistry within the WRF model. Atmospheric Environment, v. 39, n. 37, p. 6957–6975, 1 dez. 2005. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1352231005003560>. Acesso em: 29 jul. 2019. GRELL, G. A.; EMEIS, S.; STOCKWELL, W. R.; SCHOENEMEYER, T.; FORKEL,
R.; MICHALAKES, J.; KNOCHE, R.; SEIDL, W. Application of a multiscale, coupled MM5/chemistry model to the complex terrain of the VOTALP valley campaign. Atmospheric Environment, v. 34, n. 9, p. 1435–1453, 2000. Disponível em: <http://www.sciencedirect.com/science/article/pii/S1352231099004021>. GRIMM, N. B.; FAETH, S. H.; GOLUBIEWSKI, N. E.; REDMAN, C. L.; WU, J.; BAI, X.; BRIGGS, J. M. Global Change and the Ecology of Cities. Science, v. 319, n. 5864, p. 756–760, 2008. Disponível em: <https://science.sciencemag.org/content/319/5864/756>. HABERMANN, M.; BILLGER, M.; HAEGER-EUGENSSON, M. Land use Regression as Method to Model Air Pollution. Previous Results for Gothenburg/Sweden. Procedia Engineering, v. 115, p. 21–28, 1 jan. 2015. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1877705815016331>. Acesso em: 20 ago. 2019. HALLAK, R.; PEREIRA FILHO, A. J. Metodologia para anÃ!`lise de desempenho de simulações de sistemas convectivos na região metropolitana de São Paulo com o modelo ARPS: sensibilidade a variações com os esquemas de advecção e assimilação de dados. Revista Brasileira de Meteorologia, v. 26, p. 591–608, 2011. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862011000400009&nrm=iso>. HAUGLUSTAINE, D. A.; BRASSEUR, G. P.; WALTERS, S.; RASCH, P. J.; MÜLLER, J.-F.; EMMONS, L. K.; CARROLL, M. A. MOZART, a global chemical transport model for ozone and related chemical tracers: 2. Model results and evaluation. Journal of Geophysical Research: Atmospheres, v. 103, n. D21, p. 28291–28335, 1998. Disponível em: <https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/98JD02398>. HE, X.; LI, Y.; WANG, X.; CHEN, L.; YU, B.; ZHANG, Y.; MIAO, S. High-resolution dataset of urban canopy parameters for Beijing and its application to the integrated WRF/Urban modelling system. Journal of Cleaner Production, v. 208, p. 373–383, 20 jan. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0959652618331007>. Acesso em: 27 jul. 2019. HONG, S.-Y.; NOH, Y.; DUDHIA, J. A New Vertical Diffusion Package with an Explicit Treatment of Entrainment Processes. Monthly Weather Review, v. 134, n. 9, p. 2318–2341, 1 set. 2006. Disponível em: <https://doi.org/10.1175/MWR3199.1>. HONG, J.; GU, J.; HE, R.; WANG, X.; SHEN, Q. Unfolding the spatial spillover effects of urbanization on interregional energy connectivity: Evidence from province-level data. Energy, v. 196, p. 116990, 1 abr. 2020. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0360544220300979>. Acesso em: 23 mar. 2020. HOSHYARIPOUR, G.; BRASSEUR, G.; ANDRADE, M. F.; GAVIDIA-CALDERÓN, M.; BOUARAR, I.; YNOUE, R. Y. Prediction of ground-level ozone concentration in São Paulo, Brazil: Deterministic versus statistic models. Atmospheric Environment,
v. 145, p. 365–375, 1 nov. 2016. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1352231016307798>. Acesso em: 2 ago. 2019. HOWE, D. A.; HATHAWAY, J. M.; ELLIS, K. N.; MASON, L. R. Spatial and temporal variability of air temperature across urban neighborhoods with varying amounts of tree canopy. Urban Forestry & Urban Greening, v. 27, p. 109–116, 1 out. 2017. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S1618866717302169>. Acesso em: 23 mar. 2020. HU, Y.; JIA, G.; POHL, C.; ZHANG, X.; GENDEREN, J. V. Assessing surface albedo change and its induced radiation budget under rapid urbanization with Landsat and GLASS data. Theoretical and Applied Climatology, v. 123, n. 3, p. 711–722, 2016. Disponível em: <https://doi.org/10.1007/s00704-015-1385-2>. IAP - Instituto Ambiental do Paraná. Inventário Estadual de Emissões Atmosféricas de Poluentes (MP, CO, NOx e SOx) e Proposta para Revisão e Ampliação da Rede de Monitoramento da Qualidade do Ar do Estado do Paraná. Curitiba/PR, 2013. Disponível em:<http://www.iap.pr.gov.br/arquivos/File/Monitoramento/INVENTARIO/INVENTARIO_ESTADUAL_DE_EMISSOES_ATM_versaofinal.pdf>. Acesso em: 03 out. 2020 IBGE. Mapa de vegetação do Brasil. 2004. Disponível em:< http://www.terrabrasilis.org.br/ecotecadigital/index.php?option=com_abook&view=book&catid=7:mapas&id=539:brasil-Vegetacao >. Acesso em: 20 out. 2020. IBGE. Censo Demográfico: Características da população – amostra. 2019. Disponível em: <www.ibge.gov.br>. Acesso em: 14 ago. 2019. IPARDES – Instituto Paranaense de Desenvolvimento Econômico e Social. Caderno Estatístico dos Municípios do Paraná. Disponível em: <http://www.ipardes.gov.br/index.php?pg_conteudo=1&cod_conteudo=30>. Acesso em: 13 jan. 2020. IPING, A.; KIDSTON-LATTARI, J.; SIMPSON-YOUNG, A.; DUNCAN, E.; MCMANUS, P. (Re)presenting urban heat islands in Australian cities: A study of media reporting and implications for urban heat and climate change debates. Urban Climate, v. 27, p. 420–429, 1 mar. 2019. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S2212095518300555>. Acesso em: 5 mar. 2020. JANDAGHIAN, Z.; BERARDI, U. Comparing urban canopy models for microclimate simulations in Weather Research and Forecasting Models. Sustainable Cities and Society, v. 55, n. October 2019, p. 102025, 2020. Disponível em: <https://doi.org/10.1016/j.scs.2020.102025>. Acesso em: 29 out. 2020. JIMÉNEZ, P. A.; DUDHIA, J.; GONZÁLEZ-ROUCO, J. F.; NAVARRO, J.; MONTÁVEZ, J. P.; GARCÍA-BUSTAMANTE, E. A revised scheme for the WRF surface layer formulation. Monthly Weather Review, v. 140, n. 3, p. 898-918, 2012.
Disponível em: <https://journals.ametsoc.org/mwr/article/140/3/898/104000/A-Revised-Scheme-for-the-WRF-Surface-Layer>. Acesso em: 22 ago. 2020. JANJIC, Z. Nonsingular Implementation of the Mellor–Yamada Level 2.5 Scheme in the NCEP Meso Model. NCEP Office Note, v. 436, 2002. KROGSAETER, O.; REUDER, J. Validation of boundary layer parameterization schemes in the Weather Research and Forecasting (WRF) model under the aspect of offshore wind energy applications-part II: boundary layer height and atmospheric stability. Wind Energy, v. 18, n. 7, p. 1291–1302, jul. 2015. KATO, T. Prediction of photovoltaic power generation output and network operation. Integration of Distributed Energy Resources in Power Systems, p. 77–108, 1 jan. 2016. Disponível em: <https://www.sciencedirect.com/science/article/pii/B9780128032121000040>. Acesso em: 26 dez. 2019. KAWASHIMA, A. B.; MARTINS, L. D.; RAFEE, S. A. A.; RUDKE, A. P.; MORAIS, M. V.; MARTINS, J. A. Development of a spatialized atmospheric emission inventory for the main industrial sources in Brazil. Environmental Science and Pollution Research, v. 27, n. 29, p. 35941–35951, 2020. Disponível em: <https://doi.org/10.1007/s11356-020-08281-7>. KHAN, M. A. H.; CLEMENTS, J.; LOWE, D.; MCFIGGANS, G.; PERCIVAL, C. J.; SHALLCROSS, D. E. Investigating the behaviour of the CRI-MECH gas-phase chemistry scheme on a regional scale for different seasons using the WRF-Chem model. Atmospheric Research, v. 229, p. 145–156, 15 nov. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0169809519302674>. Acesso em: 9 jan. 2020. KIM, Hongsuk H. Urban heat island. International Journal of Remote Sensing, v. 13, n. 12, p. 2319-2336, 1992. Disponível em:<https://www.tandfonline.com/doi/abs/10.1080/01431169208904271>. Acesso em 07 set. 2020. KIM, Y.-H.; BAIK, J.-J. Maximum Urban Heat Island Intensity in Seoul. Journal of Applied Meteorology, v. 41, n. 6, p. 651–659, 1 jun. 2002. Disponível em: <https://doi.org/10.1175/1520-0450(2002)041%3C0651:MUHIII%3E2.0.CO>. KIM, S. Immigration, Industrial Revolution and Urban Growth in the United States, 1820-1920: Factor Endowments, Technology and Geography. National Bureau of Economic Research, Inc, NBER Working Papers, 2007. KINNEY, P. L. Interactions of Climate Change, Air Pollution, and Human Health. Current Environmental Health Reports, v. 5, n. 1, p. 179–186, 2018. Disponível em: <https://doi.org/10.1007/s40572-018-0188-x>. KLEISSL, J.; GHONIMA, M.; NGUYEN, D. (A.); KURTZ, B.; CHOW, C. W.; KLEISSL, J. Sky-Imaging Systems for Short-Term Forecasting. Solar Energy Forecasting and Resource Assessment, p. 195–232, 1 jan. 2013. Disponível em: <https://www.sciencedirect.com/science/article/pii/B9780123971777000097>.
