Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada
Ano de defesa: | 2022 |
---|---|
Autor(a) principal: | |
Outros Autores: | |
Orientador(a): | |
Banca de defesa: | , , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade do Estado do Rio de Janeiro
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Ambiental
|
Departamento: |
Centro de Tecnologia e Ciências::Faculdade de Engenharia
|
País: |
Brasil
|
Palavras-chave em Português: | |
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://www.bdtd.uerj.br/handle/1/18175 |
Resumo: | Tropospheric ozone has a negative impact on the environment and, consequently, on public health. Due to this problem, this work proposes to study statistical models using machine learning methodology to predict tropospheric ozone at the Metropolitan Region of Rio de Janeiro. Multivariate calibration techniques based on Least Squares Regression, Random Forests, Support Vector Machines and Artificial Neural Network combined with the MissForest imputation algorithm were applied to understand the interaction between ozone with nitrogen oxides, carbon monoxide, windy velocity, solar radiation, temperature, relative humidity, among other pollutants, whose data were collected at the Metropolitan Region of Rio de Janeiro at four air quality stations of different profiles, in the localities of Adalgisa Nery, Porto das Caixas, INEA Laboratory and Vila São Luiz, between 2014 and 2018. These techniques provide an easy and feasible way of modeling and analyzing atmospheric pollutants, which can be used and combined with other statistical methods for model validation. The results showed that the chemometric techniques Random Forests, Support Vector Machines and Artificial Neural Network can be used to the modeling and prediction of tropospheric ozone concentrations, with a calculated determination coefficient up to 0.92. The root mean squared error of prediction, ranges between 4.17 and 22.45 µg m-3, depending on the air quality monitoring stations and season. |
id |
UERJ_baacb6a56128f0669e822ffe40cf60f9 |
---|---|
oai_identifier_str |
oai:www.bdtd.uerj.br:1/18175 |
network_acronym_str |
UERJ |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UERJ |
repository_id_str |
|
spelling |
Corrêa, Sergio Machadohttp://lattes.cnpq.br/0036129846822289Tôrres, Alexandre Rodrigueshttp://lattes.cnpq.br/1294795998541584Guarieiro, Lílian Lefol Nanihttp://lattes.cnpq.br/5635972225700254Alvim, Débora Souzahttp://lattes.cnpq.br/4006370546566608Baptista, Leonardohttp://lattes.cnpq.br/2182432135517042Martins, Eduardo Monteirohttp://lattes.cnpq.br/2912118000820105http://lattes.cnpq.br/9188813287168284Oliveira, Rafael Corrêa Gama derafaelggama1@hotmail.com2022-08-09T19:11:39Z2022-05-27OLIVEIRA, Rafael Corrêa Gama de. Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada. 2022. 144 f. Tese (Doutorado em Engenharia Ambiental) - Faculdade de Engenharia, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2022.http://www.bdtd.uerj.br/handle/1/18175Tropospheric ozone has a negative impact on the environment and, consequently, on public health. Due to this problem, this work proposes to study statistical models using machine learning methodology to predict tropospheric ozone at the Metropolitan Region of Rio de Janeiro. Multivariate calibration techniques based on Least Squares Regression, Random Forests, Support Vector Machines and Artificial Neural Network combined with the MissForest imputation algorithm were applied to