FUSÃO DE BANCOS DE DADOS PARA ESTUDO DO EFEITO DAS CONDIÇÕES METEOROLÓGICAS NO FLUXO DE VEÍCULOS EM RODOVIAS PAULISTAS

Bruna Pizzol

Gustavo Riente de Andrade José Reynaldo A. Setti Universidade de São Paulo

Escola de Engenharia de São Carlos

RESUMO O objetivo da pesquisa foi produzir um banco de dados de tráfego que possibilite estudar o efeito das condições meteorológicas no fluxo veicular em trechos de rodovias no estado de São Paulo. Diversos estudos realizados no exterior sugerem que há uma redução da capacidade e do nível de serviço sob condições inclementes de tempo. No Brasil, no entanto, não há registros de pesquisas análogas, já que um estudo deste tipo exige dados de tráfego classificados de acordo com as condições do tempo no instante da coleta: tempo bom ou chuvoso. Este estudo fundiu dois bancos de dados, um contendo dados do tráfego (coletados por sensores instalado em rodovias) e outro com imagens geradas por radares meteorológicos. O processo usado consistiu em localizar os pixels da imagem do radar que correspondem à localização das estações de monitoramento de tráfego e, através um pro-grama de visão computacional, determinar as condições do tempo (bom ou chuvoso) a intervalos de 5 minutos. Para demonstrar o uso do banco de dados, apresenta-se um breve estudo do efeito do tempo nas condições do tráfego, usando-se o modelo do HCM2010 para estimar a capacidade e a velocidade na capacidade. ABSTRACT This paper presents the process used to create a data set to analyze the effects of weather on traffic flow on rural highways in the state of São Paulo. The literature suggests that weather conditions have a significant effect on capacity and quality of service. To date, similar studies have not been conducted in Brazil, perhaps because the initial requirement for such research is the availability of a data set combining traffic and weather data. In this research, two data sets were combined: one, with traffic data collected by monitoring stations on rural roads, and the other, with meteorological radar images. The adopted procedure involved identifying the pixels in the radar images that corresponded to the location of the traffic sensors and, with the aid of a machine vision program, to determine the weather conditions (good or rainy weather) at 5-min intervals. To demonstrate the use of the new data set, a simple study was carried out to verify the effect of weather on traffic, using the HCM2010 model to find capacity and speed-at-capacity. 1. INTRODUÇÃO As condições meteorológicas afetam o comportamento dos motoristas, o desempenho dos ve-ículos, a segurança do trânsito e, por consequência, a mobilidade de um modo geral. Sob con-dições inclementes de tempo, particularmente sob chuva, neve ou névoa, os motoristas au-mentam o espaçamento entre veículos, reduzem a velocidade e diminuem a desaceleração de frenagem. Sob essas condições, observa-se aumento nos tempos de viagem e nos níveis de congestionamento, menores velocidades e fluxos de tráfego, aumento na variância da veloci-dade e redução na capacidade das vias (Goodwin, 2002). O HCM (TRB, 2010) sugere que as condições do tempo adversas podem afetar a velocidade da corrente de tráfego, sugerindo redução de 1,9 km/h sob chuva leve e de 4,8 a 6,4 km/h, sob chuva forte. Ibrahim e Hall (1994) verificaram redução de 2 a 13 km/h em condições de fluxo livre sob chuva leve e de 5 a 16 km/h, sob chuva forte. Um estudo em Idaho, EUA, cujo obje-tivo era verificar o impacto das condições de tempo na velocidade de fluxo livre (Kyte et al., 2001), constatou, sob tempo ruim, uma redução de 12 km/h para carros e 13 km/h para cami-nhões na média e aumentos no desvio padrão de 10,6 para 18,9 km/h (carros) e de 9,8 para 17,0 (caminhões). Um estudo patrocinado pelo FHWA (Hranac et al., 2006) analisou, a partir de dados empíri-