Acesso em: 26 dez. 2019. KÖPPEN, W. Klassifikation der Klimate nach Temperatur, Niederschlag und Jahreslauf. Petermanns Geographische Mitteilungen, v. 64, p. 193–203, 1 jan. 1918. KRAYENHOFF, E. S.; JIANG, T.; CHRISTEN, A.; MARTILLI, A.; OKE, T. R.; BAILEY, B. N.; NAZARIAN, N.; VOOGT, J. A.; GIOMETTO, M. G.; STASTNY, A.; CRAWFORD, B. R. A multi-layer urban canopy meteorological model with trees (BEP-Tree): Street tree impacts on pedestrian-level climate. Urban Climate, v. 32, p. 100590, 1 jun. 2020. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S2212095519302640>. Acesso em: 18 mar. 2020. KROGSAETER, O.; REUDER, J. Validation of boundary layer parameterization schemes in the Weather Research and Forecasting (WRF) model under the aspect of offshore wind energy applications-part II: boundary layer height and atmospheric stability. Wind Energy, v. 18, n. 7, p. 1291–1302, jul. 2015. KUTTLER, W. The Urban Climate -- Basic and Applied Aspects. In: MARZLUFF, J. M.; SHULENBERGER, E.; ENDLICHER, W.; ALBERTI, M.; BRADLEY, G.; RYAN, C.; SIMON, U.; ZUMBRUNNEN, C. (Ed.). Urban Ecology: An International Perspective on the Interaction Between Humans and Nature. Boston, MA: Springer US, 2008. p. 233–248. KUSAKA, H.; KONDO, H.; KIKEGAWA, Y.; KIMURA, F. A simple single-layer urban canopy model for atmospheric models: Comparison with multi-layer and slab models. Boundary-layer meteorology, v. 101, n. 3, p. 329–358, 2001. KRECL, P.; TARGINO, A. C.; LAND, T. P.; KETZEL, M. Determination of black carbon, PM2.5, particle number and NOx emission factors from roadside measurements and their implications for emission inventory development. Atmospheric Environment, v. 186, p. 229–240, 1 ago. 2018. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1352231018303467>. Acesso em: 24 set. 2019. LAROCCA, A. G.; CARDOSO, C.; ANGELIS, B. L. D. De. O Impacto da Ocupação de Fundo de Vales em Áreas Urbanas – Estudo de caso Lago Igapó Londrina – PR. Revista Nacional de Gerenciamento de Cidades, v. 5, n. 30, 2017. Disponível em: <http://www.amigosdanatureza.org.br/publicacoes/index.php/gerenciamento_de_cidades/article/view/1539>. LAVERS, A.; KALMYKOVA, Y.; ROSADO, L.; OLIVEIRA, F.; LAURENT, R. Selecting representative products for quantifying environmental impacts of consumption in urban areas. Journal of Cleaner Production, v. 162, p. 34–44, 20 set. 2017. Disponível em: <https://www.sciencedirect.com/science/article/pii/S095965261731199X>. Acesso em: 18 ago. 2019. LEMONSU, A.; MASSON, V.; SHASHUA-BAR, L.; ERELL, E.; PEARLMUTTER, D.
Inclusion of vegetation in the Town Energy Balance model for modelling urban green areas. Geoscientific Model Development, v. 5, n. 6, p. 1377–1393, 2012. LI, G.; WANG, Y.; ZHANG, R. Implementation of a two-moment bulk microphysics scheme to the WRF model to investigate aerosol-cloud interaction. Journal of Geophysical Research: Atmospheres, v. 113, n. D15, 16 ago. 2008. Disponível em: <https://doi.org/10.1029/2007JD009361>. LI, X. X.; NORFORD, L. K. Evaluation of cool roof and vegetations in mitigating urban heat island in a tropical city, Singapore. Urban Climate, v. 16, p. 59–74, 2016. Disponível em: <http://dx.doi.org/10.1016/j.uclim.2015.12.002>. LIAO, J.; WANG, T.; WANG, X.; XIE, M.; JIANG, Z.; HUANG, X.; ZHU, J. Impacts of different urban canopy schemes in WRF/Chem on regional climate and air quality in Yangtze River Delta, China. Atmospheric Research, v. 145–146, p. 226–243, 2014. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0169809514001732>. LIN, Yuh-Lang; FARLEY, Richard D.; ORVILLE, Harold D. Bulk parameterization of the snow field in a cloud model. Journal of climate and applied meteorology, v. 22, n. 6, p. 1065-1092, 1983. Disponível em:<https://journals.ametsoc.org/jamc/article/22/6/1065/352507/Bulk-Parameterization-of-the-Snow-Field-in-a-Cloud>. Acesso em: 22 ago. 2020. LINARES, C.; DÍAZ, J.; NEGEV, M.; MARTÍNEZ, G. S.; DEBONO, R.; PAZ, S. Impacts of climate change on the public health of the Mediterranean Basin population - Current situation, projections, preparedness and adaptation. Environmental Research, v. 182, p. 109107, 1 mar. 2020. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S001393511930903X>. Acesso em: 4 mar. 2020. LIU, W.; CHEN, W.; PENG, C. Assessing the effectiveness of green infrastructures on urban flooding reduction: A community scale study. Ecological Modelling, v. 291, p. 6-14, 2014. LIU, F.; LIU, C. Regional disparity, spatial spillover effects of urbanisation and carbon emissions in China. Journal of Cleaner Production, v. 241, p. 118226, 20 dez. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0959652619330963>. Acesso em: 20 mar. 2020. LO, J. C. F.; LAU, A. K. H.; CHEN, F.; FUNG, J. C. H., LEUNG, K. K. M. Urban Modification in a Mesoscale Model and the Effects on the Local Circulation in the Pearl River Delta Region. Journal of Applied Meteorology and Climatology, v. 46, n. 4, p. 457–476, 1 abr. 2007. Disponível em: <https://journals.ametsoc.org/doi/10.1175/JAM2477.1>. Acesso em: 09 fev. 2021. Londrina. Lei nº 12.236, de 29 de janeiro de 2015. Dispõe sobre o Uso e a Ocupação do Solo no Município de Londrina e dá outras providências. Jornal Oficial nº 2781, 06 de agosto de 2015, p. 1-71, Londrina, Paraná. Disponível em:<
https://www1.cml.pr.gov.br/leis/2015/web/LE122362015compilado.html.>. Acesso em: 23 out. 2020. Londrina. Instituto de Pesquisa e Planejamento Urbano de Londrina (IPPUL). Contagem de veículos automotores: Avenida Maringá x Rua Humaitá. 2017. LOPES, J.; ZEQUI, J. A. C.; NUNES, V.; OLIVEIRA, O. de; NETO, B. P. de. O.; RODRIGUES, W. Immature culicidae (Diptera) collected from the Igapó lake located in the urban area of Londrina, Paraná, Brazil. Brazilian Archives of Biology and Technology, v. 45, n. 4, p. 465–471, dez. 2002. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1516-89132002000600010&lng=en&tlng=en>. Acesso em: 05 mar. 2021. MADUREIRA, J.; BRANCHER E. A.; COSTA, C.; PINHO, R. A. de; TEIXEIRA, J. P. Cardio-respiratory health effects of exposure to traffic-related air pollutants while exercising outdoors: A systematic review. Environmental Research, v. 178, p. 108647, 1 nov. 2019. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S001393511930444X>. Acesso em: 19 mar. 2020. MADRONICH, Sasha. Photodissociation in the atmosphere: 1. Actinic flux and the effects of ground reflections and clouds. Journal of Geophysical Research: Atmospheres, v. 92, n. D8, p. 9740-9752, 1987. Disponível em:<https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/JD092iD08p09740>. Acesso em: 22 ago. 2020. MARTILLI, A.; CLAPPIER, A.; ROTACH, M. W. An Urban Surface Exchange Parameterisation for Mesoscale Models. Boundary-Layer Meteorology, v. 104, n. 2, p. 261–304, ago. 2002. MARTILLI, A.; KRAYENHOFF, E. S.; NAZARIAN, N. Is the Urban Heat Island intensity relevant for heat mitigation studies? Urban Climate, v. 31, p. 100541, mar. 2020. Disponível em:< https://www.sciencedirect.com/science/article/pii/S2212095519300070>. MARTINS, L. D.; ANDRADE, M. F.; FREITAS, E. D.; PRETTO, A.; GATTI, L. V.; ALBUQUERQUE, É. L.; TOMAZ, E.; GUARDANI, M. L.; MARTINS, M. H. R. B.; JUNIOR O. M. A. Emission Factors for Gas-Powered Vehicles Traveling Through Road Tunnels in São Paulo, Brazil. Environmental Science & Technology, v. 40, n. 21, p. 6722–6729, 1 nov. 2006. Disponível em: <https://doi.org/10.1021/es052441u>. MARTINS, L. D.; JÚNIOR, C. R. da S.; SOLCI, M. C.; PINTO, J. P.; SOUZA, D. Z.; VASCONCELLOS, P.; GUARIEIRO, A. L. N.; GUARIEIRO, L. L. N.; SOUSA, E. T.; ANDRADE, J. B. de. Particle Emission from Heavy-Duty Engine Fuelled with Blended Diesel and Biodiesel. Environmental monitoring and assessment, v. 184, n. 5, p. 2663–2676, maio 2012. MARTINS, L. D. et al. Avaliação do uso e ocupação do solo no estudo da qualidade do ar na Região Metropolitana de Curitiba. In: XIX Congresso Brasileiro de Meteorologia, 2016, João Pessoa. Anais do XIX CBMET 2016, 2016.
