SISTEMA DE AQUISIÇÃO REMOTA DE DADOS PARA DETECÇÃO DE COMPORTAMENTOS DE VARIÁVEIS AMBIENTAIS EM PARQUES FLORESTAIS DA AMAZÔNIA

MARCOS H. K. SAMPAIO,

JOÃO F. DE SANTANNA FILHO, J. FELIPE DE ALMEIDA.

Instituto Ciber Espacial da Universidade Federal Rural da Amazônia – ICIBE/UFRA Avenida Presidente Tancredo Neves, 2501 – Terra Firme. CEP 66077-530. Caixa Postal 917 E-mails: mhsampaio@gmail.com, santanna@ufra.edu.br, felipe.almeida@ufra.edu.br

OTAVIO A. CHASE, ROBERTO M. V. SATO, THIEGO M. NUNES, JORGE R. BRITO-DE-SOUZA. Instituto de Tecnologia da Universidade Federal do Pará – ITEC/UFPA Rua Augusto Corrêa, 01 – Guamá. CEP66075-110. Caixa Postal 479 E-mails:chase@neoradix.com.br, japa.sato@gmail.com, thiego@ufpa.br, jrgbrito@ufpa.br

Abstract This paper presents the development of a prototype of a system for remote data acquisition of environmental va riables called GETFLORESTA. The system performs all the functions of a Datalogger and has the task of analyzing behavior in a forest reserve by a intelligent agent, which contains expert systems of the standards related to environmental variables of temperature, relative humidity and dew point, and your relation with forest parks located in the Amazon. The hardware is composed of - a computational unit microcontrolled model PIC18F252 that contains an analog / digital data acquisition of analog type sensors LM35 for temperature, and serial communication interfaces for reading digital type sensors SHT75 for temperature and humidity of the air. The data’s flow between the sensor module and the remote computer of the GETFLORESTA is done by a channel wireless standard IEEE 802.15.4 Zigbee. Keywords Environment Data Acquisition, Sensor Fusion, Remote Monitoring, Florest Automation.  Resumo Este artigo apresenta o desenvolvimento de um protótipo de um sistema de aquisição remota de dados de variáveis  ambientais denominado de GETFLORESTA. O sistema, além de executar todas as funções de um Datalogger, tem a função de analisar comportamentos em uma área de floresta através de um agente inteligente de software. Da mesma forma, contém conhecimento especialista dos padrões relacionados às variáveis ambientais de temperatura, umidade relativa do ar e ponto de orvalho. Este desenvolvimento tem sua utilização em áreas de florestas protegidas ou de manejo florestal especificamente na Amazônia. O hardware é composto por uma unidade computacional microcontrolada, modelo PIC18F252, o qual contém um conversor analógico/digital para aquisição de dados de sensores do tipo analógico LM35, para temperatura, e interfaces de comunicação serial para leitura de sensores do tipo digital SHT75 para temperatura e umidade relativa do ar. O fluxo de informação de dados entre o modulo sensor e o computador remoto do GETFLORESTA é feito por um canal de comunicação sem fio padrão IEEE 802.15.4 Zigbee. Palavras-chave Aquisição de Dados Ambientais, Combinação Sensorial, Monitoramento Remoto, Automação Florestal. 

1 Introdução Aquisição de dados significa obter informação de algum processo físico através de medição. Os valores medidos são, todavia, digitalizados de forma a permitir a aplicação de algum tipo de processamento matemático, o qual irá torná-lo compatível, para fim de comparação, com medidas padronizadas. Após isso é feita a analise e armazenamento (Braga, 2008). Um sistema de aquisição de dados comumente usado processos de automação do tipo industrial ou agrícola é o Datalogger (Braga, 2008). O Datalogger é um equipamento destinado a executar a aquisição e gravação de dados durante um período de tempo, eliminando a necessidade da presença de um operador durante a coleta. Estes dados são fornecidos por sensores ou equipamentos externos, dos quais se deseja obter um histórico de monitoramento.

