Pedro Henrique - PUC-Rio

Departamento de Química
Determinação de metais por ICP-MS e ICP OES em diferentes matrizes ambientais
Aluno: Pedro Henrique Magacho de Paula
Orientador: Adriana Gioda
Introdução
A poluição do ar tem um impacto direto na saúde humana e nos ecossistemas [1-3]. O
material particulado (PM) é um parâmetro importante da poluição do ar e é constituído
principalmente por poeira de solo e resíduos de combustão de combustível e atividades
industriais. O PM pode transportar metais tóxicos, tais como Ni, V, Cr, Hg e Pb, entre outros,
que podem ser depositados e removidos para a hidrosfera e a biota como contaminantes
ambientais [3]. Outros elementos, tais como Cu, Zn e Co, podem tornar-se tóxicos ao serem
liberados continuamente para o meio ambiente. A origem destes contaminantes é empregada
para a classificação de regiões em duas categorias, urbanas e rurais, a última a ser adotada
geralmente como representante dos processos naturais [4].
A contaminação do ar é avaliada através da coleta de PM atmosférico com tamanho de
partícula de até 10 µm (PM10), como recomendado pela Organização Mundial da Saúde.
Naturalmente, o controle biológico, definido como a medição da resposta dos organismos
vivos às mudanças no meio ambiente, é também um fator a ser considerado quando a poluição
do ar é estudada [5]. Várias espécies de plantas e esporos tem sido utilizados para avaliar o
impacto da poluição por metais no ar, incluindo liquens e epífitas (capillaris Tillandsia,
Tillandsia recurvata) [4-7]. Epífitas são bons agentes de biomonitoramento, porque elas têm
estruturas (tricomas) capazes de reter água, nutrientes e, conseqüentemente, contaminantes da
atmosfera [8,9]. Além disso, eles têm a vantagem do baixo custo em comparação com os
filtros.
No Brasil, epífitas são comuns, uma vez que o seu desenvolvimento é reforçado em
climas úmidos [10-12]. Elas são geralmente encontradas em árvores frutíferas e ornamentais,
que são muito comuns em áreas urbanas e rurais. Esta planta usa o haustorii para juntar-se à
árvore de acolhimento, onde ela absorve água e nutrientes minerais, transportados através de
tecidos vasculares, como o xilema e floema [13-15]. A Flexicaulis Struthanthus é uma
hemiepífita, pertencente à família Loranthacea, vulgarmente conhecida como "erva de
passarinho" porque as aves alimentam de suas sementes contribuindo com a proliferação desta
planta parasita. Hemiepífitas, como epífitas, mantém a fotossíntese independente, mas se
diferem devido à atividade hemi-parasita [13].
A Flexicaulis Struthanthus, como outros plantas da família Loranthacea, é conhecida
por suas propriedades terapêuticas. A atividade antibacteriana foi detectada em 70% de
extratos etanol-água de plantas Struthanthus [16,17]. A Flexicaulis Struthanthus tem
propriedades antibióticas naturais e é comumente usada em tratamentos fitoterápicos para
doenças pulmonares. Ela é ingerida principalmente na forma de infusões de folhas secas, mas
também pode ser fabricada como extratos.
O presente estudo propõe-se a investigar as Flexicaulis Struthanthus como
biomonitores da poluição do ar por metais. Para isso, as concentrações de macro e micro
constituintes foram determinadas na planta coletada em áreas urbanas, rurais e industriais,
através de técnicas de plasma indutivamente acoplado, i. e. Espectrometria de Massa (ICPMS) e Espectrometria de Emissão Óptica (ICP OES). ICP-MS e ICP OES são técnicas
multielementares complementares, que permitem uma ampla faixa de concentração dinâmica.
ICP OES é utilizado para os elementos principais, tais como Na, K e Ca, com concentrações
na ordem de mg kg-1 [18], enquanto que o ICP-MS pode atingir os limites de detecção de
µg kg-1, sendo as duas técnicas mais adequadas para a determinação de um número elevado de
Departamento de Química
elementos de amostras vegetais [19]. As correlações entre os elementos em plantas e filtros
foram avaliados por Análise de Componentes Principais (PCA) e análise de cluster (HCA)
para indicar a origem dos contaminantes.
Objetivos
Determinar a concentração de metais por ICP-MS e ICP OES em diferentes amostras
ambientais (material particulado e plantas) visando identificar possíveis efeitos à saúde e ao
meio ambiente.