MARTINS, L. D.; VIDOTTO, L. H. B.; ALMEIDA, D. S. de; SQUIZATTO, R.; MOREIRA, C. A. B.; CAPUCIM, M. N.; MARTINS, J. A. The Role of Medium-sized Cities for Global Tropospheric Ozone Levels. Energy Procedia, v. 95, p. 265–271, 2016. Disponível em: <http://www.sciencedirect.com/science/article/pii/S1876610216307056>. MARTINS, L. D.; HALLAK, R.; ALVES, R. C.; ALMEIDA, D. S. de; SQUIZZATO, R.; MOREIRA, C. A. B.; BEAL, A.; SILVA, I. da; RUDCKE, A.; MARTINS, J. A. Long-range Transport of Aerosols from Biomass Burning over Southeastern South America and their Implications on Air Quality. Aerosol and Air Quality Research, v. 18, p. 1734-1745, 2018. Disponível em: <https://aaqr.org/articles/aaqr-17-11-2017aac-0545>. Acesso em: 28 set. 2020. MARTÍNEZ, A.; MIRÁS, J. Review Essay: The Second Industrial Revolution and Urban Growth: The Impact of Transport in Spanish Cities. Journal of Urban History - J URBAN HIST, v. 35, p. 298–305, 2009. MAZHAR, N.; BROWN, R. D.; KENNY, N.; LENZHOLZER, S. Thermal comfort of outdoor spaces in Lahore, Pakistan: Lessons for bioclimatic urban design in the context of global climate change. Landscape and Urban Planning, v. 138, p. 110–117, 2015. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0169204615000389>. MEDEIROS, A. S. S.; CALDERARO, G.; GUIMARÃES, P. C.; MAGALHAES, M. R.; MORAIS, M. V. B.; RAFEE, S. A. A.; RIBEIRO, I. O.; ANDREOLI, R. V.; MARTINS, J. A.; MARTINS, L. D.; MARTIN, S. T.; SOUZA, R. A. F. Power plant fuel switching and air quality in a tropical, forested environment. Atmospheric Chemistry and Physics, v. 17, p. 8987–8998, 2017. MIDDLETON, P.; STOCKWELL, W. R.; CARTER, W. P. L. Aggregation and analysis of volatile organic compound emissions for regional modeling. Atmospheric Environment. Part A. General Topics, v. 24, n. 5, p. 1107–1133, 1990. Disponível em: <http://www.sciencedirect.com/science/article/pii/096016869090077Z>. MIN, M.; LIN.; DUAN, X.; JIN, Z.; ZHANG, L. Spatial distribution and driving force analysis of urban heat island effect based on raster data: A case study of the Nanjing metropolitan area, China. Sustainable Cities and Society, v. 50, p. 101637, 1 out. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S2210670718326921>. Acesso em: 10 jan. 2020. MIRANDA, R. M. de. Caracterização físico-química e propriedades ópticas de aerossol urbano da região metropolitana de São Paulo. Tese de Doutorado apresentada ao Departamento de Ciências Atmosféricas – Universidade de São Paulo, 2001. MMA. INVENTÁRIO NACIONAL DE EMISSÕES ATMOSFÉRICAS POR VEÍCULOS AUTOMOTORES RODOVIÁRIOS. 2013. Disponível em: <https://www.mma.gov.br/images/arquivo/80060/Inventario_de_Emissoes_por_Veicu
los_Rodoviarios_2013.pdf>. MOHAJERANI, A.; BAKARIC, J.; JEFFREY-BAILEY, T. The urban heat island effect, its causes, and mitigation, with reference to the thermal properties of asphalt concrete. Journal of Environmental Management, v. 197, p. 522–538, 15 jul. 2017. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0301479717303201>. Acesso em: 10 jan. 2020. MÖLDERS, N. Land-Use and Land-Cover Changes: Impact on Climate and Air Quality. Land-Use and Land-Cover Changes, 2011. MOLNÁR, G.; GÁL, T.; GYÖNGYÖSI, A. Z. Evaluation of a WRF-LCZ system in simulating urban effects under non-ideal synoptic patterns. Acta climatologica et chorologica, v. 51–52, n. 1, p. 57–73, 2018. Disponível em: <http://www.clima.u-szeged.hu/acta-climatologica/10-14232/acta-clim-2018-52-4>. MOLNÁR, G.; GYÖNGYÖSI, A. Z.; GÁL, T. Integration of an LCZ-based classification into WRF to assess the intra-urban temperature pattern under a heatwave period in Szeged, Hungary. Theoretical and Applied Climatology, v. 138, n. 1, p. 1139–1158, 2019. Disponível em: <https://doi.org/10.1007/s00704-019-02881-1>. Acesso em: 21 jan. 2021. MONIN, Andreĭ Sergeevich; OBUKHOV, Aleksandr Mikhaĭlovich. Basic laws of turbulent mixing in the surface layer of the atmosphere. Contrib. Geophys. Inst. Acad. Sci. USSR, v. 151, n. 163, p. e187, 1954. MORAIS, M. V. B. de; FREITAS, E. D. de.; GUERRERO, V. V. U.; MARTINS, L. D. A modeling analysis of urban canopy parameterization representing the vegetation effects in the megacity of São Paulo. Urban Climate, v. 17, p. 102–115, 2017a. MORAIS, M. V. B. de; GUERRERO, V. V. U.; MARTINS, L. D.; MARTINS, J. A. Dynamical Downscaling of Future Climate Change Scenarios in Urban Heat Island and Its Neighborhood in a Brazilian Subtropical Area. Proceedings, v. 1, n. 5, p. 106, 17 jul. 2017b. Disponível em: <http://www.mdpi.com/2504-3900/1/5/106>. MORAIS, M. V. B. de; GUERRERO, V. V. U.; FREITAS, E. D. de; MARCIOTTO, E. R.; VALDÉS, H.; CORREA, C.; AGREDANO, R.; VERA-PUERTO, I. Sensitivity of Radiative and Thermal Properties of Building Material in the Urban Atmosphere. Sustainability, v. 11, n. 23, p. 6865, 2019. MORAIS, M. V. B. de; GUERRERO, V. V. U. Analysis of computational performance and adaptive time step for numerical weather prediction models. International Journal of Engineering & Mathematical Modeling, v. 2018, p. 1–8, 2018. MORAIS, M. V. B. de; FREITAS, E. D. de; MARCIOTTO, E. R.; GUERRERO, V. V. U.; MARTINS, L. D.; MARTINS, J. A. Implementation of Observed Sky-View Factor in a Mesoscale Model for Sensitivity Studies of the Urban Meteorology. Sustainability, v. 10, 2018.
MORAIS, M. V. B. Investigação da Camada Limite Planetária sobre a Região Urbana de São Paulo por meio do Modelo de Mesoescala TVM acoplado ao modelo de dossel urbano de Martilli. 2010. Universidade de São Paulo, 2010. MOREIRA, C. A. B.; SQUIZZATO, R.; BEAL, A.; ALMEIDA, D. S. de; RUDKE, A. P.; RIBEIRO, M.; ANDRADE, M. de F.; KUMAR, P.; MARTINS, L. D. Natural variability in exposure to fine particles and their trace elements during typical workdays in an urban area. Transportation Research Part D: Transport and Environment, v. 63, p. 333–346, 2018. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1361920917308362>. Acesso em: 18 mar. 2021. MOTTAGHI, S.; GABBAI, R.; BENAROYA, H. An Analytical Mechanics Framework for Flow-Oscillator Modeling of Vortex-Induced Bluff-Body Oscillations. 1. ed. Cham, Switzerland: Springer Cham, 2020. NAÇÕES UNIDAS. World Urbanization Prospects: The 2018 Revision. Department of Economic and Social Affairs, New York, 2021. Disponível em:< https://population.un.org/wup/Publications/Files/WUP2018-Report.pdf>. Acesso em: 13 fev. 2021. NAKANISHI, M.; NIINO, H. Development of an Improved Turbulence Closure Model for the Atmospheric Boundary Layer. Journal of the Meteorological Society of Japan. Ser. II, v. 87, n. 5, p. 895–912, 2009. NIU, G.-Y.; YANG, Z.-L.; MITCHELL, K. E.; CHEN, F.; EK, M. B.; BARLAGE, M.; KUMAN, A.; MANNING, K.; NIYOGI, D.; ROSERO, E.; TEWARI, M.; XIA, Y. The community Noah land surface model with multiparameterization options (Noah-MP): 1. Model description and evaluation with local-scale measurements. Journal of Geophysical Research: Atmospheres, v. 116, n. D12, 2011. Disponível em: <https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2010JD015139>. NIU, J.; LIU, J.; LEE, T.-C.; LIN, Z. (J.); MAK, C.; TSE, K.-T.; TANG, B.-S.; KWOK, K. C. S. A new method to assess spatial variations of outdoor thermal comfort: Onsite monitoring results and implications for precinct planning. Building and Environment, v. 91, p. 263–270, 2015. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0360132315000748>. OKE, T. The energetic basis of urban heat island. Quarterly Journal of the Royal Meteorological Society, v. 108, p. 1–24, 1982. OKE, T. Boundary Layer Climates. 2. ed. London, New York: Routledge, 1987. OKE, T. The Heat Island of the Urban Boundary Layer: Characteristics, Causes and Effects. NATO ASI Series e Applied Sciences-Advanced Study Institute, v. 277, p. 81–108, 1995. OKE, T. R.; MILLS, G.; CHRISTEN, A.; VOOGT, J. A. Urban Climates. Cambridge: Cambridge University Press, 2017.