Normalmente é um equipamento portátil, suprido de bateria, constituído de um controlador (que pode ser um computador), memória interna para armazenamento dos dados, e interface de aquisição de informações de sensores. Os sensores são responsáveis por converter variações dos fenômenos físicos como: pressão, temperatura, umidade, nível de iluminação, tensão, corrente, potência, por exemplo, em sinais elétricos. Alguns tipos de sensores também são conhecidos como transdutores, embora transdutores sejam responsáveis pela conversão de um tipo de energia em outro tipo que pode não ser elétrica. Nestes casos o sensor será formado por um transdutor mais algum dispositivo que transforme a nova forma de energia em um sinal elétrico. A finalidade de um sistema de aquisição de dados é então, a de prover informações sobre uma determinada grandeza com máxima qualidade, de acordo com os requisitos da aplicação (Oliveira e Cavalcanti, 2008).

Uma de suas principais aplicações está na aquisição de dados através de sensores de variáveis ambientais, como temperatura, umidade, ponto de orvalho, poluição do ar e velocidade dos ventos. O conhecimento e a detecção de padrões entre estas variáveis é de grande importância para a prevenção de acidentes ambientais, aumento da produtividade no campo, e na relação da qualidade do ar em florestas próximas de áreas urbanas (AFUBRA, 2008). Como exemplo de trabalhos relacionados com este tema, está o desenvolvimento feito na Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Esta empresa desenvolve sistemas de instrumentação e aquisição de dados para ambientes agropecuários. Em suas aplicações está o monitoramento remoto de variáveis ambientais e ativação de um sistema de irrigação (CNPDIA EMBRAPA, 2008). Ressalta-se ainda o Instituto Nacional de Pesquisas Espaciais (INPE) que desenvolve, através do Laboratório de Integração e Testes (LIT), sistemas de aquisição e tratamento de dados para processos industriais e ambientais (LIT INPE, 2006). O objetivo deste trabalho é apresentar um sistema de aquisição de dados usando sensores. Este sistema foi desenvolvido com a finalidade de uso didático e foi denominado de GETFLORESTA. Sua principal contribuição é a de realizar a analise das variáveis ambientais: temperatura, umidade relativa do ar e ponto de orvalho em ambientes florestais. Assim, além desta introdução, o restante do artigo é organizado da seguinte forma: na Seção 2, é apresentado o desenvolvimento do sistema de aquisição de dados e os detalhes sobre a influência da temperatura e umidade medidas em uma área de Mata. Na seção 3, é apresentada a configuração do agente inteligente para detecção de comportamentos ambientais. Os resultados experimentais e as considerações sobre o projeto são apresentados nas seções 4 e 5, respectivamente.

Figura 1. Módulo de Sensoriamento do GETFLORESTA.

Este módulo conta com uma série de periféricos e com um microcontrolador PIC18F252. Para monitoramento do ambiente usou-se dois sensores: o LM35, de temperatura, com saída analógica de 10mV/°C e faixa dinâmica de -55°C a 150°C, para medir a temperatura interna do módulo; e o SHT75, de temperatura e umidade, com saída digital do tipo 2-wire, com faixas dinâmicas de -40°C a 125°C e de 0 a 100%. A estrutura física do módulo sensor é feita em PVC, pesando 0,49 Kg e com as dimensões de 18 cm x 25 cm x 13 cm. O circuito mostrado na Figura 2 é alimentado por uma bateria de NiMH (NíquelMetal-Hidreto) de 12V/ 2.3Ah. O LM78S05 é um regulador de tensão que suporta correntes de até 2 Ampéres.

Figura 2. Módulo de Sensoriamento do GETFLORESTA.

A Tabela 1 apresenta o consumo de energia de cada componente.
Tabela 1. Consumo de energia de cada dispositivo eletrônico. Dispositivo Consumo 60 mA 25 mA 10 mA 20 mA 20 mA 1.62 Watts Potência Total

2 Sistema GETFLORESTA O sistema de aquisição remota de dados GETFLORESTA é composto por módulos de sensores de monitoramento e de análise especialista.

Módulo RF Microcontrolador PIC18F252 MAX 232 LM35 SHT75

2.1 Módulo de Sensores de Monitoramento O módulo de sensores para monitoramento é apresentado na Figura 1. Com este equipamento foi feito um ensaio de medições na reserva florestal do campus da Universidade Federal Rural da Amazônia. Este um protótipo inicial, mas traz a eficiência necessária para cumprir todos os objetivos aos quais este trabalho se propõe.

A expectativa de vida da bateria é dada por:
Tbateria =
Tbateria

Volts × AmperHora Potência 12 × 2.3 = =17,03 horas 1.62

(1)

na qual Tbateria é o tempo em horas de autonomia de energia do sistema.

