4 Results
4.6 Main findings across studies
A presente tese evidencia especificidades metodológicas da relação complexa entre condições de tempo, poluição do ar e danos à saúde humana. Conforme estudos como os de Merril (2008) e Bakand et al. (2012), a complexidade ocorre devido à multiplicidade das exposições dos seres humanos às condições adversas do meio ambiente. Dentre as razões para a complexidade da relação entre o clima e a saúde estão alguns fatores como a multicausalidade na ocorrência das doenças, o intervalo entre o início e a cessação da exposição aos poluentes até o aparecimento da doença, além de uma gama considerável de outros fatores, tais como fatores de alimentação, metabólicos e psicossociais.
A não linearidade existente entre condições atmosféricas e a saúde necessita de pesquisas que apontem métodos estatísticos robustos capazes de captar associações significativas, para obter diferentes tipos de informação que possam contribuir efetivamente no auxilio de políticas públicas ambientais e de saúde. Neste sentido, acredita-se que o objetivo geral foi alcançado, uma vez que os elementos e fatores obtidos da literatura e da análise dos dados permitiram elucidar metodologias capazes de retratar diferentes tipos de informação.
A partir dos resultados expostos nos artigos, foi possível constatar que cada modelagem utilizada (GEE, MRD e MPBBP) nesta pesquisa ajusta significativamente associações entre internações e/ou óbitos por doenças respiratórias e cardiovasculares com as variáveis meteorológicas e os poluentes atmosféricos.
A modelagem clássica via equações de estimação generalizadas conseguiu captar o risco relativo, avaliando principalmente que, mesmo em níveis considerados aceitáveis pela legislação vigente, a presença dos poluentes atmosféricos agregados a condições climáticas em um grande centro urbano, como a cidade de São Paulo, é prejudicial à saúde de crianças e idosos. Isso demonstra a necessidade de esforços para a elaboração de padrões adequados à realidade de São Paulo, bem como incentivos na qualidade dos veículos de transporte público e meios alternativos de transporte, como ciclovias, controle mais rigoroso sobre as emissões de poluentes e aumento do número de estações de monitoramento da poluição, com a finalidade de mitigar o problema.
A modelagem estocástica via regressão dinâmica mostrou-se consistente. O efeito sinérgico das variáveis meteorológicas e da poluição do ar, juntamente com as suas respectivas defasagens, possibilitou realizar a predição (interpolação) e previsão/projeção (extrapolação) de óbitos causados por doenças respiratórias. É importante mencionar que as funções de tendência e sazonalidade adicionaram uma melhor capacidade preditiva ao modelo. Os resultados apresentados têm como finalidade informar ao gestor público o quanto se perde em vidas, saúde e recursos públicos, enfatizando novamente a necessidade de não se procrastinar medidas que contribuam para a melhoria da qualidade do ar.
A partir da utilização da modelagem bayesiana, verificou-se que a simulação das misturas de distribuições de probabilidade funcionou como uma boa metodologia alternativa, quando não se tem grandes amostras ou quantidade suficiente de dados. A qual reproduziu satisfatoriamente a realidade dos óbitos por insuficiência cardíaca ocorridos nas regiões de Santo Amaro e da Sé, localidades situadas na RMSP, como também permitiu a construção de cenários associados a possíveis efeitos provocados por alterações climáticas e poluição do ar. Esta metodologia apresenta como vantagem a geração de grandes amostras, permitindo uma descrição mais verossímil das características da variável em estudo, o que não se verifica quando se têm pequenas amostras.
Ressalta-se que ainda com a utilização da modelagem bayesiana a partir do método de Monte Carlo via Cadeia de Markov, por meio do amostrador de Gibbs, considerou-se a dependência existente. Foi possível obter uma amostra da distribuição marginal da variável estudada (número de óbitos por insuficiência cardíaca) a partir das distribuições condicionais que envolvem óbitos por todas as doenças e óbitos por doenças do aparelho circulatório.