OLIVEIRA, S.; ANDRADE, H.; VAZ, T. The cooling effect of green spaces as a contribution to the mitigation of urban heat: A case study in Lisbon. Building and Environment, v. 46, n. 11, p. 2186–2194, 2011. Disponível em: <http://dx.doi.org/10.1016/j.buildenv.2011.04.034>. Acesso em: 21 out. 2020. OLIVEIRA, M. G. L. Evolução das distribuições de tamanho em massa e número do aerossol atmosférico em São Paulo. Dissertação de mestrado apresentada ao Departamento de Ciências Atmosféricas –Universidade de São Paulo, 2007. Organização Meteorológica Mundial. Guide to Instruments and Methods of Observation: Volume I – Measurement of Meteorological Variables. Genebra, Suíça, 2018. Disponível em:<https://library.wmo.int/index.php?lvl=notice_display&id=12407#.X0aYxchKjIW>. Acesso em: 26 ago. 2020. ORRU, H.; EBI, K. L.; FORSBERG, B. The Interplay of Climate Change and Air Pollution on Health. Current Environmental Health Reports, v. 4, n. 4, p. 504–513, 2017. Disponível em: <https://doi.org/10.1007/s40572-017-0168-6>. PAN, X.; LI, X.; SHI, X.; HAN, X.; LUO, L.; WANG, L. Dynamic downscaling of near-surface air temperature at the basin scale using WRF-a case study in the Heihe River Basin, China. Frontiers of Earth Science, v. 6, p. 314–323, 6 set. 2012. PAPANGELIS, G.; TOMBROU, M.; DANDOU, A.; KONTOS, T. An urban “green planning” approach utilizing the Weather Research and Forecasting (WRF) modeling system. A case study of Athens, Greece. Landscape and Urban Planning, v. 105, n. 1–2, p. 174–183, 2012. Disponível em: <http://dx.doi.org/10.1016/j.landurbplan.2011.12.014>. Acesso em: 20 out. 2020. PAPPACCOGLI, G.; GIOVANNINI, L.; ZARDI, D.; MARTILLI, A. Sensitivity analysis of urban microclimatic conditions and building energy consumption on urban parameters by means of idealized numerical simulations. Urban Climate, v. 34, n. November 2019, p. 100677, 2020. Disponível em: <https://doi.org/10.1016/j.uclim.2020.100677>. Petrobras – Petróleo Brasileiro S.A. Refinarias da empresa: Refinaria Presidente Getúlio Vargas (Repar). Disponível em: <http://www.petrobras.com.br/pt/nossas-atividades/principais-operacoes/refinarias/refinaria-presidente-getulio-vargas-repar.htm>. Acesso em: 13 jan. 2020. PERES, L. de F.; LUCENA, A. J. de; ROTUNNO FILHO, O. C.; FRANÇA, J. R. de A. The urban heat island in Rio de Janeiro, Brazil, in the last 30 years using remote sensing data. International Journal of Applied Earth Observation and Geoinformation, v. 64, p. 104–116, 2018. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0303243417301770>. PFISTER, G. G.; PARRISH, D.; WORDEN, H.; EMMONS, L. K.; EDWARDS, D. P.; WIEDNMYER, C.; DISKIN, G. S.; HUEY, G.; OLTMANS, S. J.; THOURET, V.; WEINHEIMER, A.; WISTHALER, A. Characterizing summertime chemical boundary conditions for airmasses entering the US West Coast. Atmospheric Chemistry and
Physics, v. 11, n. 4, p. 1769–1790, 25 fev. 2011. Disponível em: <https://acp.copernicus.org/articles/11/1769/2011/>. PIELKE, R.A. Mesoscale meteorological modeling. Second Edition. International Geophysics Series, vol 78, 676. Geophysics Series, vol 78, 2002, pp. 676, 2002. PLEIM, J. E. A Combined Local and Nonlocal Closure Model for the Atmospheric Boundary Layer. Part I: Model Description and Testing. Journal of Applied Meteorology and Climatology, v. 46, n. 9, p. 1383–1395, 1 set. 2007. Disponível em: <https://journals.ametsoc.org/doi/10.1175/JAM2539.1>. POLIDORO, M.; TAKEDA, M.; BARROS, O. Análise temporal do processo de conurbação na região de londrina-pr por meio de imagens landsat/temporal Analysis of the conurbation process in the region of londrina-pr trough landsat images. Revista Geográfica Acadêmica, v. 3, 2009. QIAN, Y.; YAN, H.; BERG, L. K.; HAGOS, S.; FENG, Z.; YANG, B.; HUANG, M. Assessing Impacts of PBL and Surface Layer Schemes in Simulating the Surface–Atmosphere Interactions and Precipitation over the Tropical Ocean Using Observations from AMIE/DYNAMO. Journal of Climate, v. 29, n. 22, p. 8191–8210, 28 out. 2016. Disponível em: <https://doi.org/10.1175/JCLI-D-16-0040.1>. RAFAEL, S.; RODRIGUES, V.; FERNANDES, A. P.; AUGUSTO, B.; BORREGO, C.; LOPES, M. Evaluation of urban surface parameterizations in WRF model using energy fluxes measurements in Portugal. Urban Climate, v. 28, p. 100465, 1 jun. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S2212095518301068>. Acesso em: 26 jul. 2019. RAFEE, S. A. A. Estudo numérico do impacto das emissões veiculares e fixas da cidade de Manaus nas concentrações de poluentes atmosféricos da região amazônica. Dissertação de Mestrado – Universidade Tecnológica Federal do Paraná, p. 106, 2015. RAFEE, S. A. A.; MARTINS, L. D.; KAWASHIMA, A. B.; ALMEIDA, D. S.; MORAIS, M. V. B.; SOUZA, R. V. A.; OLIVEIRA, M. B. L.; SOUZA, R. A. F.; MEDEIROS, A. S. S.; URBINA, V.; FREITAS, E. D.; MARTIN, S. T.; MARTINS, J. A. Contributions of mobile, stationary and biogenic sources to air pollution in the Amazon rainforest: a numerical study with the WRF-Chem model. Atmospheric Chemistry and Physics, v. 17, n. 12, p. 7977–7995, 2017. Disponível em: <https://www.atmos-chem-phys.net/17/7977/2017/>. RAJEEVAN, M.; KESARKAR, A.; THAMPI, S. B.; RAO, T. N.; BASIVI, R.; RAJASEKHAR, M. Sensitivity of WRF cloud microphysics to simulations of a severe thunderstorm event over Southeast India. In: Annales Geophysicae. 2010. p. 603-619. Acesso em: 22 ago. 2020. RENDÓN, A. M.; SALAZAR, J. F.; PALACIO, C. A.; WIRTH V.; BRÖTZ B. Effects of Urbanization on the Temperature Inversion Breakup in a Mountain Valley with Implications for Air Quality. Journal of Applied Meteorology and Climatology, v.
53, n. 4, p. 840–858, 2014. Disponível em: <https://doi.org/10.1175/JAMC-D-13-0165.1>. RIBEIRO, I.; MARTILLI, A.; FALLS, M.; ZONATO, A.; VILLALBA, G. Highly resolved WRF-BEP/BEM simulations over Barcelona urban area with LCZ. Atmospheric Research, v. 248, p. 105220, 2021. Disponível em: <http://www.sciencedirect.com/science/article/pii/S016980952031156X>. Acesso em: 21 jan. 2021. RIZVI, S. H.; ALAM, K.; IQBAL, M. J. Spatio -temporal variations in urban heat island and its interaction with heat wave. Journal of Atmospheric and Solar-Terrestrial Physics, v. 185, p. 50–57, 1 abr. 2019. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S1364682618304012>. Acesso em: 17 mar. 2020. RIZWAN, A. M.; DENNIS, L. Y. C.; CHUNHO, L. I. U. A review on the generation, determination and mitigation of Urban Heat Island. Journal of environmental sciences, v. 20, n. 1, p. 120–128, 2008. ROSS, Z.; ENGLISH, P. B.; SCARF, R.; GUNIER, R.; SMORODINSKY, S.; WALL, S.; JERRETT, M. Nitrogen dioxide prediction in Southern California using land use regression modeling: potential for environmental health analyses. Journal of Exposure Science & Environmental Epidemiology, v. 16, n. 2, p. 106–114, 2006. Disponível em: <https://doi.org/10.1038/sj.jea.7500442>. RUIZ, J. J.; SAULO, C.; NOGUÉS-PAEGLE, J. WRF Model Sensitivity to Choice of Parameterization over South America: Validation against Surface Variables. Monthly Weather Review, v. 138, n. 8, p. 3342–3355, 1 ago. 2010. Disponível em: <http://journals.ametsoc.org/doi/10.1175/2010MWR3358.1>. RUTLEDGE, Steven A.; HOBBS, Peter V. The mesoscale and microscale structure and organization of clouds and precipitation in midlatitude cyclones. XII: A diagnostic modeling study of precipitation development in narrow cold-frontal rainbands. Journal of the Atmospheric Sciences, v. 41, n. 20, p. 2949-2972, 1984. Disponível em:< https://journals.ametsoc.org/jas/article/41/20/2949/20857 >. Acesso em: 22 ago. 2020. SALAMANCA, F.; MARTILLI, A.; YAGÜE, C. A numerical study of the Urban Heat Island over Madrid during the DESIREX (2008) campaign with WRF and an evaluation of simple mitigation strategies. International Journal of Climatology, v. 32, n. 15, p. 2372–2386, 2012. Disponível em: <https://rmets.onlinelibrary.wiley.com/doi/abs/10.1002/joc.3398>. SALAMANCA, F.; ZHANG, Y.; BARLAGE, M.; CHEN, F.; MAHALOV, A.; MIAO, S. Evaluation of the WRF-Urban Modeling System Coupled to Noah and Noah-MP Land Surface Models Over a Semiarid Urban Environment. Journal of Geophysical Research: Atmospheres, v. 123, n. 5, p. 2387–2408, 2018. Disponível em: <https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1002/2018JD028377>. SALLEH, S. A.; LATIF, Z. A.; MOHD, W. M. N. W.; CHAN, A. Factors Contributing to
the Formation of an Urban Heat Island in Putrajaya, Malaysia. Procedia - Social and Behavioral Sciences, v. 105, p. 840–850, 3 dez. 2013. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1877042813044613>. Acesso em: 9 jan. 2020. SAMAALI, M.; MORAN, M. D.; BOUCHET, V. S.; PAVLOVIC, R.; COUSINEAU, S.; SASSI, M. On the influence of chemical initial and boundary conditions on annual regional air quality model simulations for North America. Atmospheric Environment, v. 43, n. 32, p. 4873–4885, 1 out. 2009. Disponível em: <https://www.sciencedirect.com/science/article/pii/S1352231009006220>. Acesso em: 18 ago. 2019. SANCHEZ-CCOYLLO, O. R.; YNOUE, R. Y.; MARTINS, L. D.; ASTOLFO, R.; MIRANDA, R. M.; FREITAS, E. D.; BORGENS, A. S.; FORNARO, A.; FREITAS, H.; MOREIRA, A.; ANDRADE, M. F. Vehicular Particulate Matter Emissions in Road Tunnels in Sao Paulo, Brazil. Environmental monitoring and assessment, v. 149, n. 1–4, p. 241–249, fev. 2009. SANTOS, A. A. M.; AMORIM, H. S.; DERECZYNSKI, C. P. Investigação do fenômeno ilha de calor urbana através da utilização da placa Arduíno e de um sítio oficial de meteorologia. Revista Brasileira de Ensino de Física, v. 39, n. 1, 17 out. 2016. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1806-11172017000100605&lng=pt&tlng=pt>. SCALCO, A. V.; RAÑA, B. de S.; BALDIN, M. G.; BATISTA, L. F. A.. Diagnóstico da ocupação irregular de áreas de APPs no entorno dos Lagos Igapó I e II e suas consequências para a população de Londrina –PR. Anais XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Foz do Iguaçu, PR, Brasil, 13 a 18 de abril de 2013, INPE. Disponível em:< http://marte2.sid.inpe.br/col/dpi.inpe.br/marte2/2013/05.29.01.13.25/doc/p1709.pdf >. Acesso em: 26 out. 2020. SCHELL, B.; ACKERMANN, I. J.; HASS, H.; BINKOWSKI, F. S.; EBEL, A. Modeling the formation of secondary organic aerosol within a comprehensive air quality model system. Journal of Geophysical Research: Atmospheres, v. 106, n. D22, p. 28275–28293, 2001. Disponível em: <https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2001JD000384>. SEGAL, M.; LEUTHOLD, M.; ARRITT, R. W.; ANDERSON, C.; SHEN, J. Small Lake Daytime Breezes: Some Observational and Conceptual Evaluations. Bulletin of the American Meteorological Society, v. 78, n. 6, p. 1135–1147, jun. 1997. Disponível em: <http://journals.ametsoc.org/doi/10.1175/1520-0477(1997)078%3C1135:SLDBSO%3E2.0.CO;2>. Acesso em: 05 mar. 2021. SHACKLETON, C. M.; BLAIR, A.; LACY, P. DE; KAOMA, H.; MUGWAGWA, N.; DALU, M. T.; WALTON, W. How important is green infrastructure in small and medium-sized towns? Lessons from South Africa. Landscape and Urban Planning, v. 180, p. 273–281, 2018. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0169204616302730>. Acesso em: 13 fev. 2021.
