Versão online: http://www.lneg.pt/iedt/unidades/16/paginas/26/30/185
Comunicações Geológicas (2014) 101, Especial II, 951-954
IX CNG/2º CoGePLiP, Porto 2014
ISSN: 0873-948X; e-ISSN: 1647-581X
Uso de informação sensorial para melhorar o mapeamento
de teores em TPH em solos
Use of sensorial data to improve the mapping of TPH grades in
soils
J. A. Almeida1*, S. Roxo1
Artigo Curto
Short Article
© 2014 LNEG – Laboratório Nacional de Geologia e Energia IP
Resumo: Este artigo apresenta uma metodologia destinada a gerar
imagens simuladas 3D de teores em Hidrocarbonetos Totais de
Petróleo - Total Petroleum Hydrocarbons (TPH) em solos
potencialmente contaminados, integrando informação principal
proveniente de determinações analíticas com informação sensorial ou
secundária. A metodologia é ilustrada para a área de um antigo
parque de combustíveis. São discutidos os resultados, com particular
relevância para a integração da informação secundária e para a
exploração do espaço de incerteza.
Palavras-chave: Hidrocarbonetos Totais de Petróleo, Informação
sensorial, Condicionamento a uma variável secundária categórica,
Simulação por campos de probabilidade.
Abstract: This paper presents an innovative methodology for
simulating 3D stochastic images of total petroleum hydrocarbons
(TPH) in potentially contaminated soils, making use of analytical
determinations as primary data and sensorial information as
secondary data. This methodology is illustrated for a deactivated oil
storage site. Results are discussed with particular regard to the
integration of the secondary information and to uncertainty mapping.
Keywords: Total petroleum hydrocarbons, Sensorial information,
Conditioning to a secondary categorical variable, Probability field
simulation.
1
CICEGe, Departamento de Ciências da Terra, FCT-Universidade Nova de
Lisboa, 2829-516 Caparica, Portugal.
*
Autor correspondente / Corresponding author: [email protected]
1. Introdução
Um solo é classificado como contaminado quando são
identificadas concentrações de substâncias químicas que
colocam restrições no uso do local, de forma a minimizar
os riscos para a saúde pública e para o ambiente. Na
prática, um solo contaminado excede pelo menos os
valores de referência num componente de acordo com a
legislação adotada em cada país (Brito, 2005). Os
hidrocarbonetos são um exemplo de um contaminante
persistente, pelo que o mapeamento das suas
concentrações é de particular importância em solos
subjacentes onde foram ou ainda são manuseadas estas
substâncias, nomeadamente em refinarias, parques de
combustíveis e estações de serviço (Pereira et al., 2001;
Roxo, 2011). No caso dos hidrocarbonetos é usual fazer as
determinações analíticas das várias componentes de
carbono e adicionar os componentes não voláteis num total
designado por Total Petroleum Hydrocarbons ou (TPH)
que é a variável considerada no estudo agora apresentado.
A remediação convencional dos locais contaminados
por hidrocarbonetos é baseada na remoção dos solos
contaminados e deposição em locais adequados. Esta
técnica, como qualquer outra, tem custos e estes são tanto
maiores quanto maior for a quantidade de solos
envolvidos, pelo que é essencial a correta delimitação dos
locais contaminados. Por um lado evita-se a
descontaminação inútil de solos limpos (custo direto) e a
não descontaminação de locais contaminados (custo
indireto para a saúde e para o ambiente). É assim
fundamental programar de forma ótima os trabalhos de
amostragem, que envolvem sondagens para solos, recolha
de amostras, medições sensoriais (informação secundária)
e análises químicas (informação principal). No caso da
contaminação por hidrocarbonetos, as análises indiretas
podem incluir classes de cheiro, classes de cor e classes de
reação ao óleo (CRO) que é a extensão e cor da película de
óleo que se forma sobre a água quando é adicionado solo
num tanque com água. As medições indiretas são mais
expeditas e baratas do que as análises químicas, pelo que
podem ser obtidas em maior número, todavia são limitadas
ao local das sondagens e nunca conhecidas em todos os
locais de forma pseudo-contínua. Também, pelo seu
carácter, são de tipo qualitativo e expressam-se por
variáveis categóricas com algumas modalidades. A
informação secundária apenas poderá ser utilizada se for
possível estabelecer uma dependência estatística com os
dados das análises químicas, pelo que todos os troços das
sondagens com análises químicas devem ser classificados
em termos das análises sensoriais. Com a informação das
análises sensoriais e das determinações analíticas, a fase de
caracterização espacial ou mapeamento prossegue com a
construção de mapas 3D dos teores em hidrocarbonetos
nos solos, fazendo uso de técnicas geoestatísticas de
estimação e simulação (Goovaerts, 1997). Os mapas
obtidos permitem quantificar o volume dos solos
contaminados e quantificar a incerteza, nomeadamente,
recomendando a extensão ou aumento da densidade do
952
J. A. Almeida, S. Roxo / Comunicações Geológicas (2014) 101, Especial II, 951-954
plano de amostragem. As técnicas de simulação têm a
vantagem de gerarem vários cenários equiprováveis e por
isso ajudarem à escolha do método de remediação e
planeamento dos trabalhos de campo como este se tratasse
de uma função de transferência dependente dos
quantitativos totais de solos contaminados e da sua
morfologia. Por exemplo, para os mesmos quantitativos o
custo de remediação é variável conforme os solos
contaminados estiverem num único local ou em vários
locais, devido à mobilização dos equipamentos e maior
probabilidade de diluição.