Destaca-se também que os objetivos específicos foram alcançados e, diante dos resultados obtidos, foi possível chegar as seguintes conclusões:
i- O risco de internações por asma aumenta aproximadamente duas vezes para as
crianças de 0 a 4 anos residentes na região da Grande São Paulo expostas às concentrações do material particulado (PM10).
ii- O risco de mortes por infarto agudo do miocárdio na população idosa (60 anos ou
pelo dióxido de enxofre, 4% pelo ozônio e 9% pelo material particulado PM10. Individualmente o PM10 apresentou maior risco à saúde cardiovascular dos idosos concordando com estudos que utilizaram outros métodos, como Nuvolone et al. (2011).
iii- O melhor ajuste para a previsão de óbitos por doenças respiratórias (bronquite,
enfisema e asma) em São Paulo no período de 2000 a 2010, ocorreu a partir da combinação das seguintes variáveis: dióxido de enxofre, temperatura do ar, umidade relativa e pressão atmosférica. Enfatiza-se que o modelo de regressão dinâmica foi capaz de prever os padrões sazonais de dados observados, na estação do inverno.
iv- Constatou-se que o modelo Beta-Binomial-Poisson conseguiu retratar o número médio
de óbitos da população idosa por insuficiência cardíaca ocorridos no inverno, como também, possibilitou a criação de cenários associados a alterações climáticas em duas localidades (Santo Amaro e Sé) da RMSP no período de 2000 a 2010. Foi apontado a partir dos cenários que a região central de São Paulo (Sé) é a mais suscetível a mudanças do clima no que diz respeito ao número de óbitos por insuficiência cardíaca entre as duas localidades estudadas.
As perspectivas futuras incluem tópicos que não foram abordados ao longo da pesquisa, quanto aqueles que ganham importância a partir dos resultados da própria pesquisa. São estas:
i- Seguindo a modelagem via modelos mistos acrescentar informações multiníveis, para
verificar independência entre as observações de dados pertencentes a um mesmo grupo. Unidades de cada nível são consideradas como amostras aleatórias, o que contribui no modelo incorporando efeitos mistos. Estes efeitos aleatórios são responsáveis por coeficientes aleatórios que levam em conta a variabilidade.
ii- Utilizar técnicas de diagnósticos baseadas nas distâncias de Cook para a modelagem
via GEE, com o objetivo de medir a influência de um subconjunto de observações, tanto sobre os parâmetros estimados, como sobre os valores do preditor linear. Estas técnicas trabalham com a exclusão de uma observação (observations deletion diagnostic) ou de um conjunto de observações, geralmente um grupo inteiro (cluster deletion diagnostic), para avaliar o impacto nas estimativas dos parâmetros do modelo.
iii- Prever o número de óbitos por doenças cardiovasculares e projetar cenários a partir da
modelagem via regressão dinâmica.
iv- Investigar se é possível trabalhar de forma conjunta o número óbitos por doenças
respiratórias e cardiovasculares com as condições atmosféricas via modelagem bayesiana e simulação estocástica.
REFERÊNCIAS
Acosta D (ed) (2008). Cardiovascular toxicology, 4th ed. New York: Informa Healthcare.
Aga E, Samoli E, Touloumi G, Anderson HR, Cadum E, Forsberg B, Goodman P, Goren A, Kotesovec F, Kriz B, Macarol-Hiti M, Medina S, Paldy A, Schindler C, Sunyer J, Tittanen P, Wojtyniak B, Zmirou D, Schwartz J, Katsouyanni K. (2003). Short-Term effects of ambient particles on mortality in the elderly: results from 28 cities in The Aphea 2 Project. Eur Respir J Suppl 40:28s–33s.
Agostini M. (2002). Saúde do trabalhador. Scielo Books. Editora Fiocruz. Rio de Janeiro.
Agranonik M. (2009). Equações de estimação generalizadas (GEE): aplicação em estudo sobre mortalidade neonatal em gemelares de Porto Alegre, RS (1995-2007). UFRGS. Porto Alegre.
Agresti A. (1996). An introduction to categorical data analysis, New York: John Wiley & Sons, Inc.
Ajdacic-Gross V, Lauber C, Sansossio R, Bopp M, Eich D, Gostynski M, Gutzwiller F, Rössler W. (2007). Seasonal associations between weather conditions and suicide - Evidence against a classic hypothesis. Am. J. Epidemiol. 165:561–569.
Alessandrini F, Schulz H, Takenaka S, Lentner B, Karg E, Behrendt H, Jakob T. (2006). Effects of ultrafine carbon particle inhalation on allergic inflammation of the lung. Journal of Allergy and clinical Immunology. 117: 824-830.
Almeida-Filho N, Coutinho D. (2007). Causalidade, contingência, complexidade: o futuro do conceito de risco. Rev. Saúde Coletiva, Rio de Janeiro, 17(1): 95-137.