cos, o impacto das condições meteorológicas no fluxo de tráfego. O método usado consistiu em obter uma base de dados meteorológicos e uma base de dados de tráfego. Os dados do tempo foram obtidos a partir de uma rede de radares meteorológicos e estações automatiza-das; os dados de tráfego, de sensores instalados em rodovias. As duas bases de dados foram combinadas, determinando-se as condições meteorológicas no local do sensor de tráfego e combinando os dados climáticos com os dados de tráfego. A pesquisa bibliográfica realizada não conseguiu encontrar nenhum estudo similar realizado no Brasil ou na América Latina, talvez em função da indisponibilidade de um conjunto de dados de tráfego que indique as condições meteorológicas durante o período de observação. Em função disso, o objetivo da pesquisa aqui relatada foi fundir dados de tráfego com dados meteorológicos, visando criar um banco de dados que subsidie um estudo desse tipo para ro-dovias do estado de São Paulo. O método usado consistiu, primeiramente, em tratar e analisar os dados de tráfego. Um banco de dados foi montado com as informações coletadas por sen-sores instalados nas rodovias, para que os dados de fluxo e velocidade pudessem ser usados nos estudos subsequentes. Esses dados de tráfego foram obtidos junto ao DER-SP, ARTESP e concessionárias de rodovias do estado e fazem parte de projetos desenvolvidos pelo mesmo grupo de pesquisa. Os dados de tráfego são, basicamente, contagens e velocidades médias, para automóveis e veículos comerciais, coletadas em intervalos predeterminados (5, 6 ou 15 minutos). Em seguida, foi realizada a montagem de um banco de dados meteorológicos. As informações das condições do tempo no estado de São Paulo foram fornecidas pelo Instituto de Pesquisas Meteorológicas da UNESP (IPMet) e consistem de imagens compostas dos radares meteoro-lógicos de Bauru e Presidente Prudente. Essas imagens são “retratos” das condições de chuva a cada 30 minutos, cobrindo grande parte do estado de São Paulo. A intensidade da chuva é determinada segundo uma escala de cores predeterminada. As imagens de radar foram organi-zadas em um banco de dados, para serem usadas em estudos futuros. No total, são 27911 ima-gens, contendo dados meteorológicos de julho de 2009 a abril de 2011. Obtidas as imagens, criou-se um banco de dados meteorológicos nos locais dos sensores de tráfego, classificando-se a cor do pixel correspondente a cada local de monitoramento de trá-fego na imagem do radar. A cor do pixel representa chuva ou não. Processadas as imagens do radar meteorológico, foi possível definir os horários “com chuva” e “sem chuva” no local de cada sensor. A partir da combinação dos dados de tráfego com os dados meteorológicos, foram criadas du-as bases de dados distintas, referentes aos períodos “sem chuva” e aos períodos “com chuva”. Para demonstrar a aplicabilidade dos dados assim obtido a um estudo do efeito das condições meteorológicas sobre as condições do tráfego, foi realizado um estudo expedito com esses dados. Usando-se o modelo do HCM2010, foram construídas curvas fluxo-velocidade para as rodovias estudadas, para tempo bom e tempo chuvoso, para comparar parâmetros da corrente de tráfego em cada uma das condições (com ou sem chuva). 2. REVISÃO BIBLIOGRÁFICA Como a fusão dos bancos de dados baseia-se na análise de imagens dos radares meteorológi-cos, a revisão bibliográfica focaliza, primordialmente, no processamento de imagens digitais e no funcionamento de radares meteorológicos.