Métodos
Coleta das amostras
Amostras de folhas e material particulado fino (PM 2.5) foram coletadas em diferentes
locais na área metropolitana do Rio de Janeiro. Sítios com características diferentes foram
escolhidos: urbana (Niterói), industrial (Duque de Caxias e Santa Cruz) e rural (Seropédica).
Os sítios de amostragem são mostrados na Figura 1.
Figura 1 – Sítios de amostragem.
A Área urbana (22 ° 52'40 "S e 43 ° 56'19" W) é uma região residencial, com alto
tráfego e cercada por indústrias navais. Duque de Caxias, uma área industrial (22 ° 47 '9 "S e
43 ° 18' 43" W), é o local mais poluído, nas proximidades de uma refinaria de petróleo, com
um tráfego pesado de caminhões. Ele está localizado no noroeste da Baía de Guanabara, local
das estradas e ferrovias, agricultura e indústrias. A área industrial de Santa Cruz (22 ° 55 '13
"S e 43 ° 41' 6" W) envolve todas as características (rural, residencial e industrial).
Finalmente, a área rural, Seropédica (22 ° 44 '38 "S e 43 ° 42' 28" W), é quase livre de
indústrias e bem ventilada, embora o local de amostragem é de perto de uma estrada com
tráfego.
A amostragem de folhas Struthanthus Flexicaulis é relativamente fácil e não prejudica
o meio ambiente em que vive, nem a sua existência. Vale ressaltar que, dependendo da
localização da colônia "erva de passarinho", as dimensões de suas folhas são diferentes.
Folhas menores e mais estreitas se desenvolvem na parte superior e mais iluminada das
árvores, enquanto as folhas mais largas são encontradas em locais mais baixos e sombreados.
Uma quantidade de 20 a 25 g de folhas da erva planta (16-30 folhas) foi amostrada em cada
local, em cada dia de amostragem. Um total de dez amostras foram coletadas em cada local
Departamento de Química
As amostras de PM2.5 foram coletadas perto de amostragem da erva. Uma quantidade de
cinco a dez amostras de filtros PM2.5 foi amostrada. Houve dias de amostragem com
diferentes tempos, como dias chuvosos e nublados, bem como dias de sol.
Amostras de material particulado (PM2.5) foram coletados pelo Instituto Ambiental
do Rio de Janeiro (Inea), durante 24 horas a cada seis dias, utilizando filtros de fibra de vidro
(Millipore, EUA) em amostradores de grande volume (Energética, Brasil), com uma vazão
média de 1,14 m3 min-1.
Tratamento das amostras
Foram realizados testes preliminares para avaliar a influência de lavagem das folhas
antes de decomposição. Aproximadamente 4,0 g de folhas foram lavadas três vezes com 50
ml de água ultrapura e agitação ultrassônica. Os extratos aquosos foram acidificados e
analisados por ICP-MS. As concentrações dos elementos nos extratos aquosos foram muito
baixo (<0,1%) em comparação com os determinados na solução após extração das folhas.
Portanto, o procedimento de lavagem não foi necessário, pois a contaminação era mínima.
O método de extração foi desenvolvido utilizando o material certificado de referência
de folhas (folhas de tomate - NIST SRM 1573) com procedimentos diferentes: pela adição de
HNO3 concentrado ou água régia (HNO3: HCl, 1:3) e utilizando uma placa de aquecimento ou
um forno micro-ondas para avaliar a extração. Verificou-se que o uso de água régia aumentou
o nível de contaminação do branco e a perda de metal por precipitação, tais como PbCl2. A
extração com ácido assistida no micro-ondas não melhorou significativamente a concentração
dos elementos em solução, logo esse método não foi escolhido devido ao longo tempo de
extração e ao número limitado de amostras que podem ser extraídas simultaneamente.
Portanto, a metodologia utilizada para a extração de metais a partir de folhas não
lavadas era muito semelhante ao utilizado para a extração dos filtros PM2.5. As folhas
liofilizadas foram maceradas, e triplicatas de 0,2 g foram extraídas com 3,0 ml de HNO3
concentrado sob aquecimento a 90 ± 5 ° C, durante 4 horas, e, em seguida, centrifugado
durante 5 minutos. O sobrenadante foi recuperado e foi diluído com água ultrapura. O extrato
foi em seguida analisado por ICP-MS e OES. Alíquotas (9 cm2) dos filtros contendo material
particulado (PM2.5) foram cortados e pesados. O procedimento de extração foi o mesmo
descrito acima.