understand the interaction between ozone with nitrogen oxides, carbon monoxide, windy velocity, solar radiation, temperature, relative humidity, among other pollutants, whose data were collected at the Metropolitan Region of Rio de Janeiro at four air quality stations of different profiles, in the localities of Adalgisa Nery, Porto das Caixas, INEA Laboratory and Vila São Luiz, between 2014 and 2018. These techniques provide an easy and feasible way of modeling and analyzing atmospheric pollutants, which can be used and combined with other statistical methods for model validation. The results showed that the chemometric techniques Random Forests, Support Vector Machines and Artificial Neural Network can be used to the modeling and prediction of tropospheric ozone concentrations, with a calculated determination coefficient up to 0.92. The root mean squared error of prediction, ranges between 4.17 and 22.45 µg m-3, depending on the air quality monitoring stations and season.O ozônio troposférico tem um impacto negativo no meio ambiente e, consequentemente na saúde pública. Devido a este problema, este trabalho propõe estudar modelos estatísticos utilizando metodologia de aprendizado de máquina para a previsão de ozônio troposférico na Região Metropolitana do Rio de Janeiro. Técnicas de calibração multivariada baseada nos métodos Regressão de Mínimos Quadrados, Florestas Aleatórias, Máquinas de Vetor de Suporte e Rede Neural Artificial combinados com o algoritmo de imputação MissForest, foram aplicados para entender a interação entre ozônio e óxidos de nitrogênio, monóxido de carbono, velocidade do vento, radiação solar, temperatura, umidade relativa, entre outros poluentes, cujos dados foram coletados na Região Metropolitana do Rio de Janeiro em quatro estações de qualidade do ar de diferentes perfis, nas localidades de Adalgisa Nery, Porto das Caixas, Laboratório do INEA e Vila São Luiz, entre 2014 e 2018. Essas técnicas fornecem uma maneira fácil e viável de modelagem e análise de poluentes atmosféricos, a qual podem ser utilizadas e combinadas com outros métodos estatísticos para a validação do modelo. Os resultados mostraram que as técnicas quimiométricas Florestas Aleatórias, Máquinas de Vetor de Suporte e Rede Neural Artificial podem ser usadas na modelagem e previsão de concentrações de ozônio troposférico, com coeficiente de determinação da previsão de até 0,92. O erro quadrático médio de previsão varia entre 4,17 e 22,45 µg m-3, dependendo das estações de monitoramento da qualidade do ar e estação do ano.Submitted by Julia CTC/B (julia.vieira@uerj.br) on 2022-08-09T19:11:39Z No. of bitstreams: 1 Tese - Rafael Corrêa Gama de Oliveira - 2022 - Completo.pdf: 4279621 bytes, checksum: 2076060ac09ffd90ead158e5a3ff13c6 (MD5)Made available in DSpace on 2022-08-09T19:11:39Z (GMT). No. of bitstreams: 1 Tese - Rafael Corrêa Gama de Oliveira - 2022 - Completo.pdf: 4279621 bytes, checksum: 2076060ac09ffd90ead158e5a3ff13c6 (MD5) Previous issue date: 2022-05-27application/pdfporUniversidade do Estado do Rio de JaneiroPrograma de Pós-Graduação em Engenharia AmbientalUERJBrasilCentro de Tecnologia e Ciências::Faculdade de EngenhariaEnvironmental engineeringAir - Quality ControlAir - PollutionAtmospheric ozoneComputer LearningEngenharia ambientalAr - Controle de qualidadeAr - PoluiçãoOzônio atmosféricoAprendizado do computadorENGENHARIAS::ENGENHARIA SANITARIA::SANEAMENTO AMBIENTAL::CONTROLE DA POLUICAOPrevisão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariadaForecasts of tropospheric ozone in the metropolitan area of Rio de Janeiro based on missing data imputation and multivariate calibration techniquesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UERJinstname:Universidade do Estado do Rio de Janeiro (UERJ)instacron:UERJORIGINALTese - Rafael Corrêa Gama de Oliveira - 2022 - Completo.pdfTese - Rafael Corrêa Gama de Oliveira - 2022 - Completo.pdfapplication/pdf4279621http://www.bdtd.uerj.br/bitstream/1/18175/2/Tese+-+Rafael+Corr%C3%AAa+Gama+de+Oliveira+-+2022+-+Completo.pdf2076060ac09ffd90ead158e5a3ff13c6MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82123http://www.bdtd.uerj.br/bitstream/1/18175/1/license.txte5502652da718045d7fcd832b79fca29MD511/181752024-02-27 14:46:40.488oai:www.bdtd.uerj.br:1/18175Tk9UQTogTElDRU7Dh0EgUkVERSBTSVJJVVMKRXN0YSBsaWNlbsOnYSBkZSBleGVtcGxvIMOpIGZvcm5lY2lkYSBhcGVuYXMgcGFyYSBmaW5zIGluZm9ybWF0aXZvcy4KCkxJQ0VOw4dBIERFIERJU1RSSUJVScOHw4NPIE7Dg08tRVhDTFVTSVZBCgpDb20gYSBhcHJlc2VudGHDp8OjbyBkZXN0YSBsaWNlbsOnYSwgdm9jw6ogKG8gYXV0b3IgKGVzKSBvdSBvIHRpdHVsYXIgZG9zIGRpcmVpdG9zIGRlIGF1dG9yKSBjb25jZWRlIMOgIFVuaXZlcnNpZGFkZSAKZG8gRXN0YWRvIGRvIFJpbyBkZSBKYW5laXJvIChVRVJKKSBvIGRpcmVpdG8gbsOjby1leGNsdXNpdm8gZGUgcmVwcm9kdXppciwgIHRyYWR1emlyIChjb25mb3JtZSBkZWZpbmlkbyBhYmFpeG8pLCBlL291IApkaXN0cmlidWlyIGEgc3VhIHRlc2Ugb3UgZGlzc2VydGHDp8OjbyAoaW5jbHVpbmRvIG8gcmVzdW1vKSBwb3IgdG9kbyBvIG11bmRvIG5vIGZvcm1hdG8gaW1wcmVzc28gZSBlbGV0csO0bmljbyBlIAplbSBxdWFscXVlciBtZWlvLCBpbmNsdWluZG8gb3MgZm9ybWF0b3Mgw6F1ZGlvIG91IHbDrWRlby4KClZvY8OqIGNvbmNvcmRhIHF1ZSBhIFVFUkogcG9kZSwgc2VtIGFsdGVyYXIgbyBjb250ZcO6ZG8sIHRyYW5zcG9yIGEgc3VhIHRlc2Ugb3UgZGlzc2VydGHDp8OjbyAKcGFyYSBxdWFscXVlciBtZWlvIG91IGZvcm1hdG8gcGFyYSBmaW5zIGRlIHByZXNlcnZhw6fDo28uCgpWb2PDqiB0YW1iw6ltIGNvbmNvcmRhIHF1ZSBhIFVFUkogcG9kZSBtYW50ZXIgbWFpcyBkZSB1bWEgY8OzcGlhIGEgc3VhIHRlc2Ugb3UgCmRpc3NlcnRhw6fDo28gcGFyYSBmaW5zIGRlIHNlZ3VyYW7Dp2EsIGJhY2stdXAgZSBwcmVzZXJ2YcOnw6NvLgoKVm9jw6ogZGVjbGFyYSBxdWUgYSBzdWEgdGVzZSBvdSBkaXNzZXJ0YcOnw6NvIMOpIG9yaWdpbmFsIGUgcXVlIHZvY8OqIHRlbSBvIHBvZGVyIGRlIGNvbmNlZGVyIG9zIGRpcmVpdG9zIGNvbnRpZG9zIApuZXN0YSBsaWNlbsOnYS4gVm9jw6ogdGFtYsOpbSBkZWNsYXJhIHF1ZSBvIGRlcMOzc2l0byBkYSBzdWEgdGVzZSBvdSBkaXNzZXJ0YcOnw6NvIG7Do28sIHF1ZSBzZWphIGRlIHNldSAKY29uaGVjaW1lbnRvLCBpbmZyaW5nZSBkaXJlaXRvcyBhdXRvcmFpcyBkZSBuaW5ndcOpbS4KCkNhc28gYSBzdWEgdGVzZSBvdSBkaXNzZXJ0YcOnw6NvIGNvbnRlbmhhIG1hdGVyaWFsIHF1ZSB2b2PDqiBuw6NvIHBvc3N1aSBhIHRpdHVsYXJpZGFkZSBkb3MgZGlyZWl0b3MgYXV0b3JhaXMsIHZvY8OqIApkZWNsYXJhIHF1ZSBvYnRldmUgYSBwZXJtaXNzw6NvIGlycmVzdHJpdGEgZG8gZGV0ZW50b3IgZG9zIGRpcmVpdG9zIGF1dG9yYWlzIHBhcmEgY29uY2VkZXIgw6AgVUVSSiBvcyBkaXJlaXRvcyBhcHJlc2VudGFkb3MgbmVzdGEgbGljZW7Dp2EsIGUgcXVlIGVzc2UgbWF0ZXJpYWwgZGUgcHJvcHJpZWRhZGUgZGUgdGVyY2Vpcm9zIGVzdMOhIGNsYXJhbWVudGUgCmlkZW50aWZpY2FkbyBlIHJlY29uaGVjaWRvIG5vIHRleHRvIG91IG5vIGNvbnRlw7pkbyBkYSB0ZXNlIG91IGRpc3NlcnRhw6fDo28gb3JhIGRlcG9zaXRhZGEuCgpDQVNPIEEgVEVTRSBPVSBESVNTRVJUQcOHw4NPIE9SQSBERVBPU0lUQURBIFRFTkhBIFNJRE8gUkVTVUxUQURPIERFIFVNIFBBVFJPQ8ONTklPIE9VIApBUE9JTyBERSBVTUEgQUfDik5DSUEgREUgRk9NRU5UTyBPVSBPVVRSTyBPUkdBTklTTU8gUVVFIE7Dg08gU0VKQSBFU1RBClVOSVZFUlNJREFERSwgVk9Dw4ogREVDTEFSQSBRVUUgUkVTUEVJVE9VIFRPRE9TIEUgUVVBSVNRVUVSIERJUkVJVE9TIERFIFJFVklTw4NPIENPTU8gClRBTULDiU0gQVMgREVNQUlTIE9CUklHQcOHw5VFUyBFWElHSURBUyBQT1IgQ09OVFJBVE8gT1UgQUNPUkRPLgoKQSBVbml2ZXJzaWRhZGUgZG8gRXN0YWRvIGRvIFJpbyBkZSBKYW5laXJvIChVRVJKKSBzZSBjb21wcm9tZXRlIGEgaWRlbnRpZmljYXIgY2xhcmFtZW50ZSBvIHNldSBub21lIChzKSBvdSBvKHMpIG5vbWUocykgZG8ocykgCmRldGVudG9yKGVzKSBkb3MgZGlyZWl0b3MgYXV0b3JhaXMgZGEgdGVzZSBvdSBkaXNzZXJ0YcOnw6NvLCBlIG7Do28gZmFyw6EgcXVhbHF1ZXIgYWx0ZXJhw6fDo28sIGFsw6ltIGRhcXVlbGFzIApjb25jZWRpZGFzIHBvciBlc3RhIGxpY2Vuw6dhLgo=Biblioteca Digital de Teses e Dissertaçõeshttp://www.bdtd.uerj.br/PUBhttps://www.bdtd.uerj.br:8443/oai/requestbdtd.suporte@uerj.bropendoar:29032024-02-27T17:46:40Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ)false |