2.1. Processamento de imagens digitais O processamento de imagens digitais, entre outras áreas de aplicação, decorre do processa-mento de dados para percepção automática através de máquinas. Segundo Gonzalez et al. (2004), o processamento de imagens digitais envolve processos cujas entradas e saídas são imagens, a partir das quais se extraem atributos, incluindo o reconhecimento de objetos indi-viduais. No caso deste projeto, o problema era determinar a cor de determinados pixels das imagens dos radares, correspondentes aos locais onde há sensores instalados nas rodovias es-tudadas. De acordo com a escala de cores, é possível definir as condições climáticas naqueles locais no instante respectivo à imagem. 2.1.1. Representação de imagens digitais Uma imagem digital é uma função f (x, y) discretizada em coordenadas espaciais (x, y) e em valores de f. Pode ser considerada uma matriz, cujo índices de linhas e de colunas identificam um ponto específico na imagem e o correspondente valor do elemento da matriz está associa-do à cor daquele ponto. Portanto, uma imagem digital é composta por um número finito de elementos, cada qual com uma localização e valor próprios. Cada um dos elementos dessa matriz digital é chamado de “elemento da imagem” ou “pixel”. Os pixels que cercam o pixel de interesse constituem a chamada “vizinhança”, que pode ser utilizada em diversas análises. 2.1.2. Sistemas de cores Os sistemas de cores de imagens são sistemas de coordenadas que atribuem a cada ponto uma determinada cor. Visto que as imagens aqui tratadas possuem uma larga escala de cores, fo-ram estudados os sistemas de representação das cores RGB e HSV. O sistema RGB é o mais comum, sendo considerado um dos modelos básicos de cores. Utiliza três cores primárias: vermelho (Red), o verde (Green) e o azul (Blue), que quando misturadas em proporções dife-rentes geram uma infinidade de cores. Há 256 combinações de cores, o que faz com que os valores de intensidade variem de 0 a 255, para cada uma das três cores primárias. Com isso, para cada ponto da imagem f (x, y) , este sistema atribui um valor de intensidade para cada uma das cores, que juntas representam um determinada tonalidade. O sistema de cores HSV define as cores a partir de sua matiz (Hue), saturação (Saturation) e brilho ou valor (Value). A matiz representa a cor em si, definindo a tonalidade dominante. A saturação se refere à pureza da cor. Quanto mais pura for a cor, maior é o valor de saturação e menor a quantidade de luz branca presente nela. Por fim, o valor ou “brilho” indica a intensi-dade de brilho associada à cor. 2.2. Funcionamento de radares meteorológicos Os radares são dispositivos que emitem ondas eletromagnéticas em pulsos fortes e focados, que seguem até se chocarem com um objeto capaz de refleti-las, chamados refletores. Uma pequena parte do sinal refletido atinge um sensor especial, chamado receptor. A partir de va-riáveis como a energia do pulso transmitido, o ganho da antena receptora, facilidade com que a onda se propaga no meio, distância entre emissor, receptor e refletor, entre outras, os dados são equacionados e interpretados de acordo com aquilo que se pretende determinar (Garcia, 2008). Radares Doppler são usados desde a década de 1960 para coleta de dados meteorológicos, já que as nuvens e a precipitação podem ser detectadas pelos radares (Garcia, 2008). No territó-rio brasileiro existem mais de 20 radares atuantes. Entre os mais importantes do estado de

São Paulo estão os de Bauru e Presidente Prudente, pertencentes ao IPMet/UNESP, que são aqueles que forneceram as imagens utilizadas neste trabalho. São radares do tipo Doppler, que conseguem gerar rapidamente uma grande quantidade de dados de refletividade, medida em decibéis (dB). Esse parâmetro relaciona-se à intensidade do pulso que foi refletido pelo objeto detectado e está associada com a intensidade da chuva. Para facilitar a interpretação dos da-dos, são geradas imagens como a mostrada na Figura 1. A intensidade da precipitação é indi-cada na imagem através de uma escala de cores. A Tabela 1 mostra a escala de cores normal-mente adotada para correspondência entre a intensidade do sinal e o evento meteorológico (Garcia, 2008).

Figura 1: Imagem do radar meteorológico do IPMet

Tabela 1: Intensidade do sinal refletido (dBZ), cor e evento observado (Garcia, 2008)

Intensidade (dB) Cor Evento observado 65 ou mais Magenta Tempestade 50–65 Vermelho Chuva pesada 35–50 Amarelo Chuva média 20–35 Verde Chuva leve Até 20 Azul Garoa

3. PROCESSAMENTO DAS IMAGENS DOS RADARES METEOROLÓGICOS Em função do grande número de imagens de radar para serem analisadas, decidiu-se que a determinação das condições meteorológicas no período de coleta de dados de tráfego seria feita a partir do processamento digital das imagens de radar, que pode ser automatizado. Nesta seção, apresenta-se o método adotado para o processamento digital das imagens de radar. 3.1. Escolha do sistema de cores As imagens fornecidas pelo IPMet são baseadas no sistema RGB, mas como esse sistema di-ficulta o reconhecimento digital da cor, optou-se pelo uso do sistema de cores HSV. Para comprovação de que o sistema HSV era de fato o mais adequado ao estudo, realizou-se um