2.1 Aquisição de Dados de Variáveis Ambientais Em muitos sistemas de aquisição de dados e controle é necessária a medida de algumas grandezas físicas, como exemplo, temperatura, pressão e velocidade, entre outras. Tais grandezas são inerentes a alguns fenômenos físicos e, em geral, sua natureza é analógica. Isto é, trata-se de variáveis que assumem valores contínuos e reais, diferentes de sinais digitais que são descontínuos e expressados segundo representação binária. Comumente quando as saídas analógicas dos sensores são processadas por sistemas digitais, há a necessidade do condicionamento do sinal para que os sinais provenientes dos sensores sejam adequados às características de um conversor Analógico/Digital. Assim, com o uso de um microcontrolador dotado de um conversor interno A/D para aquisição de dados, o valor analógico convertido para digital é processado pelo software de controle de acordo com decisões lógicas baseadas em comparações ou em funções matemáticas. A Figura 3 mostra o diagrama de interface entre o sensor analógico LM35 e o microcontrolador PIC18F252 (Rodrigues et. al., 2005).

Estes CIs têm o seu próprio circuito de condicionamento de sinal para o ajuste de escala e offset. Alguns possuem até um microcontrolador embutido para permitir a comunicação analógica ou digital. A integração entre sensor e microcontrolador em um único dispositivo é denominada de sensor inteligente (Viegas, 2004). A vantagem do sensor inteligente é que o microcontrolador realiza a aquisição, calibração, e correção do sinal e, assim, transmite o dado da leitura com a escala correta para o barramento de comunicação. Com um sensor inteligente é possível ligar qualquer tipo de sensor, com qualquer tipo de rede. O SHT75 é um sensor inteligente que realiza a coleta dos dados de temperatura e umidade relativa do ar. 2.2 Canal de Comunicação ZigBee IEEE802.15.4 Os sinais com os dados capturados dos sensores, são transmitidos por comunicação wireless através de um módulo Zigbee padrão IEEE 802.15.4. Trata-se de uma comunicação por radiofreqüência, que opera a 2.4 GHz, em modo halfduplex bidirecional e com canal criptografado do fluxo de dados. O objetivo do grupo de trabalho do IEEE é definir a camada física (PHY) e o controle de acesso ao meio (MAC). Em paralelo o ZigBee Alliance definiu as especificações para as camadas de rede e aplicações, além de vários aspectos de segurança. Uma representação gráfica das áreas de responsabilidade entre o padrão do IEEE, o ZigBee Alliance e o usuário é apresentado na Figura 5.

Figura 3. Etapas de Tratamento do Sinal de Saída do LM35.

O processamento do sinal para sua escala, após a etapa de condicionamento do conversor A/D é feita pelo software de controle pela equação: (2) Vref 5 ⇒ R = 10 ⇒ R = 4,88 mV 2n − 1 2 −1 Nesta equação (2), R é a resolução de leitura do sensor em mV , n é o número de bits do conversor A/D e V ref é a tensão de referência do conversor, no

R=

caso usando 5 Volts. O conversor A/D deste microcontrolador suporta a leitura de sinais a partir de 5 mV. Logo, isto não requer qualquer circuito auxiliar para amplificar o sinal de saída do LM35 que é de 10 mV/ºC. Uma nova tendência em tecnologia de medição é chamada de sensor inteligente como mostra a Figura 4. Este transdutor converte grandezas físicas em um sinal com a escala adequada para o conversor A/D de um microcontrolador, em geral de 0 a 5V.
Sensor Sonar Microcontrolador
Tratamento da Aquisição de Dados do Sensor

Figura 5. Modelo esquemático de um Sensor Inteligente.

Interface
RS – 232 RS – 485 802.15.4 802.3

Aquisição
10 mV / 1 Polegada

Calibração

Correção

Rede

802.11 CANopen . . .

Figura 4. Modelo de um Sensor Inteligente.

Desde que o custo total é um fato essencial para aplicações industriais e residenciais, uma abordagem com um único chip altamente integrado (sinle-onchip) é a solução preferencial dos fabricantes de semicondutores que estão desenvolvendo equipamentos IEEE 802.15.4. O padrão IEEE para a camada física é o fator significante na determinação da arquitetura de RF e na topologia dos dispositivos ZigBee. Desta maneira, é verificado que o padrão ZigBee se mostra adequado para uma razoável cobertura, pois suas várias topologias de redes suportadas e o grande número de nós que podem se conectar (em torno de 64.000 nós) dão várias alternativas de arrajos de dispositivos em grandes áreas. De fato, pode alcançar de até a 100 m, em ambientes fechados, ou 1Km, em ambientes abertos.