Alves KM, Alves AEE, Silva FM. (2009). Poluição do ar e saúde nos principais centros comerciais da cidade de Natal/RN. Holos, 25, vol. 4, 81.
Analitis A, Katsouyanni K, Biggeri A, Baccini M, Forsberg B, Bisanti L, Kirchmayer U, et al. (2008). Effects of Cold Weather on Mortality: Results from 15 European Cities within the PHEWE Project. American Journal of Epidemiology. 168(12):1397-1408.
Ananth CV, Preisser JS. (1999) Bivariate logistic regression: modeling the association of small for gestational age births in twin gestations Stat Med. 18(15):2011-2023.
Anscombe FJ. (1950). Sampling theory of the negative binomial and logarithmic series distributions. Biometrika. 37: 358-382.
Artaxo P, Fernandes ET, Martins JV, Yamasoe MA, Hobbs P, Maenhaut W, et al. (1998) Large-scale aerosol source apportionment in Amazonia. Journal of Geophysical Research; 103:31837-47.
Baccini M, Kosatsky T, Analitis A, Anderson HR, D'ovidio M, Menne B, Michelozzi P, Bigger AI. (2011). Impact of heat on mortality in 15 european cities: attributable deaths under different weather scenarios. Journal of Epidemiology and Community Health. 65:64-70.
Bakand S, Hayes A, Dechsakulthorn F. (2012). Nanoparticles: A review of particle toxicology following inhalation exposure. Inhalation Toxicology, Vol. 24, No. 2: Pages 125-135. (doi: 10.3109/08958378.2010.642021)
Bakonyi CSM, Danni-Oliveira MI, Martins LC. (2004). Poluição atmosférica e doenças respiratórias em crianças na cidade de Curitiba, PR. Rev. Saúde Pública, v.38, n. 5, p.695-700. out.
Barcellos C, Monteiro AMV, Corvalán C, Gurgel HC, Carvalho MS, Artaxo P, Hacon S, Ragoni V. (2009). Mudanças climáticas e ambientais e as doenças infecciosas: cenários e incertezas para o brasil. Revista Epidemiologia e Serviços de Saúde. Sept; 18(3).
Bayes T. (1763). An essay towards solving in the doctrine of chances. Philosophical Transactions of the Royal Society London, 53, 370–418.
Bell ML, Peng RD, Dominici F, Jonathan M, Samet MD. (2009). Emergency hospital admissions for cardiovascular diseases and ambient levels of carbon monoxide results for 126 united states urban counties, 1999–2005. Circulation 15: September.
Bell M, Goldberg R, Hogrefe C, Kinney PL, Knowlton K, Lynn B, Rosenthal J, Rosenzweig C, Patz J, (2007). Climate change, environment and health ozone in 50 US cities. Clim. Alterar, 82, pp. 61-76.
Berger IO. (1985). Statistical decision theory and bayesian analysis. USA: Springer Verlog, New York.
Berger IO. (1998). Recent developments in Bayesian inference with applications in hydrology. In: Statistical and Bayesian methods in hydrological sciences – International Hydrological Programme.Paris, UNESCO. p.43-61. (IHPfTechnical documents in hydrology, 20).
Brasil. Ministério da Saúde. (2008) Mudanças climáticas e ambientais e seus efeitos na saúde: cenários e incertezas para o Brasil / BRASIL. Ministério da Saúde; Organização Pan-Americana da Saúde. – Brasília: Organização Pan-Americana da Saúde.
Bi P. Tong S. Donal K, Parton K, Ni J. (2003). Climatic variables and transmission of malaria: a 12-year data analysis in Shuchen County, China. Public Health Reports, Jan- Feb; 118(1):65-71.
Braga, Bendito et al. (2005). Introdução à Engenharia Ambiental: O desafio do desenvolvimento sustentável. Pearson Prentice Hall: São Paulo.
Braga A. Pereira LAA. saldiva PHN. (2008). Poluição Atmosférica e seus Efeitos na Saúde Humana; Seminário ―Poluição Atmosférica e Seus Efeitos Sobre a Saúde Humana – O Estado Atual Do Conhecimento Científico. Faculdade de Medicina da USP.