SHARMA, A.; CONRY, P.; FERNANDO, H. J. S.; HAMLET, A. F.; HELLMANN, J. J.; CHEN, F. Green and cool roofs to mitigate urban heat island effects in the Chicago metropolitan area: Evaluation with a regional climate model. Environmental Research Letters, v. 11, n. 6, 2016. SHI, Y.; REN, C.; LAU, K. K.-L.; NG, E. Investigating the influence of urban land use and landscape pattern on PM2.5 spatial variation using mobile monitoring and WUDAPT. Landscape and Urban Planning, v. 189, p. 15–26, 1 set. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0169204618312532>. Acesso em: 20 ago. 2019. SHI, D.; SONG, J.; HUANG, J.; ZHUANG, C.; GUO, R.; GAO, Y. Synergistic cooling effects (SCEs) of urban green-blue spaces on local thermal environment: A case study in Chongqing, China. Sustainable Cities and Society, v. 55, p. 102065, 2020. Disponível em: < https://doi.org/10.1016/j.scs.2020.102065>. SHRIVASTAVA, R.; DASH, S. K.; OZA, R. B.; HEGDE, M. N. Evaluation of parameterization schemes in the Weather Research and Forecasting (WRF) model: A case study for the Kaiga nuclear power plant site. Annals of Nuclear Energy, v. 75, p. 693–702, 1 jan. 2015. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0306454914004885>. Acesso em: 10 mar. 2020. SILVA JÚNIOR, R.S. Sensibilidade na estimativa da concentração de poluentes fotoquímicos com a aplicação de diferentes parametrizações de Camada Limite Planetária utilizando o modelo de qualidade do ar WRF/Chem. Tese de Doutorado – Universidade de São Paulo, p.171, 2009. SIQI, J.; YUHONG, W. Effects of land use and land cover pattern on urban temperature variations: A case study in Hong Kong. Urban Climate, v. 34, n. August, p. 100693, 2020. Disponível em: <https://doi.org/10.1016/j.uclim.2020.100693>. SKAMAROCK, W.; KLEMP, J. B.; DUDHIA, J.; GILL, D. O.; BARKER, D. M.; DUDA, M. G.; HUANG, X.-Y.; WANG, W.; POWERS, J. G. A Description of the Advanced Research WRF Version 3 - Note NCAR/TN-475STR, 2008. SKAMAROCK, W. C.; KLEMP, J. B.; DUDHIA, J.; GILL, D. O.; LIU, Z.; BERNER, J.; WANG, W.; POWERS, J. G.; DUDA, M. G.; BARKER, D. M.; HUANG, X.-Y. A Description of the Advanced Research WRF Version 3 - Note NCAR/TN-556STR, 2019. SMIRNOVA, T. G.; BROWN, J. M.; BENJAMIN, S. G. Performance of different soil model configurations in simulating ground surface temperature and surface fluxes., 1997. SOBRINHO, O. M.; MORAIS, M. V. B. de; MARTINS L. D. Classificação das zonas de clima local para os municípios de Londrina e Curitiba. In: XI Workshop Brasileiro de Micro Meteorologia, 2019, São José dos Campos. Anais do XI Workshop
Brasileiro de Micro Meteorologia 2019, 2019. SOKHI, R. S.; BAKLANOV, A.; SCHLÜNZEN, K. H. (ed.). Mesoscale Modelling for Meteorological and Air Pollution Applications. [s.l.] Anthem Press, 2018. SOLAR, P. M. Poor relief and English economic development before the industrial revolution1. The Economic History Review, v. 48, n. 1, p. 1–22, 1995. Disponível em: <https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1468-0289.1995.tb01406.x>. SONG, J.; ZHAO, C.; LIN, T.; LI, X.; PRISHCHEPOV, A. V. Spatio-temporal patterns of traffic-related air pollutant emissions in different urban functional zones estimated by real-time video and deep learning technique. Journal of Cleaner Production, v. 238, p. 117881, 20 nov. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0959652619327519>. Acesso em: 19 mar. 2020. SOUSA, N. V. de; SILVA, A. F. G. da; FISCH, G. F.; LEAL JUNIOR, J. B. V.; LYRA, R. F. da F.; SILVA, E, M, da. Evaluation of the Planetary Boundary Layer Parameterizations of WRF Model in North Northeast Coast at Brazil. Revista Brasileira de Meteorologia, v. 34, p. 9–21, 2019. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-77862019000100009&nrm=iso>. SQUIZZATO, S.; CAZZARO, M.; INNOCENTE, E.; VISIN, F.; HOPKE, O. K.; RAMPAZZO, G. Urban air quality in a mid-size city — PM2.5 composition, sources and identification of impact areas: From local to long range contributions. Atmospheric Research, v. 186, p. 51–62, 1 abr. 2017. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0169809516306123>. Acesso em: 30 mar. 2020. STERGIOU, I.; TAGARIS, E.; SOTIROPOULOU, R.-E. P. Sensitivity assessment of WRF parameterizations over Europe. In: Multidisciplinary digital publishing institute proceedings. 2017. p. 119. Acesso em: 21 ago. 2020. STEWART, I.; OKE, T. Classifying urban climate field sites by “local climate zones”: the case of Nagano, Japan. The seventh International Conference on Urban Climate, n. July, p. 1–5, 2009. STEWART, I. D.; OKE, T. R. Local Climate Zones for Urban Temperature Studies. Bulletin of the American Meteorological Society, v. 93, n. 12, p. 1879–1900, 2012. Disponível em: <https://doi.org/10.1175/BAMS-D-11-00019.1>. STEWART, I. D.; OKE, T. R.; KRAYENHOFF, E. S. Evaluation of the “local climate zone” scheme using temperature observations and model simulations. International Journal of Climatology, v. 34, n. 4, p. 1062–1080, 2014. STOCKWELL, W. R.; MIDDLETON, P.; CHANG, J. S.; TANG, X. The second generation regional acid deposition model chemical mechanism for regional air quality modeling. Journal of Geophysical Research: Atmospheres, v. 95, n. D10, p. 16343–16367, 20 set. 1990. Disponível em:
<https://doi.org/10.1029/JD095iD10p16343>. SUKORIANSKY, S.; GALPERIN, B.; PEROV, V. ‘Application of a New Spectral Theory of Stably Stratified Turbulence to the Atmospheric Boundary Layer over Sea Ice’. Boundary-Layer Meteorology, v. 117, n. 2, p. 231–257, 2005. SUSCA, T.; GAFFIN, S. R.; DELL’OSSO, G. R. Positive effects of vegetation: Urban heat island and green roofs. Environmental Pollution, v. 159, n. 8–9, p. 2119–2126, 2011. TANG, Z.; CAI, J.; LI, Q.; ZHAO, J. The regional scale atmospheric dispersion of radionuclide 131I: A simulation method based on WRF-Chem model. Radiation Physics and Chemistry, v. 156, p. 81–93, 1 mar. 2019. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0969806X18310995>. Acesso em: 9 jan. 2020. TARGINO, A. C.; KRECL, P.; CORAIOLA, G. C. Effects of the large-scale atmospheric circulation on the onset and strength of urban heat islands: a case study. Theoretical and Applied Climatology, v. 117, n. 1, p. 73–87, jul. 2014. Disponível em: <https://doi.org/10.1007/s00704-013-0989-7>. TARGINO, A. C.; KRECL, P. Local and Regional Contributions to Black Carbon Aerosols in a Mid-Sized City in Southern Brazil. Aerosol and Air Quality Research, v. 16, p.125-137, 2016. Disponível em: <https://aaqr.org/articles/aaqr-15-06-oa-0388.pdf>. Acesso em: 28 set. 2020. TARGINO, A. C.; CORAIOLA, G. C.; KRECL, P. Green or blue spaces? Assessment of the effectiveness and costs to mitigate the urban heat island in a Latin American city. Theoretical and Applied Climatology, v. 136, n. 3–4, p. 971–984, 11 maio 2019. Disponível em: <http://link.springer.com/10.1007/s00704-018-2534-1>. Acesso em: 05 mar. 2021. TASTULA, E.-M.; GALPERIN, B.; SUKORIANSKY, S.; LUHAR, A.; ANDERSON, P. The importance of surface layer parameterization in modeling of stable atmospheric boundary layers. Atmospheric Science Letters, v. 16, n. 1, p. 83–88, 2015. Disponível em: <https://rmets.onlinelibrary.wiley.com/doi/abs/10.1002/asl2.525>. TEIXEIRA, J. C.; FALLMANN, J.; CARVALHO, A. C.; ROCHA, A. Surface to boundary layer coupling in the urban area of Lisbon comparing different urban canopy models in WRF. Urban Climate, v. 28, p. 100454, 1 jun. 2019. Disponível em: <https://www.sciencedirect.com/science/article/pii/S2212095518300543>. Acesso em: 26 jul. 2019. TEWARI, M.; CHEN, F.; WANG, W.; DUDHIA, J.; LEMONE, A.; MITCHELL, E.; EK, M.; GAYNO, G.; WEGIEL, W.; CUENCA, R.H. Implementation and verification of the unified Noah land-surface model in the WRF model [presentation]. In: Anais 20th Conference on Weather Analysis and Forecasting/16th Conference on Numerical Weather Prediction, 2004. American Meteorological Society: Seattle, WA, US. TIE, X.; MADRONICH, S.; WALTERS, S.; ZHANG, R.; RASCH, P.; COLLINS, W.