Para o monitoramento ambiental proposto neste trabalho usou-se o padrão IEEE 802.15.4 – ZigBee. Optou-se por utilizar este sistema de comunicação devido, principalmente, as suas características de confiabilidade, auto-correção, o suporte para grandes números de nós, fácil interfaceamento com microcontroladores, baixo consumo de energia, criptografia para o canal de dados e baixo custo. 2.3 Módulo de Análise Especialista O módulo de análise especialista é apresentado na Figura 6. Este módulo é composto por um notebook, o qual executa o software do sistema GETFLORESTA, e que recebe os dados pela interface de comunicação ZigBee IEEE 802.15.4.

florestal. As maiores diferenças ocorrem durante os períodos mais quentes e as máximas temperaturas são mais afetadas do que as mínimas. A baixa temperatura no interior das florestas é responsável pela umidade relativa do ar mais alta (AFUBRA, 2004). Para uma análise mais detalhada destes comportamentos, por um sistema autônomo, faz-se necessário o uso de sistemas baseados em um arquétipo de conhecimentos mais conhecidos por sistemas especialistas. 3.1 Clima da Floresta Tropical Amazônica As florestas são mais úmidas mesmo que a temperatura do ponto de orvalho e a pressão do vapor de água ambiental sejam aproximadamente iguais às da área externa (cidade). Com o uso e análise destas informações é possível identificar comportamentos climáticos nas regiões florestais quando comparadas a dados climáticos das cidades. Um exemplo é se detectar altas temperaturas e baixa umidade na região de floresta, isto indica um forte risco de incêndio. A vantagem de se detectar estes comportamentos antecipadamente é que assim se pode prevenir e evitar possíveis acidentes ambientais, para que tais situações não se alastrem para a região urbana (Chase et. al., 2009). Como exemplo das utilidades deste robô, pode ser usado em ambientes antropizados, que são áreas rurais como pequenas cidades ribeirinhas ou encravadas na floresta e em centros de pesquisa do campo (IBAMA, 1992). Uma análise do comportamento climático de florestas tropicais é feito através do índice do ponto de orvalho ( Td ), que é obtido a partir da combinação sensorial das informações de temperatura ( T ) e umidade relativa do ar ( RH ). A combinação é feita com uso da técnica de aproximação August-RocheMagnus, que é dada por:

Figura 6. Módulo de Análise Especialista com Placa ZigBee.

O software mostrado na Figura 7 é desenvolvido em C++, através do ambiente C++ Builder 6 da Borland. No software há um thread de processamento para a aquisição e amostragem dos dados vindos do módulo de sensor, e outro thread para a o agente inteligente que processa a base de dados com regras especialistas, os quais são descritos na Seção 3. A leitura dos dados de temperatura e umidade é amostrada na tela de dados da Figura 7 e nos gráficos de evolução em função do tempo. Um arquivo de dados contém a matriz de informações para temperatura, umidade, ponto de orvalho, data e hora da coleta. Tudo isto em cada coluna, respectivamente, que pode ser gravado para posterior análise.

Td =
na qual,

b × ϕ (T , RH ) , a − ϕ (T , RH )

(3)

ϕ (T , RH ) =
com as constantes

aT RH , + ln b +T 100

(4)

a = 17.271, b = 237.7 º C

(5)

Figura 7. Interface do software do Módulo de Análise Especialista.

e cujo ponto de orvalho é a temperatura em que o ar fica saturado, ou seja, à qual o vapor de água presente no ar ambiente passa para o estado líquido na forma de pequenas gotas (Lawrence, 2005). Esta técnica é somente válida se obedecer:

3 Sistema Especialista em Florestas As informações climáticas obtidas no interior da Mata apontam que a temperatura do ar, diária ou mensal, é inferior àquela obtida fora do domínio

0º C < T < 60º C 1% < RH < 100% , 0º C < Td < 50º C

(6)

3.2 Sistemas Especialistas Uma das técnicas de Inteligência Artificial que mais possuem aplicações é a de sistemas especialistas ou de sistemas baseados em conhecimentos. Diferentemente dos sistemas clássicos, nos quais os dados de um problema são tratados sequencialmente para se obter um resultado, no sistema especialista existe um motor de inferência que usa os dados disponíveis e os conhecimentos armazenados na sua base para gerar novos dados de forma interativa até se chegar a solução do problema (Campos e Saito, 2004). A Figura 8 mostra a estrutura de um sistema especialista.