Brasil. (2008). Ministério da Saúde. Mudanças Climáticas e Ambientais e seus Efeitos na Saúde: Cenários e Incertezas para o Brasil / BRASIL. Ministério da Saúde; Organização Pan-Americana da Saúde. – Brasília: Organização Pan-Americana da Saúde.
Brasil. (2010). Ministério da Saúde. Relatório da Secretaria de Atenção à Saúde. Departamento de Atenção Básica. Doenças Respiratórias Crônicas. Brasília: Ministério da Saúde.
Boulanger JP, Martinez F, Segura EC (2006) Projection of future climate change conditions using IPCC simulations, neural networks and Bayesian statistics. Part 1: Temperature mean state and seasonal cycle in South America. Clim Dyn 27:233–259. Box GEP, Jenkins GM, Reinsel GC. (1994). Time series analysis – forecasting and control, 3ED., 1994. PRENTICE HALL, New Jersey.
Box GEP, Jenkins GM, Reinsel GC. (2008). Time series analysis forecasting and control. 4 ed. WILEY, USA.
Burkart K, Endlicher W. (1999). Bio-Meteorological and air pollution conditions in the megacity of dhaka, bangladesh and their effects on public health of urban poor population groups. analysis of climate variability, pp 11-26. Humboldt Universität Zu Berlin, Germany, Department Of Geography, Climatological Section.
Chatfield C. (2004). The analysis of time series: An introduction. 5. ed. Chapman and Hall/CRC.
Cairns AJG, Blake D, Dowd K, Coughlan, GD, Khalaf-Allah, M. (2011). Bayesian stochastic mortality modeling for two populations. ASTIN Bulletin 41: 29-59.
Cakmak S, Dales RE, Judek S. (2006). Respiratory health effects of air pollution gases: modification by education and income. Journal of Occupational and Environmental Medicine, 48(1), 89-94.
Cakmak S, Dales RE, Rubio MA, Vidal CB. (2011). The risk of dying on days of higher air pollution among the socially disadvantaged elderly. Environmental Research, 111(3), 388-393.
Cançado JED, Braga A, Pereira LAA. (2006). Repercussões clínicas da exposição à poluição atmosférica. Jornal Brasileiro de Pneumologia, v. 32, suppl. 2, p. s5-s11.
Carlin JB, Gurrin LC, Sterne JA, Morley R, Dwyer T. (2005) Regression models for twin studies: A critical review. Int. J. Epidemiol. 34(5):1089-1099.
Castanho DA, Artaxo P. (2001). Wintertime and summertime São Paulo aerosol source apportionment study. Atmos Environ; 35:4889-902.
Cavalcanti IFA, Kousky VE. (2001). Drought in Brazil during summer and fall 2001 and associated atmospheric circulation features. Climanálise - Boletim de Monitoramento e Análise Climática, v. 2, n. 1, p. 1-10. (INPE-11894- PRE/7241).
Chiarelli PS, Amador-Pereira LA, Saldiva PHN, Ferreira Filho C, Bueno-Garcia ML, Braga ALF, et al. (2011). The association between air pollution and blood pressure in traffic controllers in Santo André, São Paulo, Brazil. Environ Res; 111:650-5.
Coelho MSZS. (2010). Model of Climate and Health (BMCH) in order to Estimate Admissions for Respiratory Diseases in Brazil, Joint Session 8, New challenges for applied meteorology and climatology, Weather Brasilian Service, São Paulo, Brazil use of the Brazilian.
Coelho MSZS, Gonçalves FLT, Latorre MRO. (2010). Statistical analysis aiming at predicting respiratory tract disease hospital admissions from environmental variables in the city of São Paulo. Journal of Environmental and Public Health. 1:12.
Confalonieri UEC, Menne B. (2007). Human Health. In: PARRY, M. L. et al. (Ed.). Climate change: impacts, adaptation and vulnerability. Cambridge (UK): Cambridge University Press, p. 391:432.
Confalonieri UEC. (2008). Mudança climática global e saúde humana no Brasil; Parcerias Estratégicas. Brasília, DF n.27 Dezembro.
Companhia de Tecnologia de Saneamento Ambiental - CETESB. (2014). Relatório de qualidade do ar no Estado de São Paulo. São Paulo: Companhia de Tecnologia de Saneamento Ambiental.
Conselho Nacional do Meio Ambiente, (1990). Resolução CONAMA 003/90. Brasília: (MIMEO).