Effect of clouds on photolysis and oxidants in the troposphere. Journal of Geophysical Research: Atmospheres, v. 108, n. D20, 2003. Disponível em:<https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2003JD003659>. Acesso em: 22 ago. 2020. TRESSOL, M.; ORDONEZ, C.; ZBINDEN, R.; BRIOUDE, J.; THOURET, V.; MARI, C.; NEDELEC, P.; CAMMAS, J.-P.; SMIT, H.; VOLZ-THOMAS, A. Air pollution during the 2003 European heat wave as seen by MOZAIC airliners. Atmospheric Chemistry and Physics, v. 8, n. 8, p. 2150, 2008. Disponível em: <https://hal.archives-ouvertes.fr/hal-00328579>. TSE, J. W. P.; YEUNG, P. S.; FUNG, J. C.-H.; REN, C.; WANG, R.; WONG, M. M.-F.; CAI, M. Investigation of the meteorological effects of urbanization in recent decades: A case study of major cities in Pearl River Delta. Urban Climate, v. 26, p. 174–187, 1 dez. 2018. Disponível em: <https://www.sciencedirect.com/science/article/pii/S2212095518302542>. Acesso em: 27 jul. 2019. TUCCELLA, P.; GRELL, G. A.; MCKEEN, S. A.; AHMADOV, R.; CURCI, G.; VISCONTI, G. Toward a New Chemical Mechanism in WRF/Chem for Direct and Indirect Aerosol Effects: A Focus on the Carbonaceous Aerosols - Air Pollution Modeling and its Application XXII. (D. G. Steyn, P. J. H. Builtjes, R. M. A. Timmermans, Eds.). Dordrecht: Springer Netherlands, 2014. TUNDISI, J. G.; TUNDISI, T. M. Limnologia. Oficina de Textos, 2016. Acesso em: 06 mar. 2021. UMEZAKI, A. S.; RIBEIRO, F. N. D.; OLIVEIRA, A. P. de; SOARES, J.; MIRANDA, R. M. de. Numerical characterization of spatial and temporal evolution of summer urban heat island intensity in São Paulo, Brazil. Urban Climate, v. 32, p. 100615, 2020. Disponível em: <http://www.sciencedirect.com/science/article/pii/S2212095519301749>. UNIÃO EUROPEIA. Directive 2008/50/EC of the european parliament and of the council. Comissão Europeia, Jornal Oficial das Comunidades Europeias L 152, Estrasburgo, 21 de maio de 2008. Dispoível em:< https://eur-lex.europa.eu/legal-content/en/ALL/?uri=CELEX%3A32008L0050>. Acesso em: 21 ago. 2020. UNIÃO EUROPEIA. Sampling points for air quality: Representativeness and comparability of measurement in accordance with Directive 2008/50/EC on ambient air quality and cleaner air for Europe. Março, 2019. Disponível em:< https://op.europa.eu/pt/publication-detail/-/publication/ed5619a3-5686-11e9-a8ed-01aa75ed71a1>. Acesso em: 21 ago. 2020. VACARIO, E. P. L.; MACHADO, G. Transbordamentos das águas superficiais em Londrina: o caso do Ribeirão Cambé. In: Os Desafios da Geografia Física na Fronteira do Conhecimento. INSTITUTO DE GEOCIÊNCIAS - UNICAMP, 2017. p. 512–521. Acesso em: 06 mar. 2021. VALVERDE, M. C.; COELHO, L. H.; CARDOSO, A. de O.; PAIVA JUNIOR, H.;
BRAMBILA, R.; BOIAN, C.; MARTINELLI, P. C.; VALDAMBRINI, N. M. Urban climate assessment in the ABC Paulista Region of São Paulo, Brazil. Science of The Total Environment, v. 735, p. 139303, 2020. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0048969720328205>. VARA-VELA, A.; ANDRADE, M. F.; KUMAR, P.; YNOUE, R. Y.; MUÑOZ, A. G. Impact of vehicular emissions on the formation of fine particles in the Sao Paulo Metropolitan Area: A numerical study with the WRF-Chem model. Atmospheric Chemistry and Physics, v. 16, n. 2, p. 777–797, 2016. VARA-VELA, A.; ANDRADE, M. de F.; ZHANG, Y.; KUMAR, P.; YNOUE, R. Y.; SOUTO-OLIVEIRA, C. E.; LOPES, F. J. da S.; LANDULFO, E. Modeling of Atmospheric Aerosol Properties in the São Paulo Metropolitan Area: Impact of Biomass Burning. Journal of Geophysical Research: Atmospheres, v. 123, n. 17, p. 9935–9956, 16 set. 2018. Disponível em: <https://doi.org/10.1029/2018JD028768>. Acesso em: 12 fev. 2021. WANG, C.-G.; SHEN, Y.-J.; LUO, F.; CAO, L.; YAN, J.-D.; JIANG H.-M. Comparison and analysis of several planetary boundary layer schemes in wrf model between clear and overcast days. Chinese Journal of Geophysics, v. 60, n. 2, p. 141–153, 2017. WANG, Y.; AKBARI, H. The effects of street tree planting on Urban Heat Island mitigation in Montreal. Sustainable Cities and Society, v. 27, p. 122–128, 2016. Disponível em: <http://www.sciencedirect.com/science/article/pii/S221067071630066X>. WANG, K.; LI, Y.; YANG, X. On the asymmetry of the urban daily air temperature cycle. Journal of Geophysical Research: Atmospheres, v. 122, n. 11, p. 5625–5635, 2017. Disponível em: <https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1002/2017JD026589>. WANG, J.; ZHANG, B.; ZHANG, H.; LV, M. The impacts of three PBL schemes on the simulation of boundary layer meteorological factors and air pollutants in Northern China. IOP Conference Series: Earth and Environmental Science, v. 227, p. 52011, 2019a. WANG, C.; WANG, Z.-H.; WANG, C.; MYINT, S. W. Environmental cooling provided by urban trees under extreme heat and cold waves in U.S. cities. Remote Sensing of Environment, v. 227, p. 28–43, 15 jun. 2019b. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0034425719301154>. Acesso em: 18 mar. 2020. WANG, M.; WEIWEI, L.; WANG, K.; FANG, S.; CENTER, WUHAN REGIONAL. Climate Analysis of Variation Characteristics of Acid Rain in Wuhan and Its Impact Factors. Meteorological Monthly, n. 2, p. 13, 2019c. WANG, Y. Urban land and sustainable resource use: Unpacking the countervailing effects of urbanization on water use in China, 1990–2014. Land Use Policy, v. 90, p. 104307, 1 jan. 2020. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S0264837719306489>. Acesso em: 23 mar. 2020. WANG, Y.; NI, Z.; CHEN, S.; XIA, B. Microclimate regulation and energy saving potential from different urban green infrastructures in a subtropical city. Journal of cleaner production, v. 226, p. 913-927, 2019d. Disponível em: < https://doi.org/10.1016/j.jclepro.2019.04.114>. WANG, Y.; NI, Z.; HU, M.; CHEN, S.; XIA, B. A practical approach of urban green infrastructure planning to mitigate urban overheating: A case study of Guangzhou. Journal of Cleaner Production, v. 287, p. 124995, 2021. Disponível em:< https://doi.org/10.1016/j.jclepro.2020.124995>. WHITEMAN, C. D. Breakup of temperature inversions in deep mountain valleys: Part I. Observations. Journal of Applied Meteorology, v. 21, n. 3, p. 270–289, 1982. WHITEMAN, C. D. Mountain meteorology: fundamentals and applications. Oxford University Press, 2000. WHO. WORLD HEALTH ORGANIZATION. Urban green spaces: A brief for action. Regional Office For Europe, p. 24, 2017. Disponível em: <http://www.euro.who.int/__data/assets/pdf_file/0010/342289/Urban-Green-Spaces_EN_WHO_web.pdf?ua=1>. Acesso em: 05 fev. 2021. WOODWARD, A.; BAUMGARTNER, J.; EBI, K. L.; GAO, J.; KINNEY, P. L.; LIU, Q. Population health impacts of China’s climate change policies. Environmental Research, v. 175, p. 178–185, 1 ago. 2019. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0013935119302786>. Acesso em: 4 mar. 2020. WU, J.; WANG, Y.; QIU, S.; PENG, J. Using the modified i-Tree Eco model to quantify air pollution removal by urban vegetation. Science of The Total Environment, v. 688, p. 673–683, 20 out. 2019a. Disponível em: <https://www.sciencedirect.com/science/article/pii/S004896971932491X>. Acesso em: 18 mar. 2020. WU, Y.; ZHAO, K.; HUANG, J.; AREND, M.; GROSS, B.; MOSHARY, F. Observation of heat wave effects on the urban air quality and PBL in New York City area. Atmospheric Environment, v. 218, p. 117024, 1 dez. 2019b. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S1352231019306636>. Acesso em: 17 mar. 2020. WU, C.; LI, J.; WANG, C.; SONG, C.; CHEN, Y.; FINKA, M.; ROSA, D. L. Understanding the relationship between urban blue infrastructure and land surface temperature. Science of The Total Environment, v. 694, p. 133742, 2019c. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0048969719336800>. XIAO, X. D.; DONG, L.; YAN, H.; YANG, N.; ZIONG, Y. The influence of the spatial characteristics of urban green space on the urban heat island effect in Suzhou
Industrial Park. Sustainable Cities and Society, v. 40, p. 428–439, 2018. Disponível em: <http://www.sciencedirect.com/science/article/pii/S2210670717303578>. XIE, Q.; LIU, J. Combined nonlinear effects of economic growth and urbanization on CO2 emissions in China: Evidence from a panel data partially linear additive model. Energy, v. 186, p. 115868, 1 nov. 2019. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0360544219315403>. Acesso em: 23 mar. 2020. XU, L.; LIU, H.; DU, Q.; XU, X. The assessment of the planetary boundary layer schemes in WRF over the central Tibetan Plateau. Atmospheric Research, v. 230, p. 104644, 2019. YAHYA, K.; WANG, K.; CAMPBELL, P.; CHEN, Y.; GLOTFELTY, T.; HE, J.; PIRHALLA, M.; ZHANG, Y. Decadal application of WRF/Chem for regional air quality and climate modeling over the U.S. under the representative concentration pathways scenarios. Part 1: Model evaluation and impact of downscaling. Atmospheric Environment, v. 152, p. 562–583, 1 mar. 2017. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S1352231016310056>. Acesso em: 9 jan. 2020. YARWOOD, G.; RAO, S.; YOCKE, M.; WHITTEN, G. Updates to the carbon bond chemical mechanism: CB05. Final report to the US EPA, RT-0400675, v. 8, p. 13, 2005. YAN, D.; LIU, T.; DONG, W.; LIAO, X.; LUO, S.; WU, K.; ZHU, X.; ZHENG, Z.; WEN, X. Integrating remote sensing data with WRF model for improved 2-m temperature and humidity simulations in China. Dynamics of Atmospheres and Oceans, v. 89, p. 101127, 1 mar. 2020. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0377026519300594>. Acesso em: 26 dez. 2019. YANG, J.; KANG, S.; JI, Z. Sensitivity Analysis of Chemical Mechanisms in the WRF-Chem Model in Reconstructing Aerosol Concentrations and Optical Properties in the Tibetan Plateau. Aerosol and Air Quality Research, v. 18, n. 2, p. 505–521, 2018. Disponível em: <https://doi.org/10.4209/aaqr.2017.05.0156>. YANG, X.; PENG, L. L. H.; CHEN, Y.; YAO, L.; WANG, Q. Air humidity characteristics of local climate zones: A three-year observational study in Nanjing. Building and Environment, v. 171, p. 106661, 15 mar. 2020. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0360132320300196>. Acesso em: 19 mar. 2020. YNOUE, R.Y. Modelagem numérica da formação, crescimento e transporte das partículas inorgânicas secundárias constituintes do aerossol urbano na região metropolitana de São Paulo. Teste de Doutorado – Universidade de São Paulo, pp.147, 2004. YOSHIDA, A.; HISABAYASHI, T.; KASHIHARA, K.; KINOSHITA, S.; HASHIDA, S. Evaluation of effect of tree canopy on thermal environment, thermal sensation, and
