Bioindicadores urbanos revelam qualidade do ar perto de oficina mecânica em Santo Amaro

Você já notou uma camada escura nos troncos das árvores perto de onde trabalha ou mora? Essa película não é apenas sujeira — pode ser a assinatura química de uma atmosfera carregada de compostos que pulmões humanos não deveriam filtrar sozinhos. Em Santo Amaro, zona sul de São Paulo, a proximidade entre oficinas mecânicas, vias arteriais e áreas residenciais cria um laboratório a céu aberto para entender como a biologia responde ao estresse atmosférico.

A resposta está nos organismos que não podem se mover: líquens que perdem diversidade, musgos que acumulam chumbo e cádmio, bromélias que fecham seus tricomas diante de picos de ozônio. Esses bioindicadores urbanos contam uma história que sensores convencionais, espaçados por quilômetros, muitas vezes perdem. A convergência entre biologia de campo e tecnologia de dados permite transformar essa narrativa em mapas de risco acionáveis.

O que são bioindicadores urbanos e por que importam

Bioindicadores são espécies ou comunidades biológicas cuja presença, ausência ou condição fisiológica reflete a qualidade do ambiente. Diferente de estações de monitoramento que medem concentrações instantâneas de poluentes, os bioindicadores integram a exposição ao longo de semanas ou meses. Um líquen corticícola, por exemplo, absorve nutrientes e contaminantes diretamente da atmosfera — sem raiz no solo, sem barreira cuticular espessa. Sua comunidade muda de composição conforme o gradiente de poluição: espécies sensíveis desaparecem, tolerantes dominam.

Em áreas urbanas densas, a vantagem é a capilaridade. Enquanto a CETESB opera estações de referência em pontos estratégicos, pesquisadores e cidadãos podem amostrar dezenas de árvores em um quarteirão, revelando microgradientes que escapam à rede oficial. Essa resolução fina é essencial perto de fontes difusas como oficinas, onde a emissão é intermitente, localizada e quimicamente complexa.

Metodologia integrada: biologia de campo e sensores IoT

Um estudo piloto em Santo Amaro combinou três frentes: (1) inventário de líquens e musgos em 40 forófitos (árvores hospedeiras) distribuídos em raio de 300 metros de uma oficina de médio porte; (2) sensores de baixo custo (Plantower PMS5003 para PM2.5, MiCS-5524 para VOCs, MiCS-2714 para NO2) instalados em postes a 2,5 m de altura, registrando a cada 5 minutos; (3) coleta de folhas de Tillandsia recurvata (barba-de-velho) para análise de metais por ICP-MS após digestão ácida.

Os dados biológicos seguiram o protocolo da Asta et al. (2002) adaptado para clima subtropical: índice de diversidade de Shannon para comunidades liquênicas, condutividade eletrolítica de talos (indicador de integridade de membrana), teor de clorofila a+b (estresse fotossintético) e concentração de 12 metais (Pb, Cd, Cr, Cu, Zn, Ni, Fe, Mn, Al, V, Ba, Sb). Os sensores IoT transmitiram via LoRaWAN para gateway local, com validação cruzada contra a estação CETESB Santo Amaro (código 83) nos períodos de sobreposição.

import pandas as pd
import numpy as np
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans

bio = pd.read_csv('bioindicadores_santo_amaro.csv')  # índices biológicos por árvore
iot = pd.read_csv('sensores_iot_5min.csv')           # séries temporais por sensor
cetesb = pd.read_csv('cetesb_83_horario.csv')        # referência oficial

iot_diario = iot.groupby(['sensor_id', 'date']).mean().reset_index()

bio_iot = pd.merge(bio, iot_diario, left_on='sensor_proximo', right_on='sensor_id')

bio_iot_cet = pd.merge(bio_iot, cetesb, on='date')

features = ['shannon_liquens', 'condutividade', 'clorofila', 'Pb', 'Cd', 'Zn',
            'PM25_mean', 'VOCs_mean', 'NO2_mean', 'O3_cetesb', 'NO2_cetesb']
X = bio_iot_cet[features].dropna()
X_std = (X - X.mean()) / X.std()

pca = PCA(n_components=3)
scores = pca.fit_transform(X_std)

kmeans = KMeans(n_clusters=3, random_state=42)
bio_iot_cet.loc[X.index, 'zona_risco'] = kmeans.fit_predict(scores)

print(pca.explained_variance_ratio_)
print(bio_iot_cet[['arvore_id', 'zona_risco']].dropna())

A fusão desses datasets revelou três zonas distintas: uma de alta deposição de metais e PM2.5 (até 80 m da oficina), uma de transição com estresse oxidativo em bromélias (80–180 m) e uma de fundo urbano (acima de 180 m), ainda assim acima dos limites da OMS para PM2.5 anual.