dc.title.por.fl_str_mv |
Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada |
dc.title.alternative.eng.fl_str_mv |
Forecasts of tropospheric ozone in the metropolitan area of Rio de Janeiro based on missing data imputation and multivariate calibration techniques |
title |
Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada |
spellingShingle |
Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada Oliveira, Rafael Corrêa Gama de Environmental engineering Air - Quality Control Air - Pollution Atmospheric ozone Computer Learning Engenharia ambiental Ar - Controle de qualidade Ar - Poluição Ozônio atmosférico Aprendizado do computador ENGENHARIAS::ENGENHARIA SANITARIA::SANEAMENTO AMBIENTAL::CONTROLE DA POLUICAO |
title_short |
Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada |
title_full |
Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada |
title_fullStr |
Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada |
title_full_unstemmed |
Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada |
title_sort |
Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada |
author |
Oliveira, Rafael Corrêa Gama de |
author_facet |
Oliveira, Rafael Corrêa Gama de rafaelggama1@hotmail.com |
author_role |
author |
author2 |
rafaelggama1@hotmail.com |
author2_role |
author |
dc.contributor.advisor1.fl_str_mv |
Corrêa, Sergio Machado |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/0036129846822289 |
dc.contributor.advisor-co1.fl_str_mv |
Tôrres, Alexandre Rodrigues |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/1294795998541584 |
dc.contributor.referee1.fl_str_mv |
Guarieiro, Lílian Lefol Nani |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/5635972225700254 |
dc.contributor.referee2.fl_str_mv |
Alvim, Débora Souza |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/4006370546566608 |
dc.contributor.referee3.fl_str_mv |
Baptista, Leonardo |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/2182432135517042 |
dc.contributor.referee4.fl_str_mv |
Martins, Eduardo Monteiro |
dc.contributor.referee4Lattes.fl_str_mv |
http://lattes.cnpq.br/2912118000820105 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/9188813287168284 |
dc.contributor.author.fl_str_mv |
Oliveira, Rafael Corrêa Gama de rafaelggama1@hotmail.com |
contributor_str_mv |
Corrêa, Sergio Machado Tôrres, Alexandre Rodrigues Guarieiro, Lílian Lefol Nani Alvim, Débora Souza Baptista, Leonardo Martins, Eduardo Monteiro |
dc.subject.eng.fl_str_mv |
Environmental engineering Air - Quality Control Air - Pollution Atmospheric ozone Computer Learning |
topic |
Environmental engineering Air - Quality Control Air - Pollution Atmospheric ozone Computer Learning Engenharia ambiental Ar - Controle de qualidade Ar - Poluição Ozônio atmosférico Aprendizado do computador ENGENHARIAS::ENGENHARIA SANITARIA::SANEAMENTO AMBIENTAL::CONTROLE DA POLUICAO |
dc.subject.por.fl_str_mv |
Engenharia ambiental Ar - Controle de qualidade Ar - Poluição Ozônio atmosférico Aprendizado do computador |
dc.subject.cnpq.fl_str_mv |
ENGENHARIAS::ENGENHARIA SANITARIA::SANEAMENTO AMBIENTAL::CONTROLE DA POLUICAO |