D’amato G, Bergmann K, Cecchi L, Nesi-Maesano I, Sanduzzi A, Liccardi G, Vitale C, Stanziola A, D’amato M. (2014). Climate change and air pollution. Effects on pollen
allergy and other allergic respiratory diseases. Allergo J Int 2014; 23: 17–23
Danni - Oliveira IM. (2008). Poluição do ar como causa de morbidade e mortalidade da população urbana. RAEGA: O Espaço Geográfico em Análise, n. 15, p. 113-126.
Del MP, Doucet A, Jasra A. (2006) Sequential Monte Carlo samplers. J. R. Stat. Soc. B 68, 411–436.
Dessai S. Heat Stress and Mortality in Lisbon Part II. (2003) An assessment of the potential impacts of climate change. International Journal of Biometeorology. 48(1) 37– 44.
Dockery DW. Schawartz J. Spengler JD. (1992). Air Pollution and Daily Mortality: Associations With Particulates and Acid Aerosols. ENVIRON. RESPIR., V.59, P.362-73.
Dockery D W. Pope C A. Xu X. Spengler J D. Ware J H. Fay M E. An association between air pollution and mortality in six US cities. N. Engl. J. Med. 329:1.753-1.759. (1993).
Dominici F, Roger DP, Christopher DB, Bell LM. (2010) Protecting human health from air pollution: shifting from a single-pollutant to a multipollutant approach. Epidemiology; 21:187-94.
Ebi KL. (2008). Healthy people 2100: Modeling population health impacts of climate change. Climate Change. 88(1):5-19.
Ehlers RS. (2007). Introdução à Inferência Bayesiana, 5ª edição. Curitiba.
Esquivel GAR, Gomes J, Grauer AF. (2011). Evaluation of the correlation between atmospheric pollutant concentrations and elderly mortality in Curitiba. Eng Sanit Ambient, v.16 n.4,out/dez, 387-394.
Fearnside PM. (2005). Desmatamento na Amazônia brasileira: história, índices e consequências. Megadiversidade 1:113-23.
Figueiredo FEL et al. (2011). Meio ambiente paulista: relatório de qualidade ambiental 2011. Secretaria do Meio Ambiente / Coordenadoria de Planejamento Ambiental. São Paulo: SMA/CPLA.
Filleul, L, Tertre LA. Baldi I, et al. (2004). Difference in the relation between daily mortality and air pollution among elderly and all-ages populations in southwestern France. Environmental Research, v. 94, n. 3, p. 249–253.
Freitas C, Bremner AS, Gouveia N. (2004). Internações, Óbitos e Sua Relação Com a Poluição Atmosférica em São Paulo, 1993 a 1997. Revista Saúde Pública, v. 38, n. 6, p. 751-757.
Freitas WWL, Correia AG, Leite JCL. (2012). Uma Aplicação do Modelo de Regressão Beta para Cobertura dos Óbitos nos Estados Brasileiros. I Simpósio de Matemática e Estatística do Delta. Parnaíba, PI.
Galindo N, Nicolas JF, Yubero E, Caballero S, Pastor C, Crespo J. (2008). Factors Affecting Levels of Aerosol Sulfate and Nitrate on the Western Mediterranean Coast. Atmos. Res. 88(3–4):305–313.
Gamerman (1997). Markov chain Monte Carlo: Stochastic Simulation for Bayesian Inference. Texts in Statistical Sciences. Chapman and Hall, London.
Gardner DE, (ed) (2006). Toxicology of the Lung, 4th ed. Boca Raton: CRC Press/ Taylor and Francis.
Gelfand AE, SMITH AFM. (1990). Sampling-based approaches to calculating marginal densities. J. Amer. Statist. Assoc. 85 398–409.
Gioda A, Sales JA, Cavalcanti PMS, Maia MF, Maia LFPG, Aquino Neto FR. (2004). Evaluation of air quality in Volta Redonda, the main metallurgical industrial city in Brazil. J Braz Chem Soc. 14:856-64.
Gioda A, Gioda FRA. (2006). Influence of air quality in respiratory diseases. Health and Environmental Journal, vol.7, n.1, pp.15-23.
Gioda A, Fuentes-Mattei E, Jimenez-Velez B. (2011). Evaluation of cytokine expression in BEAS cells exposed to fine particulate matter (PM2.5) from specialized indoor
environments. International Journal of Environmental Health Research (Print), v. 21, p. 106-119,
Goldsmith JR, Aronow WS. (1975). Carbon monoxide and coronary heart disease: a review. Environmental Research. 10: 236-48.