Neste trabalho propõe-se uma metodologia de
simulação destinada a fazer o mapeamento de teores em
TPH em solos, combinando informação principal de
análises químicas com informação secundária mais
abundante, não totalmente conhecida em todos os locais, e
expressa sob a forma de uma variável categórica. Esta
metodologia poderá ser utilizada noutras situações
similares, mesmo em casos de estudo fora do contexto de
caracterização da contaminação de solos, desde que esteja
disponível o mesmo tipo de informação de partida.
2. Metodologia
A metodologia proposta foi orientada pelo facto de se
pretender simular uma variável continua amostrada
nalguns troços de sondagem (variável principal, teor em
TPH) a uma variável categórica (variável secundária,
CRO) amostrada em todas as sondagens mas todavia não
conhecida em todos os locais.
A primeira etapa é fazer a estimação da variável
secundária para toda a área de estudo, sendo a krigagem da
indicatriz a melhor alternativa (Soares et al., 1992;
Goovaerts, 1997). O resultado é um mapa de
probabilidades de pertença a cada modalidade ou
associação de modalidades. Reflete a tendência local para
teores mais elevados ou mais baixos mas é necessário,
numa segunda etapa, simular condicionalmente os teores
em TPH. Aqui várias alternativas podem ser consideradas,
por exemplo, converter as probabilidades para teores
médios e simular com condicionamento a médias locais
por Simulação Sequencial Directa (SSD), ou por co-SSD
(Soares, 2001; Soares et al., 2006; Almeida, 2010; Charifo
et al., 2013) com histogramas locais (Roxo, 2011). Esta
abordagem mostrou sub-valorização sistemática dos teores
nos mapas simulados, porque localmente foram
considerados valores médios calculados com base num
histograma que é muito assimétrico positivo.
Para minimizar a sub-valorização dos teores em TPH
optou-se por uma abordagem inovadora que consiste nos
seguintes procedimentos:
- Iniciar uma malha de nós a 2D ou 3D (
);
- Em cada nó , estimação da probabilidade de pertença
a cada modalidade ou agrupamentos de modalidades
;
por krigagem da indicatriz (
-
Sub-dividir os valores da variável principal
;
, …);
modalidades (
por
-
-
Geração de n imagens simuladas dos teores da variável
principal TPH por modalidades (
;
,
…). Pode ser utilizada a Simulação Sequencial
Gaussiana (SSG) ou a Simulação Sequencial Direta
(SSD) sem informação secundária.
Para cada nó , construção de histogramas locais
compósitos por mistura ponderada dos teores
simulados em TPH das várias populações
. A
construção utiliza o procedimento de Monte Carlo do
seguinte modo: existem n realizações de TPH
condicionais a
, n realizações de TPH condicionais
a
,etc. Se a probabilidade estimada de pertença a
é
então o histograma compósito no nó
terá
valores sorteados das simulações de
,
-
valores sorteados das simulações
de
, e assim por diante, perfazendo n valores.