Resultados: o que os organismos revelaram

A diversidade liquênica (Shannon) caiu 62 % na zona próxima à oficina em relação à zona de fundo. Espécies nitrófilas (Physcia adscendens, Xanthoria parietina) proliferaram, enquanto espécies sensíveis a SO2 e ozônio (Usnea spp., Parmotrema tinctorum) foram ausentes. A condutividade eletrolítica — proxy de dano de membrana — aumentou 3,4 vezes nos talos coletados a 30 m da fonte.

Nas bromélias, concentrações de chumbo (142 mg/kg peso seco) e cádmio (3,8 mg/kg) excederam valores de referência para áreas não industriais em 12x e 9x, respectivamente. Cobre e zinco, marcadores de desgaste de freios e pneus, mostraram pico na zona de transição, sugerindo re-suspensão de poeira de pista por turbulência de veículos pesados.

Os sensores IoT capturaram picos de VOCs coincidentes com horários de pintura e uso de removedores (14–17 h), com valores médios de 2,3 ppm contra 0,4 ppm na zona de fundo. PM2.5 apresentou bimodalidade: pico matinal (tráfego) e pico vespertino (atividade da oficina + inversão térmica local). A correlação entre PM2.5 IoT e Pb em bromélias foi r = 0,78 (p < 0,01), validando o bioindicador como integrador temporal.

Da ciência à ação: mitigação baseada em evidências

Os achados subsidiaram um plano de mitigação em três eixos. Primeiro, engenharia de controle na fonte: instalação de cabines de pintura com exaustão e filtros de carvão ativado, substituição de solventes base petróleo por formulações aquosas de baixo VOC, e aspiração localizada em lixadeiras e rebitadeiras. Segundo, barreira vegetativa: plantio de espécies nativas tolerantes e bioacumuladoras (Schinus terebinthifolia, Casearia sylvestris, Miconia albicans) em faixa de 5 m ao longo do muro divisório, intercaladas com bromélias epífitas para monitoramento contínuo. Terceiro, governança participativa: protocolo de ciência cidadã com moradores e escola municipal vizinha para coletas trimestrais de líquens e leitura de sensores, dados abertos em dashboard público.

A oficina parceira adotou as medidas de controle de emissão e, como parte da manutenção preventiva da frota atendida, passou a recomendar a revisão completa do carro para reduzir emissões escapadas por motores desregulados — ação que fecha o ciclo entre fonte móvel e fonte fixa. A integração com dados de tráfego da CET e modelos de dispersão (AERMOD) permitiu simular cenários de expansão da frota e testar eficácia de corredores verdes.

Lições para outras periferias industriais

O caso de Santo Amaro ilustra um padrão replicável: oficinas, marcenarias, fundições de pequeno porte e lavanderias industriais formam um mosaico de fontes difusas nas periferias das metrópoles. O biomonitoramento de baixo custo, potencializado por IoT e ciência aberta, democratiza o diagnóstico ambiental. Não substitui a regulação oficial, mas a pressiona com evidência granular, empodera comunidades e orienta investimentos em infraestrutura verde.

A convergência entre biologia e tecnologia aqui não é metáfora — é pipeline de dados: do talo de líquen ao cluster de risco, do sensor LoRa ao dashboard do vereador. Cada elo fortalece o próximo. E o ponto de partida continua sendo a pergunta simples: o que aquela árvore na esquina está tentando nos dizer?

Monitorar com bioindicadores é ouvir a cidade respirar. Tecnologia amplifica o sinal. Ação transforma o diagnóstico em ar mais limpo para quem vive e trabalha nas bordas do progresso.

Checklist prático

Perguntas frequentes