mental state. Urban Climate, v. 14, p. 240–250, 2015. Disponível em: <http://www.sciencedirect.com/science/article/pii/S2212095515300213>. YU, S.; HISABAYASHI, K.; KINOSHITA, S.; HASHIDA, S. New unbiased symmetric metrics for evaluation of air quality models. Atmospheric Science Letters, v. 7, n. 1, p. 26–34, 1 jan. 2006. Disponível em: <https://doi.org/10.1002/asl.125>. YUAN, B.; REN, S.; CHEN, X. The effects of urbanization, consumption ratio and consumption structure on residential indirect CO2 emissions in China: A regional comparative analysis. Applied Energy, v. 140, p. 94–106, 15 fev. 2015. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0306261914012161>. Acesso em: 20 mar. 2020. ZALAKEVICIUTE, R; RYBARCZYK, Y.; LÓPEZ-VILLADA, J.; SUAREZ, M. V. D. Quantifying decade-long effects of fuel and traffic regulations on urban ambient PM2.5 pollution in a mid-size South American city. Atmospheric Pollution Research, v. 9, n. 1, p. 66–75, 1 jan. 2018. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S1309104216305803>. Acesso em: 30 mar. 2020. ZAVERI, R. A.; PETERS, L. K. A new lumped structure photochemical mechanism for large-scale applications. Journal of Geophysical Research: Atmospheres, v. 104, n. D23, p. 30387–30415, 1999. Disponível em: <https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/1999JD900876>. ZAVERI, R. A.; EASTER, R. C.; FAST, J. D.; PETERS, L. K. Model for Simulating Aerosol Interactions and Chemistry (MOSAIC). Journal of Geophysical Research: Atmospheres, v. 113, n. D13, 2008. Disponível em: <https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/2007JD008782>. ZHANG, H.; PU, Z.; ZHANG, X. Examination of Errors in Near-Surface Temperature and Wind from WRF Numerical Simulations in Regions of Complex Terrain. Weather and Forecasting, v. 28, n. 3, p. 893–914, 2013. ZHANG, Y.; PUN, B.; VIJAYARAGHAVAN, K.; WU, S.-Y.; SEIGNEUR, C.; PANDIS, S. N.; JACOBSON, M. Z.; NENES, A.; SEINFELD, J. H. Development and application of the model of aerosol dynamics, reaction, ionization, and dissolution (MADRID). Journal of Geophysical Research: Atmospheres, v. 109, n. D1, 2004. ZHANG, Y.; HE, J.; ZHU, S.; GANTT, B. Sensitivity of simulated chemical concentrations and aerosol-meteorology interactions to aerosol treatments and biogenic organic emissions in WRF/Chem. Journal of Geophysical Research: Atmospheres, v. 121, n. 10, p. 6014–6048, 2016. Disponível em: <https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1002/2016JD024882>. ZHANG, G.; LIU, D.; HE, X.; YU, D.; PU, M. Acid rain in Jiangsu province, eastern China: Tempo-spatial variations features and analysis. Atmospheric Pollution Research, v. 8, n. 6, p. 1031–1043, 1 nov. 2017. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S1309104216303026>. Acesso em: 18 mar. 2020.
ZHANG, Y.; LI, Y.; SONG, J.; CHEN, X.; LU, Y.; WANG, W. Pearson correlation coefficient of current derivatives based pilot protection scheme for long-distance LCC-HVDC transmission lines. International Journal of Electrical Power & Energy Systems, v. 116, p. 105526, 1 mar. 2020b. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S0142061519315467>. ZHANG, Q.; TONG, P.; LIU, M.; LIN, H.; YUN, X.; ZHANG, H.; TAO, W.; LIU, J.; WANG, S.; TAO, S.; WANG, X. A WRF-Chem model-based future vehicle emission control policy simulation and assessment for the Beijing-Tianjin-Hebei region, China. Journal of Environmental Management, v. 253, p. 109751, 1 jan. 2020a. Disponível em: <https://www.sciencedirect.com/science/article/pii/S0301479719314690>. Acesso em: 9 jan. 2020. ZHANG, C.; WANG, X.; LI, J.; HUA, T. Identifying the effect of climate change on desertification in northern China via trend analysis of potential evapotranspiration and precipitation. Ecological Indicators, v. 112, p. 106141, 1 maio 2020c. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S1470160X20300789>. Acesso em: 4 mar. 2020. ZHENG, Y.; REN, C.; XU, Y.; WANG, R.; HO, J.; LAU, K.; NG, E. GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong. Urban Climate, v. 24, p. 419–448, 1 jun. 2018. Disponível em: <https://www.sciencedirect.com/science/article/abs/pii/S2212095517300445>. Acesso em: 25 mar. 2020. ZHONG, X.; RUIZ-ARIAS, J. A.; KLEISSL, J. Dissecting surface clear sky irradiance bias in numerical weather prediction: Application and corrections to the New Goddard Shortwave Scheme. Solar Energy, v. 132, p. 103-113, 2016. ŽUVELA-ALOISE, M.; KOCH, R.; BUCHHOLZ, S.; FRÜH, B. Modelling the potential of green and blue infrastructure to reduce urban heat load in the city of Vienna. Climatic Change, v. 135, n. 3, p. 425–438, 2016. Disponível em: <https://doi.org/10.1007/s10584-016-1596-2>. Acesso em: 05 fev. 2021.
APÊNDICE I
APÊNDICE I - PROCESSO DE CRIAÇÃO DO ARQUIVO DE USO DO SOLO NA
PLATAFORMA DO WUDAPT E INCLUSÃO DAS CLASSES DE ZCL NO USO DO
SOLO
Os processos para criação do arquivo de uso de solo aqui descritos, trata-se
da reprodução dos guias disponibilizados em https://www.wudapt.org/create-lcz-
classification/create-lcz-classification-old/.
CRIAÇÃO DAS ÁREAS DE TREINAMENTO
DOWNLOAD DO MODELO DE ZCL
O processo de elaboração do produto das ZCL inicia com o download do
modelo para criação das áreas de treinamento (https://www.wudapt.org/wp-
content/uploads/2020/08/CityNameDateExpertName.kml), no qual trata-se de um
arquivo no formato .kml com subpastas abrangendo as 17 classes de uso do solo, que
deve ser importado para o software Google Earth Pro.
DIGITALIZAÇÃO DOS POLÍGONOS PARA CRIAÇÃO DAS ÁREAS DE
TREINAMENTO
1. Após importar o arquivo baixado anteriormente, selecione a subpasta da
classe de ZCL que corresponde à área que será digitalizada, por exemplo ZCL 1
(maciço de edifícios altos);
2. Ative a ferramenta “Régua” para medição do tamanho da área de
treinamento;
3. Selecione a ferramenta “Adicionar polígono” e no campo correspondente
ao “Nome:” adicione um rótulo exclusivo. Ex.: ZCL1a, no qual “ZCL1” trata-se do tipo
de ZCL digitalizado, e “a” o primeiro polígono deste tipo;
4. Repita este procedimento várias vezes por classe, certificando-se de
abranger as diferentes características de uma mesma classe de ZCL em sua região
de interesse. Quanto mais, e maiores, áreas de treinamento para cada classe ZCL,
melhor para o processo de classificação, pois um maior número de pixels de
treinamento favorece uma melhor representação da variedade das características
espectrais associadas a um tipo de ZCL;
5. Uma vez concluída a criação de todas as áreas de treinamento para uma
dada classe, altere a configuração de “Estilo” para este tipo de ZCL. Clique com o
botão direito do mouse na pasta da ZCL e selecione “Propriedades > Estilo/Cor >
Compartilhar estilo”;
6. Uma vez completado o processo criação de áreas de treinamento,
exclua o arquivo/polígono denominado “Style Place Holder (Delete me when you're
done)”.
GUIA PARA DIGITALIZAR AS ÁREAS DE TREINAMENTO
• O esquema de ZCL descreve bairros homogêneos com propriedades
relevantes para as características térmicas superficiais na escala local (ou seja,
centenas de metros a vários quilômetros). Assim, procure grandes áreas homogêneas
com >200 m de largura no ponto mais estreito (uma vez que as imagens do Landsat
possuem tamanho de pixel de 100-120 m de lado);
• Não digitalizar áreas pequenas;
• Deixe espaços superiores a 100 m entre ZCL, se houver limite claro;
• Contemple várias áreas de treinamento para cada classe de ZCL (entre
5 e 15) para ajudar no processo de classificação supervisionada, pois há variações
entre um mesmo tipo de ZCL em diferentes partes da cidade (diferentes cores de
telhado ou material construtivo) e em diferentes épocas do ano (vegetação). Então
certifique-se de digitalizar estes exemplos;
• Garanta que a cobertura natural da superfície (por exemplo, árvores
densas) receba tanta atenção quanto os tipos urbanos; esses tipos são necessários
para delimitar a mancha urbana;
• Digitalize características bastante persistentes ao longo do tempo, por
exemplo, evite canteiros de obras, tenha cuidado com terras agrícolas e águas
sazonais/marés;
• Para auxiliar, use a ferramenta Google Street View e imagens
georreferenciadas para confirmar a classificação do bairro.