Espectrometria de Massa com Plasma Indutivamente Acoplado (ICP-MS)
Nas determinações realizadas, utilizou-se o ICP-MS modelo DRC II (PerkinElmerSciex, EUA). Não houve problemas nas determinações, uma vez que não se utilizou o
dispositivo para eliminação de interferências, a célula de reação dinâmica (DRC) que este
último modelo possui, e as condições experimentais foram mantidas iguais,como pode ser
visto na Tabela 1.
Tabela 1- Condições de análise do ICP-MS.
Departamento de Química
As soluções de calibração foram preparadas utilizando soluções estoque Perkin Elmer
Parâmetro
Valor
Potência RF
1300 W
Plasma
15 L min-1
Auxiliar
1,2 L min-1
Vazão de Ar nebulizador
0,42 L min-1
Leituras por replicatas
2
Replicatas
3
Dwell time
50 ms
Operação do detector
Dual mode
51
Isótopos utilizados para quantificação
V , 60Ni
103
Padrão interno
Rh+
29 (Al, V, Cr, Mn, Fe, Ni, Cu, Zn, Ga, Se, Cd e Pb), PerkinElmer 12 (Mo, Nb, P, S, Ta, Ti),
Perkin Elmer 17 (La, Y), Merck IV (Al, Ba, Ce, Cd, Cr, Cu, Fe, Ga, K, Li, Mg, Ni, Pb, Na,
Sr, Zn) e padões individuais de Sb e Ti, todos com 1000 µg L-1 de concentração. As
concentrações da curva de calibração variaram de 50 µg L-1 a 100 µg L-1, e o padrão interno
de calibração foi uma solução de concentração 400 µg L-1 de Rh a 1% de HNO3. As soluções
de calibração receberam 100 µL de HNO3, a fim de evitar a precipitação dos padrões, uma
vez que a matriz da curva é aquosa.
Os elementos, massas atômicas, coeficientes de determinação (R2), os limites de
detecção (LD) e quantificação (LQ) estão apresentados na Tabela 2.
Tabela 2- Parâmetros analíticos para a técnica de ICP-MS: Elemento, R2, LD e LQ.
Elemento
R2
Cr
Co
Cu
Cd
Pb
Ni
Zn
Sr
Ga
Mo
Mn
Hg
As
Se
Y
La
0.999752
0.999850
0.999907
0.999948
0.999233
0.999765
0.999908
0.999683
0.999487
0.999956
0.999716
0.999853
0.999970
0.999806
0.999091
0.999739
LD
(mg L-1)
0,00120
0,00008
0,00054
0,000018
0,000053
0,000237
0,001066
0,000085
0,000999
0,0002
0,00025
0,00004
0,00015
0,00013
0,0001
0,0001
LQ
(mg L-1)
0,00400
0,000029
0,00181
0,00006
0,00017
0,00079
0,00355
0,00025
0,00333
0,010
0,00085
0,0012
0,0045
0,00044
0,004
0,004
A
Departamento de Química
calibração realizada foi do tipo externa, e o modelo estatístico adotado na regressão linear
pelo método dos mínimos quadrados foi do tipo y = ax. Os limites de detecção e quantificação
foram calculados segundo as equações (1 e 2), respectivamente. Na equação 1, “s” representa
o desvio padrão amostral de 10 leituras do branco da curva de calibração (água ultrapura
acidificada com HNO3), e “a” representa o coeficiente angular da equação da reta.
LD = (3 x s)/a (1)
LQ = 3,3 x LD (2)
Espectrometria de Emissão Ótica com Plasma Indutivamente Acoplado (ICP OES)
O equipamento utilizado neste trabalho foi o ICP OES modelo Optima DV 4300
(Perkin Elmer, EUA), que permite a observação do plasma no modo de configuração axial e
radial, proporcionando o modo de observação mais sensível para cada elemento. Na tabela 3 é
possível observar as condições operacionais do instrumento.
Tabela 3- Condições de análise do ICP OES.
Parâmetro
Potência RF
Fluxo de Argônio do Plasma
Fluxo de Argônio do Plasma
Fluxo de Argônio de Nebulização
Valor
1500 W
15,0 L min-1
1,2 L min-1
0,42 L min-1
As soluções de calibração foram preparadas utilizando padrões com concentrações de
1000 mg L-1, com exceção do analitos, Na (2000 mg L-1), S (1335 mg L-1) e P (1304 mg L-1).