teste prévio com as imagens em ambos os sistemas. Com o auxílio do programa Matlab, primeiramente recortou-se de uma imagem do radar a escala de cores referente à intensidade de chuva. A função rgb2hsv permitiu que a imagem de RGB fosse convertida para HSV. Por meio da função imhist elaboraram-se histogramas da frequência com que as cores do sistema RGB (vermelho, verde e azul) e os parâmetros do sis-tema HSV (matiz, saturação e brilho) se repetiam na escala. Os histogramas da escala que es-tava em RGB resultaram em uma larga distribuição de intensidades. Isso significa que a cor de um pixel de uma imagem em RGB só pode ser definida pela combinação das três cores primárias (vermelho, verde e azul). Por outro lado, os histogramas referentes à imagem em HSV mostram que o histograma da matiz H se destacou, quando comparado aos histogramas da saturação S e do brilho V. A maioria das intensidades desses dois últimos parâmetros se repetiu muito pouco ou não foi utilizada. Devido a isso, é possível usar apenas um dos parâ-metros do sistema HSV para definir uma determinada cor, a matiz (H), que representa a cor pura. 3.2. Determinação dos limites da matiz Optou-se por dividir as condições de tempo em apenas duas classes, “com chuva” e “sem chuva”, uma vez que a distância entre os pontos nas rodovias e os radares meteorológicos po-deria distorcer a estimativa da intensidade da chuva. Para definir quais valores da matiz representariam “com chuva” e quais representariam “sem chuva” foram utilizados dois métodos distintos. O primeiro método consistiu na aplicação de uma técnica estatística sobre a escala de cores, enquanto que o segundo método consistiu na classificação visual de uma amostra de imagens. 3.2.1. Método 1: Classificação a partir da escala de cores Usando um programa codificado no Matlab, o primeiro passo foi isolar a escala de cores que existe nas imagens fornecidas pelos radares meteorológicos. Em seguida, a escala de cores foi dividida em dois segmentos, cada qual representando uma condição de tempo: “com chuva” e “sem chuva”. Vários testes foram feitos, sendo que cada um deles dividiu a escala em um de-terminado ponto, segundo o bom senso. As referências para os cortes foram −5 dBZ, −10 dBZ, 5 dBZ e 0 dBZ. Processando os valores de H que cada um dos segmentos possuíam, a partir da função imhist foram feitos histogramas que descrevem a frequência relativa das intensidades de H em cada segmento “com chuva” e “sem chuva”, para cada um dos testes de divisão. Há valores de H, entretanto, que estão presentes tanto no segmento de chuva quanto no que não possui chuva; no gráfico tais valores são expressos pela sobreposição das duas curvas. A essa área de inter-secção foi dado o nome de área de imprecisão, pois são valores de H que podem gerar possí-veis erros na definição da condição meteorológica, já que poderiam indicar “com chuva” e “sem chuva” simultaneamente. As áreas de imprecisão de cada um dos testes foram calculadas pelo programa codificado no Matlab. A divisão adotada foi a que possui a menor área de imprecisão, já que fornece estima-tivas mais precisas para os limites de H. Portanto, conforme se observa na Tabela 2, adotou-se a divisão feita em 0 dBZ.

Tabela 2: Resultados obtidos para as áreas de imprecisão Ponto de divisão Área de imprecisão

-10 dBZ 0,0961 unidades de área

-5 dBZ 0,0699 unidades de área

0 dBZ 0,0050 unidades de área

5 dBZ 0,0086 unidades de área

Definido que apenas as cores acima de 0 dBZ seriam consideradas como chuva, utilizou-se o histograma referente a tal divisão para estimar os valores de H que representam “com chuva” e os que representam “sem chuva”. A Tabela 3 apresenta os resultados obtidos a partir da es-cala de cores dividida em 0 dBZ.

Tabela 3: Resultados obtidos para os valores de H a partir da escala de cores Valores de H Classificação meteorológica

0,488 ≤ H < 1,0 ou H = 0 Sem Chuva

0 < H < 0,488 Com Chuva

3.2.1. Método 2: Classificação através de análise visual A determinação dos limites da matiz a partir da análise visual de uma amostra de imagens também requereu o uso de um programa codificado em Matlab. Aleatoriamente, foram esco-lhidas 2000 imagens do radar. Indicado um pixel qualquer de interesse, o programa corta a imagem ao seu redor com uma vizinhança de 20 pixels para cada direção, como pode ser visto na Figura 2. A vizinhança do pixel permitiu um melhor julgamento sobre as condições de tempo naquele local específico, já que a análise isolada da cor de um pixel pode dificultar a distinção de qual categoria ele se insere.