Conhecidos os histogramas locais dos teores em TPH
para todos os nós da malha em estudo, a etapa final
utiliza o procedimento de simulação por campos de
probabilidade (Probability Field Simulation – PFS)
(Goovaerts, 1997) para a geração das imagens finais de
TPH. Para este procedimento geram-se imagens de
probabilidades com lei uniforme para a malha de nós
em estudo (por SSG e correspondência de histogramas)
e aplica-se novamente a regra de Monte Carlo agora
em cada histograma local compósito. O resultado final
são as imagens simuladas de TPH condicionais à
variável sensorial e às determinações analíticas em
TPH. Como nos locais das amostras em TPH as classes
da variável categórica são amostradas, o procedimento
garante que as imagens são condicionais aos valores
dos teores. Também como as imagens simuladas de
probabilidades com lei uniforme utilizam o variograma
dos teores em TPH, as imagens finais reproduzem
corretamente o variograma dos dados experimentais.
3. Caso de estudo
3.1. Dados iniciais
Na área em estudo com cerca de 17,5 ha foram efetuadas
140 sondagens que na sua maioria atingiram o substrato
rochoso. Foram retiradas 820 amostras de solos a
intervalos com cerca de 0,5 m para análises sensoriais
(cheiro, cor e CRO). Os resultados das análises sensoriais
foram expressos por uma variável categórica com cinco
modalidades. Destas amostras, 276 foram analisadas em
laboratório para determinação dos teores em TPH.
A análise estatística inicial mostrou que das três
análises sensoriais a que exibia melhor correlação com os
teores é francamente a CRO. Também, verificou-se que a
discriminação em cinco classes era excessiva e redundante
e que era preferível simplificar para duas classes, as de
menor teor em TPH {0,1} e as de maior teor em TPH
{2,3,4}. Também optou-se por estudar 6 níveis de 0,5 m
Mapeamento de TPH em solos
cada em profundidade, ou seja entre os zero e os três
metros.
Foram calculados variogramas experimentais para a
variável CRO (variável binária) e para os teores em TPH.
Estimou-se por krigagem da indicatriz a probabilidade de
cada nó pertencer à CRO = {2,3,4} ou ao seu
complementar CPO = {0,1}, onde os dados disponíveis
são as 820 análises sensoriais. Na figura 1a) apresenta-se a
imagem estimada para o nível [1.5 m; 2 m] da
probabilidade de CPO = {2,3,4}. Os valores variam entre 0
e 1 (grau de probabilidade) com prevalência dos mais
elevados em duas manchas maiores e duas manchas
menores.
953
Independentemente dos valores absolutos desta grandeza,
os maiores valores de variância local estão próximo dos
registos de TPH mais elevados e onde muito próximo se
encontram outros registos muito mais baixos, indicador de
heterogeneidade. Nos locais com menos amostras, a
variância não é muito elevada porque os teores são, regra
geral, baixos, o que também mostra a apetência da
amostragem para os locais onde se espera haver maior
grau de contaminação.
3.2. Simulação de imagens de TPH por classes de
modalidades da variável sensorial
Nesta fase procedeu-se à simulação dos teores em TPH
(Nunes & Almeida, 2010). Os teores em TPH amostrados
nas 276 localizações foram subdivididos em dois
conjuntos, um para as CRO = {0,1} e outro para as CRO =
{2,3,4}. Foram então simuladas 100 realizações de TPH
para cada conjunto, ou seja 100 imagens simuladas com os
valores de CRO = {0,1} e 100 imagens de CRO = {2,3,4}.
Nas simulações utilizou-se o variograma ajustado ao
conjunto dos teores em TPH.
Nas figuras 1b) e 1c) mostram-se realizações simuladas
dos teores em TPH com os conjunto dos dados onde CRO
= {0,1} e CRO = {2,3,4}, respetivamente. As imagens
simuladas são condicionais ao histograma das respetivas
subpopulações, pelo que na primeira os valores em TPH
são muito mas baixos do que na segunda imagem. Como
as classes não discriminam os teores a 100%, o intervalo
de teores em TPH entre 135 ppm e 1455 ppm é comum às
duas imagens, todavia é uma fração diminuta do total dos
valores o que mostra que a utilização da variável
secundária tem vantagens.
3.3. Geração de histogramas locais compósitos e
simulação das imagens de TPH por PFS
Nesta etapa juntam-se o mapa de probabilidade de
pertença a cada CRO {0,1} ou {2,3,4} com as simulações
condicionais a cada CRO para um conjunto único de
imagens simuladas. Como referido na metodologia, nó a
nó calcularam-se histogramas locais compósitos e com a
simulação por campos de probabilidade gerou-se o valor
simulado em cada nó. A imagem da figura 1d) mostra-se o
resultado final dos teores em TPH para o horizonte [1,5 m;
2 m] e junta as imagens das figuras 1a), 1b) e 1c). O
resultado é condicional às probabilidades estimadas da
variável sensorial CRO e aos teores das determinações
analíticas e exibe o variograma dos teores em TPH. Este
procedimento foi efetuado para as 100 imagens tendo-se
gerado 100 cenários equiprováveis de teores em TPH.