Para detectar o comportamento “Incidência de Fogo” é usado conhecimento numérico, através do índice de Angstron, que é dado por:

B = 0,05 RH − 0,1(T − 27)

(7)

Este índice foi desenvolvido na Suécia e tem como base fundamentalmente os dados de temperatura e umidade relativa do ar, ambos medidos diariamente às 13 horas. Não é um índice cumulativo, pois sempre que o valor do índice de Angstron for menor do que 2,5 haverá risco de incêndio, isto é, as condições atmosféricas do dia estarão favoráveis à ocorrência de incêndios (Soares, 1986). A detecção do restante de outros comportamentos é feito através de conhecimento empírico, com base na vivência estudos e observações do comportamento climático da região amazônica. 4 Resultados Experimentais As informações climáticas obtidas no interior da Mata apontam que a temperatura do ar, diária ou mensal, é inferior àquela obtida fora deste domínio. As diferenças maiores ocorrem durante os períodos mais quentes e as máximas temperaturas são mais afetadas que as mínimas. A baixa temperatura em seu interior é responsável pela umidade relativa do ar mais alta. Por isto, as florestas são mais úmidas mesmo que a temperatura do ponto de orvalho e a pressão do vapor d’água ambiental sejam aproximadamente iguais às da área externa (cidade). Com o uso e análise destas informações é possível identificar comportamentos climáticos nas regiões de florestas quando comparadas a dados climáticos das cidades. A Figura 9 apresenta o comportamento “Quente e Úmido”, no ensaio realizado às 11:00 horas.
- ICIBE UFRA - Comportamento: Quente e Umido 80

Figura 8. Modelo esquemático de um Sistema Especialista.

O motor de inferência é o coração dinâmico de um sistema especialista, contém um conjunto de algoritmos de busca para explorar a base de conhecimentos e, desta forma, gerar as conclusões e resultados desejados. Este motor de inferência é, portanto, um conjunto de regras de inferência ou raciocínio. Um dos grandes desafios no desenvolvimento de um sistema especialista é obter e organizar os conhecimentos. Os conhecimentos de certo processo ou problema incluem (Campos e Saito, 2004): os componentes do problema; as conexões e interrelações entre os componentes; as leis da Física e da Química que se aplicam ao problema; as restrições do problema; as heurísticas; e, a experiência passada associada ao problema. Alguns destes conhecimentos são numéricos e outros são simbólicos. Os conhecimentos numéricos podem ser facilmente representados através de equações. Conhecimentos dinâmicos podem ser representados através de regras do tipo: {SE – ENTÃO}. Estas regras, ou pares {Condição – Ação}, são também uma boa opção para representar conhecimentos empíricos. As regras para detecção de comportamentos em uma floresta são descritas da Tabela 2.
Tabela 2. Comportamentos e Regras do GETFLOREST. Comportamento Incidência de Fogo Saturação ou Chuva Amênuo e Úmido Amênuo e Seco Quente e Úmido Quente e Seco Regras {SE-ENTÃO} B ≤ 2,5 |Temperatura - Orvalho| ≤ 2 Temperatura ≤ 27 e Umidade ≥ 51 Temperatura ≤ 27 e Umidade ≤ 51 Temperatura ≥ 28 e Umidade ≥ 51 Temperatura ≥ 28 e Umidade ≤ 51

60 ºC / %

40

T emperatura Umidade Orv alho

20 0

10

20

30 40 T empo (seg)

50

60

Figura 9. Comportamento: Quente e Úmido.

A temperatura marca em média 32ºC, ponto de orvalho 26.3ºC e umidade relativa do ar de 71.2%. A diferença entre a medida de temperatura e orvalho caracteriza o clima como quente e úmido, o que aumenta a sensação térmica. A Figura 10 apresenta o comportamento “Orvalho ou Chuva”, no ensaio realizado às 17:00 horas.