(a) Pixel com chuva (b) Pixel sem chuva

Figura 2: Imagens usadas para classificação baseada em análise visual Após limitar a imagem ao redor do pixel, o programa a exibe na tela e aguarda um retorno do usuário. De acordo com o seu bom senso, o usuário é o responsável em classificá-la, por meio de comandos preestabelecidos, em “com chuva”, “sem chuva” ou “indeterminado”. A catego-ria “indeterminado” inclui as imagens cuja cor do pixel e seus arredores não permitiam classi-ficá-lo com plena certeza. Cores como amarelo, laranja ou verde certamente designam chuva, tal como o cinza indica a ausência de chuva. Mas algumas vezes há a ocorrência de cores co-mo roxo acinzentado ou marrom claro, que geram dúvidas na classificação por parte do usuá-rio. Nestes casos, a imagem foi incluída na categoria “indeterminado”. Definida a classe da imagem, o programa processa o valor da matiz H do pixel em questão e o grava em um vetor específico, segundo a classificação inserida pelo usuário. Ao final do pro-cesso, foram obtidos três vetores contendo os valores da matiz H referentes a cada uma das

categorias: “com chuva”, “sem chuva” e “indeterminado”. Elaborou-se então um histograma da frequência com que tais valores se repetiram nas imagens analisadas (Figura 3). A Tabela 4 resume os resultados obtidos a partir das imagens analisadas visualmente.

Figura 3: Histograma das intensidades da matiz

Tabela 4: Resultados obtidos para os valores da matiz (H) pela análise visual

Condição de tempo Limites da matiz (H) Sem chuva (0 ≤ H ≤ 0,12) ou (0,43 ≤ H ≤ 0,67)

Com chuva (0,12 < H < 0,43)

Indeterminado (0,670 < H ≤ 1.0)

Comparando-se os limites da matiz obtidos por cada um dos métodos utilizados, nota-se que os valores não apresentaram grande disparidade entre si, como esperado. A análise visual de-monstrou-se confiável, ao passo que delimitou situações em que a condição do tempo não po-deria ser afirmada com certeza. Com isso, os valores obtidos a partir da análise visual foram os adotados para os estudos subsequentes. 3.3. Codificação do programa que separa as imagens Com os limites da matiz definidos, as imagens que indicam a presença de chuva no local do sensor foram separadas daquelas que indicam a ausência da mesma, por meio de um programa codificado no Matlab. A técnica de segmentação utilizada foi o thresholding, que separa as imagens de acordo com a cor do pixel referente ao local do sensor, baseando-se na premissa de que cores que indicam chuva apresentam intensidades de matiz diferentes das que indicam tempo bom ou condições indeterminadas. Inicialmente são fornecidas as coordenadas espaciais (x,y) do pixel de interesse, que corres-ponde ao local, na imagem, em que o sensor usado para coletar os dados de tráfego está insta-lado. Em seguida, o programa processa o valor da matiz do pixel, classifica-o segundo os va-lores limitantes em “com chuva”, “sem chuva” ou “indeterminado” e exporta o resultado para um arquivo de texto previamente criado. Além disso, o programa lê o nome da imagem, que contém o dia e o horário aos quais a imagem se refere, e também adiciona essas informações para o arquivo de texto. Assim, é possível relacionar cada período com sua respectiva classifi-

