Inclusão das características da via e da categoria veicular na desagregação espacial das emissões veiculares

Abstract

Os inventários de emissões veiculares de alta resolução espacial são essenciais para desenvolver estratégias eficientes de redução da poluição do ar. No entanto, a escassez de dados restringe o amplo uso de modelos de emissão com alta resolução espacial, principalmente em países em desenvolvimento. O método de desagregação espacial que considera a densidade de vias é utilizado como alternativa para obter resolução espacial refinada das estimativas de emissões veiculares. Contudo, este método de desagregação superestima as emissões em vias de baixo fluxo e subestima as emissões em vias de alto fluxo. Neste sentido, o presente trabalho propõe uma nova metodologia para melhorar a desagregação espacial dos inventários de emissões veiculares, baseando-se em fatores de ponderação que consideram o tipo de via e a categoria veicular. Neste trabalho, foi utilizado dados de emissão veicular em nível de rua referente à três regiões metropolitanas do Brasil para estimar os fatores de ponderação em 63 cidades. A partir destes dados, foi utilizado a proporção do comprimento de vias primárias (vias de alto fluxo) por cidade como variável independente em um Modelo Linear Generalizado (MLG) para prever os fatores de ponderação por cidade. Sendo que quatro modelos foram gerados, um para cada categoria de veículo: automóveis, ônibus, caminhões e pesados. Os resultados mostram que a utilização dos fatores de ponderação melhorou a precisão espacial das emissões veiculares em relação ao método de densidade de vias. Os fatores de ponderação diminuíram o Fractional bias e aumentaram a correlação de Spearman para todas as categorias. O método proposto diminuiu a mediana do Fractional bias nas vias secundárias, minimizando a superestimação das emissões pelo método de densidade de vias. Nas vias primárias, os fatores de ponderação diminuíram o intervalo interquartil do Fractional bias e superestimaram as emissões em menor magnitude enquanto o método de densidade de vias subestimou. Ainda, o método proposto apresentou maior porcentagem de células dentro do critério de aceitabilidade nas vias primarias. Considerando as cidades separadamente, os fatores de ponderação aumentaram a correlação de Spearman e a porcentagem de células dentro do critério de aceitabilidade, enquanto diminuíram o Fractional bias, bias e distância de Hellinger em mais de 50% das cidades. A implementação do método proposto em um domínio no sul do Brasil mostrou que a interconectividade entre as cidades é melhor representada. Além disso, o novo método prevê emissões veiculares mais realistas em rodovias, o que não foi visualizado ao empregar o método de densidade de vias. As emissões veiculares desagregadas foram acopladas em um modelo de qualidade do ar chamado Community Multiscale Air Quality (CMAQ) que simula a concentração de poluentes na atmosfera, criando dois cenários: (i) fatores de ponderação e (ii) densidade de vias. Os dois cenários de simulação foram comparados com dados de estação de monitoramento a fim de verificar qual simulação está mais próxima dos dados observados nas estações de monitoramento. Os resultados mostraram que o cenário dos fatores de ponderação diminuiu o erro quando comparado com dados de algumas estações de monitoramento. Em geral, as métricas estatísticas apresentaram similaridades considerando o período de simulação analisado para as concentrações simuladas nos dois cenários. Esses resultados sugerem que a inclusão das características da via e do veículo podem melhorar a resolução espacial das emissões veiculares em escala local e nacional utilizando dados simples que estão disponíveis na maioria dos países em desenvolvimento. Esses resultados sugerem que a inclusão das características da via e do veículo podem melhorar a resolução espacial das emissões veiculares em escala local e nacional utilizando dados simples que estão disponíveis na maioria dos países em desenvolvimento.

Abstract: High-resolution spatial inventories of vehicle emissions are essential for developing efficient strategies to reduce air pollution. However, the scarcity of data limits the widespread use of emission models with high spatial resolution, particularly in developing countries. The spatial disaggregation method that considers road density is used as an alternative to obtain refined spatial resolution of vehicle emission estimates. However, this spatial disaggregation method overestimates emissions on low-traffic roads and underestimates emissions on high-traffic roads. In this context, this study proposes a new methodology to improve the spatial disaggregation of vehicle emission inventories, based on weighting factors that consider the road type and vehicle category. In this work, we used data from road-level inventories of three metropolitan areas in Brazil to estimate the weighting factors for 63 municipalities. From these data, we derived a Generalized Linear Model by vehicle category (passenger cars, buses, trucks, and heavy vehicles) to predict the weighting factors using the proportion of primary roads (high flow and highways) length as independent variable. The results show that the use of weighting factors improved the spatial accuracy of vehicle emissions compared to the road density method. Our results reveal that the use of weighting factors improve the disaggregation of vehicular emissions when compared to the traditional road density method. The weighting factors decreased Fractional bias and increased Spearman correlation for all vehicle categories. The proposed method decreased Fractional bias median in secondary roads, minimizing the overestimation of vehicular emissions found by road density method. In primary roads, the weighting factors decreased the Fractional bias interquartile range, slightly overestimating the vehicular emissions, however, in lower magnitude than the road density method underestimate. Moreover, the proposed method showed higher percentage of cells within the acceptance criteria in primary roads. Considering the cities separately, the weighting factors increased the Spearman correlation and the percentage of cells within the acceptance criteria, while decreased Fractional bias, bias and Hellinger distance in up to 50% of the cities. The implementation of weighting factors method into a domain in the south of Brazil showed that the interconnectivity between cities is better represented. Furthermore, the new method predicts more realistic vehicular emissions in highways, which cannot be visualized after employing the road density method. The disaggregated vehicle emissions were incorporated into an air quality model called Community Multiscale Air Quality (CMAQ), which simulates the concentration of pollutants in the atmosphere, creating two scenarios: (i) weighting factors and (ii) road density. The two simulation scenarios were compared with monitoring station data to determine which simulation was closer to the observed data. The results showed that the scenario using weighting factors reduced the error compared to data from some monitoring stations. Overall, the statistical metrics showed similarities considering the analyzed simulation period for the simulated concentrations in both scenarios. These results suggest that the inclusion of road and vehicle characteristics can improve the spatial resolution of vehicle emissions at the local and national scales, using simple data available in most developing countries.