Gouveia N, Bremner SA, Novaes HM. (2004) Association between ambient air pollution and birth weight in São Paulo, Brazil. J Epidemiol Community Health; 58:11-7.
Gouveia N, de Freitas CU, Martins LC, Marcilio IO. (2006) Respiratory and cardiovascular hospitalizations associated with air pollution in the city of São Paulo, Brazil. Cad Saude Publica. Dec; 22(12):2669-77.
Hagler GSW, Bergin MH, Salmon LG, Yu JZ. (2006). Source areas and chemical composition of fine particulate matter in the pearl river delta region of China. Atmos. Environ 40(20):3802–3815.
Haines A, Smith KR, Anderson D, Epstein R, McMichael AJ, Roberts I et al. (2007). Policies for accelerating access to clean energy, improving health, advancing development, and mitigating climate change. Lancet; 370: 1264–81
Hanigan IC, Johnston F, Morgan GG. (2008). Vegetation fire smoke, indigenous status and cardio-respiratory hospital admissions in Darwin, Australia, 1996–2005: a time-series study. Environmental Health 7:42.
Harbinson J. (2006) Clinical judgment in the interpretation of evidence: a Bayesian approach. J Clin Nurs. 15(12):1489-97.
Harding WM, Rousseaux CG, Wallig MA (eds) (2004). The Lung. Development, aging and the environment. Holland: Elservier.
Heydari S, Luis F, Miranda-Morenob LF, Lord D, Fua L. (2014). Bayesian methodology to estimate and update safety performance functions under limited data conditions: a sensitivity analysis. Accident Analysis and Prevention. 64:41–51.
Huang JS, Lu SE, Ananth CV. (2003). The clustering of neonatal deaths in triplet pregnancies application of response conditional multivariate logistic regression modes. Journal of Clinical Epidemiology.56:1202-1209.
Huang C, Barnett Ag, Wang X, Vaneckova P, Fitzgerald G, Tong S. (2011). Projecting future heat-related mortality under climate change scenarios: a systematic review. Environmental Health Perspectives. Online. Aug, EUA.
Huang F, Zhou S, Zhang S, Wang H, Tang L. (2011). Temporal correlation analysis between malaria and meteorological factors in Motuo County, Tibet. Malaria Journal, Mar; (4)10:54.
IBGE. (2008). Instituto Brasileiro de Geografia e Estatística. Projeção da população do Brasil por sexo e idade para o período 1980-2050. Revisão 2008. Estudos e Pesquisas: Informações Demográficas e Socioeconômicas, n. 24. Rio de Janeiro: IBGE.
IBGE - Instituto Brasileiro de Geografia e Estatística (2014). Dados do Estado de São Paulo. http://www.ibge.gov.br/estadosat/ Accesso 23 Out 2014.
Ignotti E, Hacon SS, Junger WL, Mourão D, Longo K, Freitas S, Artaxo P, Ponce De Leon ACM. (2010). Air pollution and hospital admissions for respiratory diseases in the subequatorial amazon: A time series approach. Caderno de Saúde Pública 26(4):747-761.
Ignotti E, Valente JG, Longo KM, Freitas SR, Hacon SDS, Netto PA. (2010). Impacto na saúde humana de partículas emitidas pela queima na Amazônia brasileira. Rev Saúde Pública; 44: 121-30.
Instituto Saúde e Sustentabilidade. (2013). Avaliação do impacto da poluição atmosférica no Estado de São Paulo sob a visão da saúde. 77 p.
Intergovernmental Panel on Climate Change – IPCC, (2007b), Climate change mitigation. contribution of working group iii to the fourth assessment report of the intergovernmental panel on climate change. B. Metz, O.R. Davidson, P.R. Bosch, R. Dave, L.A. Meyer (Eds.)Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA 2007, 852.
Intergovernmental Panel on Climate Change – IPCC. (2013). Working group i contribution to the IPCC. Fifth assessment report climate change: The Physical Science Basis.
Intergovernmental Panel on Climate Change – IPCC. Climate Change.The Physical Science Basis. (2013). Contribution of working group i to the fifth assessment report of the intergovernmental panel on climate change. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA (pp. 2216).
Jacobi LF. Missio F. (2007). Variáveis dummy: Especificações de Modelos com