cação no local do sensor. 4. FUSÃO DOS BANCOS DE DADOS DE TRÁFEGO E DO TEMPO A etapa seguinte do processo consiste na fusão do banco de dados de tráfego com o banco de dados meteorológicos, cuja criação foi apresentada nos itens anteriores. 4.1. Dados de tráfego Os dados de tráfego utilizados provém de quatro rodovias de pista dupla do estado de São Paulo e foram obtidos junto às concessionárias CCR ViaOeste, CCR RodoAnel e CCR Auto-Ban. As rodovias em estudo e velocidades máximas permitidas são, respectivamente: Castelo Branco (SP-280): 120 km/h para veículos leves e 90 km/h para veículos pesados (4 estações de monitoramento do tráfego); Raposo Tavares (SP-270): 110 km/h para veículos leves e 80 km/h para veículos pesados (2 estações de monitoramento); Rodoanel (SP-021): 100 km/h para veículos leves e 80 km/h para veículos pesados (3 estações de monitoramento); Bandei-rantes (SP-348): 120 km/h para veículos leves e 90 km/h para veículos pesados (4 estações de monitoramento). Os dados de tráfego usados são apenas os coletados pelos sensores da faixa mais à esquerda das rodovias, próxima ao canteiro central. Isso se deve ao fato dessa faixa apresentar um bai-xo número de veículos pesados. Na rodovia SP-280, por exemplo, na faixa da esquerda havia 1% de veículos pesados, enquanto que a faixa central apresentou cerca de 19% de veículos pesados e a faixa da direita, 45%. 4.2. Fusão dos bancos de dados Com os bancos de dados de tráfego e do tempo completos, os dados de fluxo e velocidade fo-ram combinados com as condições de tempo bom ou chuvoso. Os dados de tráfego foram ob-tidos a cada 5 ou 6 minutos, dependendo do sensor. Estudos mostram que as condições de trá-fego não se alteram significantemente em 5 ou 6 minutos, o que os faz bons intervalos de tempo para análises. No entanto, as imagens meteorológicas se referem a intervalos de 30 mi-nutos, o que exigiu a expansão dos dados de tempo de um intervalo de 30 minutos para subin-tervalos de 5 ou 6 minutos. Em seguida, foi feita uma análise estatística sobre os dados combinados. Julgou-se convenien-te considerar os dados cuja condição de tempo se repetia em dois intervalos antes e um inter-valo depois, para aumentar a confiabilidade dos resultados, já que somente as condições de tempo que se mantiveram por no mínimo 20 minutos (no caso de intervalos de 5 minutos) ou 24 minutos (no caso de intervalos de 6 minutos) foram consideradas. Os dados que não aten-deram a tal critério foram desprezados. Isso reduz o risco de falhas dos radares meteorológi-cos influenciarem o estudo. Para a criação das curvas fluxo-velocidade, os dados de tráfego obtidos sob condições de tempo bom foram separados daqueles obtidos sob condições chuvosas. Como o intuito do projeto é avaliar o efeito das condições meteorológicas sobre o fluxo de tráfego, as curvas fluxo-velocidade deveriam ser traçadas separadamente para cada classe de tempo (bom ou chuvoso).

5. CURVAS FLUXO-VELOCIDADE Os dados selecionados foram introduzidos em uma base montada numa planilha eletrônica usada para calcular os parâmetros necessários para a criação das curvas fluxo-velocidade. Es-ses parâmetros foram calculados a partir do modelo proposto em um estudo anterior (Andra-de, 2012) que, por sua vez, baseia-se no modelo do HCM 2010 (TRB, 2010). A equação usa-da para modelar as curvas fluxo-velocidade é a seguinte:

S = FFS − FFS −CS(C − BP)γ⎡

⎣⎢

⎤

⎦⎥ ⋅ (ν − BP)γ (2)

sendo S a velocidade (km/h); v, o fluxo de tráfego (cp/h.faixa); e BP, FFS, C, CS, CD e γ, pa-râmetros de calibração. BP é o ponto em que o trecho convexo da curva se inicia, FFS é a ve-locidade de fluxo livre, C é a capacidade, CS é a velocidade da corrente de tráfego na capaci-dade e CD é a densidade na capacidade.

Substituindo-se os parâmetros calculados na equação acima, foi possível criar curvas fluxo-velocidade para condições de chuva e tempo bom, referentes aos sensores em análise. Como exemplo, tem-se as curvas obtidas para o sensor localizado no km 16 Oeste da rodovia Caste-lo Branco, apresentadas na Figura 4.

Figura 4: Curvas fluxo-velocidade, Rodovia Castelo Branco (SP-280), sensor km 16 O

6. ANÁLISE DO EFEITO DAS CONDIÇÕES METEOROLÓGICAS NO TRÁFEGO Observando-se a Figura 4, é possível fazer algumas análises cabíveis ao estudo. O ponto de transição indicado no gráfico representa o parâmetro BP das equações: break point, cujo valor é o fluxo de tráfego a partir do qual a velocidade começa a diminuir. Como é possível obser-var no gráfico, o BP para a curva de dados “Com chuva” é maior do que para a curva de da-dos “Sem chuva”, o que pode ser explicado pelo fato de que na chuva a velocidade já é redu-zida e portanto o fluxo tem que ser bem maior para a velocidade diminuir ainda mais. Quando não há chuva, os motoristas costumam dirigir a velocidades mais altas e assim um fluxo de tráfego apenas um pouco maior já é o suficiente para reduzirem a velocidade.