DOWNLOAD IMAGEM LANDSAT
1. Abra o site do USGS Earth Explorer (http://earthexplorer.usgs.gov/);
2. Caso já possua conta, faça o login. Caso contrário, faça o registro
primeiro;
3. Uma vez logado, digite o nome da cidade que deseja classificar na barra
de pesquisa “Adress/Place” e selecione a cidade;
4. Na guia “Data Sets”, localize e marque o conjunto de dados Landsat 8.
Em seguida abra a pasta “Landsat Archive”, e selecione “L8 OLI/TIS”;
5. Na guia “Adicional Criteria”, definir “Cloud cover” (cobertura de nuvens)
menor que 10 % e Day/Night para Day, deixando todas as configurações adicionais
como padrão;
6. Prossiga para a guia “Results”. Selecione e baixe as imagens adequadas
do Landsat com a menor cobertura de nuvens, encolhendo 3-5 cenas de diferentes
estações. Evite o uso de cenas em que a cobertura de nuvens está sobre a área de
interesse. Baixe as cenas clicando no botão de download. Certifique-se de selecionar
“Level 1 GeoTIFF Data Product”.
DEFININDO A REGIÃO DE INTERESSE (ROI)
1. No Google Earth Pro, selecione a ferramenta “Adicionar polígono”, e
renomeie para “ROI”. Em seguida determine a ROI.
2. Salve a ROI como um arquivo .kmz (clique com o botão direito > Salvar
lugar como);
3. Abra o software SAGA GIS. Selecione “Geoprocessing > File > Shapes
> Import > Import Shapes”. Selecione a ROI (arquivo .kmz) e selecione “Geometry
Type” como “Automatic”;
4. Em seguida a ROI deve ser reprojetada para coordenadas UTM, para
isso, arraste uma das imagens Landsat baixadas anteriormente na área de trabalho
do SAGA GIS, e prossiga com:
a. “Geoprocessing > Projection > Coordinate Transformation
(Shapes)”;
b. Em “Source”, selecione a ROI;
c. Para os parâmetros de projeção altere “Loaded Grid”.
5. Salve a camada ROI reprojetada como shapefile (clique com o botão
direito do mouse, “Save As”). Feche a ROI não reprojetada.
GUIA PARA SELECIONAR A ROI
• A ROI deve se aproximar do formato retangular, mas não precisa ser
exato;
• Certifique-se de que a borda da ROI esteja a cerca de 20 km do limite
da área urbanizada. A ROI não deve ter dimensões inferiores a 50 km em cada
sentido. Para isso utilizar a ferramenta régua auxiliará neste processo;
• Em caso de dúvidas, sempre opte por uma área maior em vez de uma
menor;
• Mude o estilo do polígono para transparente (Clique com o botão direito
do mouse, selecione Propriedades > Estilo/Cor > Área - Circunscrito);
PREPARANDO AS IMAGENS LANDSAT NO SAGA GIS
1. Descompacte todas as cenas do Landsat;
2. No software SAGA GIS, “Geoprocessing > File > Grid > Import > Import,
Clip and Resample Grid”;
3. Será aberta a ferramenta de importação,
a. Image Files > selecione as imagens brutas e não compactadas do
Landsat (exceto os arquivos BQA);
b. User Defined No-Data Value > marque esta opção;
c. No-Data Value > 0 (default);
d. Resample > marque esta opção;
e. Cell Size > 100;
f. Region of Interest > Selecione o arquivo ROI reprojetado e salvo
anteriormente.
CLASSIFICANDO A CIDADE DE INTERESSE USANDO O SAGA GIS
1) No software SAGA GIS, “Geoprocessing > Imagery > Classification >
Local Climate Zone Classification”:
a) Selecione Grid System (o disponível);
b) Features: selecione todas as imagens Landsat;
c) Training Areas: Selecione o arquivo gerado na etapa “Criação das
áreas de treinamento”;
d) Class Definition File: baixe o arquivo disponibilizado em
https://www.wudapt.org/wp-content/uploads/2015/07/cmap_WUDAPT_2015.txt e
selecione-o;
e) Save LCZC as...: especificar o caminho para salvar a saída do
produto da classificação como .kmz;
2) Após gerada a classificação, salve o projeto (File > Save Project);
3) Avalie a precisão da classificação gerada. Se grandes áreas da
paisagem urbana foram classificadas incorretamente, adicione mais áreas de
treinamento no Google Earth Pro e repita a classificação até que um resultado
satisfatório seja alcançado.
INTEGRAÇÃO PRODUTO ZCL NO WRF
A fim que seja exportado o mapa obtido do WUDAPT para o modelo WRF,
Martilli, Brousse e Ching (2016) fornecem um guia para tal, sendo necessário o
programa WUDAPT2WRF disponibilizado em
https://sourceforge.net/projects/wudapt2wrf/.
A utilização do nível 0 do WUDAPT como entrada para o esquema BEP no
WRF, é baseada nas seguintes etapas (MARTILLI, BROUSSE e CHING, 2016):
1) Modificação de 3 para 10 no número de classes nos módulos do diretório
físico do modelo (module_sf_urban.F, module_surface_driver.F,
module_sf_noahdrv.F, module_sf_bep.F e module_sf_bep_bem.F);
2) Preparação de um campo de uso de solo (lu_index) mesclando as
informações WUDAPT (áreas urbanas) com as informações padrão (áreas não
urbanas);
3) Modificação da tabela URBPARM.TBL para definir cada classe urbana,
bem como cada parâmetro intrínseco a cada classe (fração urbana, altura dos
edifícios, largura das vias, capacidade térmica, e condutividade térmica das
construções e vias).
O guia foi desenvolvido para a versão 3.2, porém a utilizada neste estudo é
mais recente (4.1.5), o que pode ter causado a incapacidade de o modelo reconhecer
essas alterações no uso do solo.
Portanto, optou-se em manter a versão mais recente utilizando programas
alternativos desenvolvidos em linguagem python. O primeiro programa é responsável
pela extração do lu_index em cada ponto da grade do arquivo gerado no geogrid,
espacializado em arquivo .csv. Posteriormente, cada ponto da ZCL foi extraído em
arquivo .txt, contendo coordenadas latitude e longitude, e a classe ZCL referente ao
dado ponto.
Foram adicionadas informações de latitude e longitude nos pontos extraídos
do lu_index, e em cada ponto identificado no arquivo .txt da ZCL como classe urbana
(31 a 40), foi feita a substituição manual do ponto correspondente no arquivo .csv. Um
segundo programa foi utilizado a fim de essas classes fossem novamente inseridas
no arquivo gerado no geogrid.
Por fim, foram alteradas as configurações atuais de uso do solo, de 20 para
40. Essa sequência de passos possibilitaram a execução alternativa do modelo
considerando as classes urbanas da ZCL.
APÊNDICE II
APÊNDICE II – ESPACIALIZAÇÃO DAS FONTES FIXAS
As informações de localização das indústrias inventariadas por Kawashima,
et al. (2020) estão disponibilizadas no Material Suplementar Eletrônico 1 pelos
autores, com as informações geográficas (latitude e longitude), e as emissões dos
polentes NOx, SOx, CO, MP, compostos orgânicos totais e CO2 de cada item
inventariado (refinaria de petróleo, usina termelétrica, cimenteira, e papel e celulose).
À partir de um rotina desenvolvida em linguagem Fortran, as emissões de
cada poluente e cada indústria foram especializados em arquivos no formato .txt com
a mesma resolução espacial da grade de interesse, sendo que caso mais de uma
indústria fosse identificada no ponto de grade, o valor apresentado é o somatório das
emissões.
Posteriormente essas informações foram lidas em um programa na linguagem
.ncl, o qual juntamente com as dados obtidos sobre a espacialização das emissões
de fontes móveis, gerando dois arquivos em formato netCDF para cada grade. Estes
arquivos são denominados wrfchemi_00z_d0* e wrfchemi_12z_d0*, em que * refere-
se à grade que o arquivo pertence, o 00z no arquivo representa que as emissões
nestes arquivos são de emissões das 0 horas até as 11 horas Zulu, já o arquivo com
12z contém as emissões das 12 horas até as 23 horas Zulu, completando o ciclo
diurno. As emissões das fontes fixas são constantes no tempo, já as emissões de
fontes móveis consideraram-se o ciclo diurno na Figura 9 com resolução espacial de
1 hora, os gases traço possuem como unidade de medida mol.km-2.h-1 e µg.m-2.s-1
para as partículas.
APÊNDICE III
APÊNDICE III – ARQUIVOS DAS EMISSÕES DE TOLUENO POR FONTES MÓVEIS
E FIXAS (D01)
Fonte: Autoria própria (2020).
APÊNDICE IV
APÊNDICE IV - EVOLUÇÃO TEMPORAL DA CONCENTRAÇÃO DE MP10 OBSERVADA E SIMULADA PARA A ESTAÇÃO IAT.
Fonte: Autoria própria (2020).
APÊNDICE V
APÊNDICE V – EVOLUÇÃO TEMPORAL DE O3 E MP10, UTILIZANDO O
INVENTÁRIO O EDGAR
Fonte: Autoria própria (2021).
APÊNDICE VI
APÊNDICE VI – SETORES CONSIDERADOS NO INVENTÁRIO EDGAR.
Setores: Power industry; Oil refineries and Transformation industry;
Combustion for manufacturing; Aviation climbing&descent; Aviation cruise; Aviation
landing&takeoff; Aviation supersonic; Road transportation; Railways, pipelines, off-
road transport; Shipping; Energy for buildings; Fuel exploitation; Non-metallic minerals
production; Chemical processes; Iron and steel production; Non-ferrous metals
production; Food and Paper; Non energy use of fuels; Solvents and products use;
Manure management; Agricultural soils; Agricultural waste burning; Solid waste
landfills; Waste water handling; Solid waste incineration; e Fossil Fuel Fires.
APÊNDICE VII
APÊNDICE VII – COORDENADAS DOS PONTOS EXTRAÍDOS PARA AS
CLASSES URBANAS.
Classe urbana - ZCL Latitude (º) Longitude (º)
31 -23,30 -51,16 32 -23,31 -51,16 33 -23,30 -51,21 36 -23,35 -51,19 39 -23,28 -51,10 40 -23,28 -51,22
APÊNDICE VIII
APÊNDICE VIII – EVOLUÇÃO TEMPORAL DA T2 E Q2 NOS P2, P3 E P5, EM WUDAPT E GS.
Fonte: Autoria própria (2020).
APÊNDICE IX
APÊNDICE IX – DIFERENÇA ENTRE OS FLUXOS DE ENERGIA SIMULADOS NA
SUPERFÍCIE (GS-WUDAPT) NO A) P2, B) P3 E C) P5.
Fonte: Autoria própria (2020).
APÊNDICE X
APÊNDICE X – TAXAS DE RESFRIAMENTO E AQUECIMENTO (°C.h-1) CALCULADAS A PARTIR DAS SIMULAÇÕES WUDAPT E GS PARA P2, P3 E P5.
Fonte: Autoria própria (2020).