100 80 60 40 20 0

- IC IBE U A - C FR omportamento: Orv alho ou Chuv a

5 Conclusão Este artigo apresentou o software denominado GETFLORESTA e cujo objetivo é entender a caracterização climática do ambiente amazônico e suas atuais mudanças. A principal motivação que levou ao desenvolvimento deste trabalho é a falta de projetos de precisão sobre a análise de sistemas voltados para esta área. Os resultados apresentados mostram significativa correlação com o comportamento climático desta região. Dessa forma, o incentivo ao ensino, para alunos de engenharia que tratam sobre o cenário amazônico, é uma das finalidades deste trabalho. Referências Bibliográficas Braga, N. C. (2008). Sistema de Aquisição de Dados. Revista Saber Eletrônica nº402. AFUBRA. (2004). A Floresta e o Ar. Disponível em: <http://www.sefloral.com.br/> Acesso em: Dezembro de 2007, Brasil. Oliveira, A., Cavalcanti, S. Y. C. (2008). Sistemas de Medição: Terminologia e Incerteza. Enciclopédia de Automática, Volume 2, Editora: Blucher, Brasil. Moreno, E. D., Penteado, C. G., Rodrigues, A. C. (2005). Microcontroladores e FPGAS – Aplicações em Automação. Editora: Novatec, São Paulo, Brasil. Viegas, V. M. R. (2004). Projeto e Implementação de um Sistema de Sensores Inteligentes Baseado na Norma IEEE1451, Dissertação de mestrado em Engenharia Eletrotécnica e de Computadores, Universidade Técnica de Lisboa, 241f., Portugal. IBAMA. (1992). Cartilha ECO-92 de Emergências Ambientais na Região Amazônica. 33f., Brasil. Campos, M. M., Saito, K. (2004). Sistemas Inteligentes em Controle e Automação de Processos. Editora: Ciência Moderna, Brasil. EMBRAPA. (2008). Guia do Cultivo de Cereais. 80f., Brasil. Lawrence, M. G. (2005). The relationship between relative humidity and the dew point temperature in moist air: A simple Conversion and applications. Max Planck Institute for Chemistry, Bull. Am. Meteorol. Soc., 86, 225-233, Germany. Moreno, E. D., Penteado, C. G., Rodrigues, A. C. (2005). Microcontroladores e FPGAS – Aplicações em Automação. Editora: Novatec, São Paulo, Brasil. Soares, R. V. (1986). Comparação entre quatro índices na determinação do grau de perigo de incêndios no município de Rio Branco do Sul – PR. 5º Congresso Florestal Brasileiro, Revista Floresta nº31, Recife, Brasil.

T emperatura U midade Orv alho

ºC/ %

10

20

30 40 T empo (seg)

50

60

Figura 10. Comportamento: Orvalho ou Chuva.

A temperatura marca em média 27.7ºC, ponto de orvalho de 25.6ºC e umidade relativa do ar de 87.3%. A proximidade entre as medidas de temperatura e orvalho caracteriza o clima como chuvoso. A Figura 11 apresenta o comportamento “Orvalho ou Chuva”.
- ICIBE UFRA - Comportamento: Quente e Seco 50 45 ºC / % 40 35 30 25 0 5 10 15 20 Tempo (seg) 25 Temperatura Umidade Orv alho 30 35

Figura 11. Comportamento: Quente e Seco.

A temperatura marca em média 41.2ºC, ponto de orvalho de 26.4ºC e umidade relativa do ar de 87.3%. A proximidade entre as medidas de temperatura e orvalho caracteriza o clima como chuvoso. A Figura 12 apresenta o comportamento “Risco de Incêndio”, no ensaio realizado às 13:00 horas.
- ICIBE UFRA - Comportamento: Risco de Incêndio 70 60 ºC / % 50 40 30 20 0 20 40 60 80 100 Tempo (seg) 120 140 160 180 Temperatura Umidade Orv alho

Figura 12. Comportamento: Risco de Incêndio.

A temperatura marca em média 35.3ºC, ponto de orvalho de 27.1ºC e umidade relativa do ar de 62.3%, cujo índice florestal de Angstron se manteve abaixo de 2,5, o que caracteriza um comportamento de risco de incêndio conforme mostra a Figura 13.
Índice Florestal de Angstron (B) 2.4 - ICIBE UFRA - Risco de Incêndio (B< 2,5)

2.35

2.3

2.25 0

20

40

60

80 100 T empo (seg)

120

140

160

180

Figura 13. Índice Florestal de Angstron.