A densidade na capacidade, representada pela reta tracejada ao fim das curvas, foi adotada constante e igual a 27 cp/(km.faixa), de acordo com os resultados encontrados num estudo anterior (Andrade, 2012). Visto que essa é uma análise simplificada, apenas para verificar se o método de separação dos dados funcionou, a densidade na capacidade foi adotada igual tanto para situações de chuva quanto de tempo bom. Comparando-se os parâmetros de tráfego, pode-se observar uma redução da velocidade de fluxo livre (FFS), já que ela era igual a 79 km/h para a condição “Sem chuva” e 76 km/h para a condição “Com chuva”; uma redução da capacidade (C), já que para os dados “Sem chuva” a capacidade era de 1760 cp/h.faixa e passou a ser 1474 para os dados “Com chuva”; e uma pequena redução da velocidade na capacidade (CS), que foi de 69 km/h para os dados “Sem chuva” para 67 km/h para os dados “Com chuva”. Em alguns casos, a velocidade na capacidade resultou maior para os dados “Com chuva” do que para os dados “Sem chuva”, isso é explicado pelo fato de que nessas condições o fluxo na capacidade é menor, o que possibilita aos motoristas dirigirem a uma velocidade um pouco maior, quando desejarem. Os resultados obtidos para velocidade de fluxo livre (FFS), capacidade (C), e velocidade na capacidade (CS), para os 13 pontos estudados, estão resumidos nas Tabelas 5 a 9.

Tabela 5: Parâmetros de tráfego em função das condições de tempo, SP-280 e SP-270

Parâmetro de tráfego

Condição de tempo

Sensores Castelo Branco (SP-280) Raposo Tavares (SP-270)

km 16 O km 27 L km 29,5 L km 75,9 O km 36,8 O km 39,9 L

FFS (km/h) Sem chuva 79 107 105 117 84 82

Com chuva 76 106 103 115 78 79

C (cp/(h.faixa)) Sem chuva 1760 2150 2181 2399 1808 1729

Com chuva 1474 1942 1891 2207 1525 1493

CS (km/h) Sem chuva 69 87 84 94 71 68

Com chuva 67 88 87 100 69 68

Tabela 6: Parâmetros de tráfego em função das condições de tempo, SP-021 e SP-348

Parâmetro de tráfego

Condição de tempo

Sensores Rodoanel (SP-021) Bandeirantes (SP-348)

18,3 N 18,3 S 22,3 N 32 N 47 N 59 N 87 N

FFS (km/h) Sem chuva 108 105 107 116 120 119 122

Com chuva 102 101 102 113 116 117 119

C (cp/(h.faixa)) Sem chuva 2370 2400 2340 2375 2025 2225 2215

Com chuva 1882 2031 1896 2000 2037 1919 1786

CS (km/h) Sem chuva 92 89 93 101 79 87 87

Com chuva 86 92 86 101 93 87 81

Tabela 7: Variação dos parâmetros de tráfego em condições de chuva, SP-280 e SP-270

Variação sob condições de chuva

Sensores Castelo Branco (SP-280) Raposo Tavares (SP-270)

16 O 27 L 29,5 L 75,9 O 36,8 O 39,9 L

FFS (km/h) -3,80% -0,93% -1,90% -1,71% -7,14% -3,66% C (cp/(h.faixa)) -16,25% -9,67% -13,30% -7,97% -15,65% -13,64%

CS (km/h) -2,90% 1,15% 3,57% 6,67% -2,23% 0,10%

Tabela 8: Variação dos parâmetros de tráfego em condições de chuva, SP-021 e SP-348

Variação sob condições de chuva

Sensores Rodoanel (SP-021) Bandeirantes (SP-348)

18,3 N 18,3 S 22,3 N 32 N 47 N 59 N 87 N

FFS (km/h) -5,56% -3,81% -4,67% -2,59% -3,33% -1,68% -2,46%

C (cp/(h.faixa)) -20,58% -15,37% -18,99% -15,79% 0,59% -13,76% -19,34%

CS (km/h) -7,01% 3,74% -7,35% 0,00% 16,59% -0,04% -6,51%

Tabela 9: Média e desvio-padrão da variação dos parâmetros de tráfego em condições de chuva