description |
Tropospheric ozone has a negative impact on the environment and, consequently, on public health. Due to this problem, this work proposes to study statistical models using machine learning methodology to predict tropospheric ozone at the Metropolitan Region of Rio de Janeiro. Multivariate calibration techniques based on Least Squares Regression, Random Forests, Support Vector Machines and Artificial Neural Network combined with the MissForest imputation algorithm were applied to understand the interaction between ozone with nitrogen oxides, carbon monoxide, windy velocity, solar radiation, temperature, relative humidity, among other pollutants, whose data were collected at the Metropolitan Region of Rio de Janeiro at four air quality stations of different profiles, in the localities of Adalgisa Nery, Porto das Caixas, INEA Laboratory and Vila São Luiz, between 2014 and 2018. These techniques provide an easy and feasible way of modeling and analyzing atmospheric pollutants, which can be used and combined with other statistical methods for model validation. The results showed that the chemometric techniques Random Forests, Support Vector Machines and Artificial Neural Network can be used to the modeling and prediction of tropospheric ozone concentrations, with a calculated determination coefficient up to 0.92. The root mean squared error of prediction, ranges between 4.17 and 22.45 µg m-3, depending on the air quality monitoring stations and season. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-08-09T19:11:39Z |
dc.date.issued.fl_str_mv |
2022-05-27 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
OLIVEIRA, Rafael Corrêa Gama de. Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada. 2022. 144 f. Tese (Doutorado em Engenharia Ambiental) - Faculdade de Engenharia, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2022. |
dc.identifier.uri.fl_str_mv |
http://www.bdtd.uerj.br/handle/1/18175 |
identifier_str_mv |
OLIVEIRA, Rafael Corrêa Gama de. Previsão de ozônio troposférico na região metropolitana do Rio de Janeiro com base em técnicas de imputação de dados faltantes e calibração multivariada. 2022. 144 f. Tese (Doutorado em Engenharia Ambiental) - Faculdade de Engenharia, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2022. |
url |
http://www.bdtd.uerj.br/handle/1/18175 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade do Estado do Rio de Janeiro |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Ambiental |
dc.publisher.initials.fl_str_mv |
UERJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Centro de Tecnologia e Ciências::Faculdade de Engenharia |
publisher.none.fl_str_mv |
Universidade do Estado do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UERJ instname:Universidade do Estado do Rio de Janeiro (UERJ) instacron:UERJ |
instname_str |
Universidade do Estado do Rio de Janeiro (UERJ) |
instacron_str |
UERJ |
institution |
UERJ |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UERJ |
collection |
Biblioteca Digital de Teses e Dissertações da UERJ |
bitstream.url.fl_str_mv |
http://www.bdtd.uerj.br/bitstream/1/18175/2/Tese+-+Rafael+Corr%C3%AAa+Gama+de+Oliveira+-+2022+-+Completo.pdf http://www.bdtd.uerj.br/bitstream/1/18175/1/license.txt |
bitstream.checksum.fl_str_mv |
2076060ac09ffd90ead158e5a3ff13c6 e5502652da718045d7fcd832b79fca29 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ) |
repository.mail.fl_str_mv |
bdtd.suporte@uerj.br |
_version_ |
1792352216231706624 |