No final calcularam-se a imagem média das 100
realizações (Fig. 1e) e a imagem da variância local (Fig.
1f). A imagem da variância local permite quantificar a
incerteza local que resulta da quantidade de amostras, da
distância de cada célula da malha às amostras mais
próximas e da heterogeneidade das medições.
Fig. 1. Representação de resultados para o horizonte [1,5 m; 2 m] (a)
Imagem estimada de probabilidade de pertença à CRO {2,3,4}. (b)
Imagem simulada de teores em TPH para a CRO {0,1}. (c) Imagem
simulada de teores em TPH para a CRO {2,3,4}. d) Imagem simulada
final de teores em TPH. (e) Imagem de valores médios em TPH. (f)
Imagem da variância local dos valores simulados em TPH.
Fig. 1. Results for the level [1.5 m; 2 m]. (a) Estimated probability of
belonging to the CRO {2,3,4}. (b) One simulated image of TPH grades
for CRO {0.1}. (c) One simulated image of TPH grades for CRO {2,3,4}.
(d) Final simulated image of TPH grades. (e) Average values of TPH
grades. (f) Local variance of the simulated values of TPH grades.
4. Conclusões
A metodologia apresentada permite caracterizar
espacialmente, por simulação, uma variável contínua
amostrada num número reduzido de localizações
condicional a uma variável categórica indireta amostrada
nos mesmos locais e noutros, mas que não seja
completamente amostrada na malha onde se pretendem
apresentar os resultados. Os estatísticos dos resultados finais
954
J. A. Almeida, S. Roxo / Comunicações Geológicas (2014) 101, Especial II, 951-954
e os variogramas foram validados por comparação com o
dos dados experimentais. Embora a metodologia tenha sido
apresentada no contexto de um caso de estudo de solos
contaminados, tem potencialidades para ser aplicada a todas
as situações onde as características dos dados experimentais
sejam da mesma natureza.
Referências
Almeida, J.A., 2010. Modelling of cement raw material
compositional indices with direct sequential cosimulation.
Engineering Geology, 114(1–2), 26–33.
Brito, M.G., 2005. Metodologia para avaliação e remediação da
contaminação por metais pesados em áreas industriais
degradadas. Tese de doutoramento, Universidade Nova Lisboa
(não publicada), 336 p.
Charifo, G., Almeida, J.A., Ferreira, A., 2013. Managing borehole
samples of unequal lengths to construct a high-resolution mining
model of mineral grades zoned by geological units. Journal of
Geochemical Exploration, 132, 209–223.
Goovaerts, P., 1997. Geostatistics for Natural Resources Evaluation.
Oxford University Press, 483 p.
Nunes, R., Almeida, J.A., 2010. Parallelization of sequential
Gaussian, indicator and direct simulation algorithms. Computers
& Geosciences, 36, 1042–1052.
Pereira, M.J., Almeida, J., Costa, C., Soares, A., 2001. Accounting
for soft information in mapping soil contamination with TPH at an
old storage site. In: P. Monastiez. D. Allard, R. Froidevaux, (Eds).
geoENV III, Geoestatistic Environmental Applications. Kluwer
Academic Publish., Dordrecht, 475–486.
Roxo, S., 2011. Integração de informação secundária na modelação
geoestatistica da qualidade de solos em locais potencialmente
contaminados. Aplicação à área subjacente de uma antiga
refinaria. Tese de mestrado, Universidade Nova Lisboa (não
publicada), 64 p.
Soares, A., 2001. Direct Sequencial Simulation and Cosimulation.
Mathematical Geosciences, 33, 911–926.
Soares, A., Almeida, J.A., Guerreiro, L., 2006. Incorporating
secondary information using direct sequential cosimulation. In:
T.C. Coburn, J.M. Yarus, R.L. Chambers, (Eds). Stochastic
modeling and geostatistics: Principles, methods, and case studies.
Vol. II, AAPG Computer Applications in Geology, 5, 35-43.
Soares, A., Tavora, J., Pinheiro, L., Freitas, C., Almeida, J., 1992.
Predicting Probability Maps of air pollution concentration: A case
study on Barreiro/Seixal Industrial Area. In: A. Soares, (Ed.).
Geostatistics Troia ’92, II, 625–636.