7. CONSIDERAÇÕES FINAIS Esse estudo visou combinar dados de tráfego obtidos por sensores em rodovias de pista dupla do estado de São Paulo com dados de tempo, obtidos a partir de imagens de um radar meteo-rológico. Um estudo expedito foi realizado para demonstrar a aplicabilidade desses dados para estudar o efeito das condições meteorológicas na corrente de tráfego. Deve-se ressaltar que os resultados apresentados devem ser considerados como preliminares. Em todos os locais estudados, observou-se uma redução da velocidade de fluxo livre e da ca-pacidade sob chuva, com uma única exceção. Nos demais sensores, a média da redução da velocidade de fluxo livre foi de aproximadamente 3%, enquanto que a redução da capacidade ficou por volta de 14%. Quanto à velocidade na capacidade, o mesmo não pode ser dito: al-guns locais apresentaram reduções de até 7% nesse parâmetro, mas em outros foi observado um aumento da velocidade na capacidade de até 16%, ficando claras as limitações do estudo realizado. Visto que esse trabalho teve maior foco em montar os bancos de dados e depois combiná-los, uma próxima etapa desse estudo seria avaliar mais detalhadamente o efeito das condições me-teorológicas adversas na corrente de tráfego, verificando a diferença observada nos seguintes parâmetros: velocidade de fluxo livre, velocidade na capacidade, capacidade e densidade na capacidade.

Variação sob condições de chuva Média Desvio-padrão FFS (km/h) -3,15% 1,68%

C (cp/(h.faixa)) -13,99% 5,25%

CS (km/h) +0,18% 6,09%

Uma outra análise interessante que ainda deve ser feita é sobre o efeito da luminosidade (dia/noite) na corrente de tráfego. De acordo com o horário do por do sol nos dias em que fo-ram coletados os dados, pode-se prever qual era a condição de luz no momento. O estudo combinando dados de chuva e sem chuva, com dados de dia e noite resultaria em um trabalho ainda mais detalhado e completo. Para uma maior precisão dos dados, deve-se obter dados meteorológicos de radares mais pró-ximos às rodovias analisadas, o que gera maior probabilidade de acertos nas condições do tempo. Além disso, a escala dos pixels utilizados nesse trabalho apresentou-se muito pequena, ou seja, um pixel representa um grande espaço. O estudo poderia ser mais confiável caso a escala fosse maior; entretanto, isso requer que as imagens do radar meteorológico sejam pro-duzidas em tamanho maior que as usadas. Agradecimentos: Os autores agradecem o apoio do IPMet/UNESP, que forneceu as imagens do radar meteorológico, e da ARTESP e CCR, que forneceram os dados de tráfego. O desen-volvimento desta pesquisa foi financiado pela FAPESP (proc. 2011/18586-6) e CNPq (proc. 303341/2008-4). Os autores também agradecem André Luiz Cunha, que gentilmente forneceu suporte e orientação para o desenvolvimento do programa para processamento das imagens digitais. REFERÊNCIAS BIBLIOGRÁFICAS Andrade, G. R. (2012) Capacidade e Relação Fluxo-Velocidade em Autoestradas e Rodovias de Pista Dupla

Paulistas. 166p. Dissertação (mestrado), EESC-USP, São Carlos, SP. Garcia, J. V. C. (2008) Desenvolvimento de software para visualização de dados de radar meteorológico usando

OpenGL. São José do Rio Preto: UNESP, IBILCE. Disponível em http://web.ipmet.unesp.br/ipmet_html/ iprit/monografia.pdf (acesso em 13/7/2013).

Gonzalez, R. C.; Woods R. E. e Eddins, S. L. (2004) Digital Image Processing Using Matlab, Prentice Hall, Upper Saddle River, NJ.

Goodwin, L. C. (2002) Weather Impacts on Arterial Traffic Flow. Disponível em http://ops.fhwa.dot.gov/ Weather/best_practices/ArterialImpactPaper.pdf (acesso em 23/8/2011).

Hranac, R.; Sterzin, E.; Krechmer, D.; Rakha, H. e Farzaneh, M. (2006) Empirical Studies on Traffic Flow in Inclement Weather. Report FHWA-HOP-07-073. Federal Highway Administration, Washington, DC.

Ibrahim, A. T. e Hall, F. L. (1994) Effect of adverse weather conditions on speed-flow-occupancy relationships. Transportation Research Record, n. 1457, p. 184–191.

Kyte, M.; Khatib, Z.; Shannon, P. e Kitchener, F. (2001) Effect of weather on free-flow speed. Transportation Research Record, n. 1778, p. 60–68.

TRB (2010) Highway Capacity Manual. Transportation Research Board, Washington, DC, EUA. Bruna Pizzol (bruna.pizzol@usp.br), aluna de iniciação científica Gustavo Riente de Andrade (guriente@hotmail.com), aluno de doutorado José Reynaldo Setti (jrasetti@usp.br), professor Departamento de Transportes, Escola de Engenharia de São Carlos, Universidade de São Paulo Av. Trabalhador São-carlense, 400 13566-590 – S. Carlos, SP