Os padrões monoelementares (Titrisol® - Merck, Germany) permitiram o preparo de curva de
calibração para Al, Ca, K, Na P, S, Ti e V. O padrão multielmentar Certipur Multielement
Standard IV, Merck permitiu o preparo de curva de calibração para Cd, Cr, Cu, Fe, K , Mg,
Mn, Na, Ni, Pb e Zn.
Os elementos, coeficientes de determinação (R2), os limites de detecção (LD) e
quantificação (LQ) estão apresentados na tabela 4.
Tabela 4 - Parâmetros analíticos para a técnica de ICP OES: Elemento, R2, LD e LQ.
Elemento
R2
Al
Ba
C
Ca
Fe
K
Li
Mg
Na
P
S
Ti
V
0.999972
0.999963
0.999712
0.999983
0.999869
0.999985
0.999957
0.999947
0.999962
0.999913
0.999985
0.999927
0.999900
LD
(mg L-1)
0,00904
0,00012
0,11987
0,00542
0,00056
0,03887
0,00719
0,00011
0,01470
0,04110
0,03568
0,00029
0,00016
LQ
(mg L-1)
0,02986
0,00041
0,39559
0,01789
0,00185
0,12827
0,02374
0,00036
0,04853
0,13563
0,11776
0,00097
0,00053
Departamento de Química
A calibração realizada foi do tipo externa, e o modelo estatístico adotado na regressão
linear pelo método dos mínimos quadrados foi do tipo y = ax. Os limites de detecção e
quantificação foram calculados segundo as equações (1 e 2), respectivamente. Na equação 1,
“s” representa o desvio padrão amostral de 10 leituras do branco da curva de calibração (água
ultrapura acidificada com HNO3), e “a” representa o coeficiente angular da equação da reta.
LD = (3 x s)/a (1)
LQ = 3,3 x LD (2)
Tratamento dos dados
A avaliação das concentrações dos elementos químicos medidos foi baseada no fator
de enriquecimento (FE). Os FEs de oligoelementos dos filtros e plantas em relação à crosta
terrestre foram calculados para indicar a extensão do nível da contribuição não natural para a
crosta. Os valores de FE <10 indicam que a re-suspensão de solo é a origem de elementos
enquanto que os valores no intervalo de 10-5000 indicam que os elementos são
principalmente emitidos a partir de fontes antropogênicas. O FE de um elemento na amostra
foi calculada como:
FEsolo = [X / Fe] amostra / [X / Fe] crosta
Em que FEsolo é o fator de enriquecimento de uma espécie X, (X / Fe) da amostra é a
proporção de espécies X para o metal de referência da amostra (folhas e PM) e (X / Fe) crosta
é a relação de massa de espécie X para a referência de metais na crosta da terra. Não existe
uma regra para a escolha do elemento de referência e Si, Fe e Al são usados para esta
finalidade. Neste estudo, Fe foi usado como referência.
A Análise de Componentes Principais (PCA) foi usada para estimar as contribuições e
os perfis de cada fonte. Neste estudo, optamos pelo método Varimax. O arranjo da matriz foi
composta pelas amostras em linhas e as variáveis medidas em colunas. Para a obtenção de
resultados confiáveis, as variáveis cujos números possuem valores enganosos representando
10% ou mais, não foram considerados no PCA.
Em associação com o PCA, a avaliação da correlação de Spearman e análise de
agrupamento hierárquico (HCA) com o método de Ward e distâncias euclidianas foram feitas
para uma melhor compreensão do conjunto de dados. HCA foi utilizado com o pvclust pacote
[20], que fornecem a avaliação da incerteza na análise de agrupamento hierárquico. Para cada
cluster no agrupamento hierárquico, quantidades chamados P-valores são calculados através
de reamostragem bootstrap de multiescala. P-valor de um cluster é um valor entre 0 e 1, que
indica o quão forte o cluster é suportado pelos dados. Pvclust fornece dois tipos de p-valores:
R (Aproximadamente Imparcial) p-valor e BP valor (Bootstrap Probabilidade). AU p-valor,
que é calculado pela reamostragem bootstrap de mutiescala, é uma melhor aproximação para
p-valor imparcial do valor calculado pela BP reamostragem de bootstrap normal. Em nosso
estudo, ambas as análises foram realizadas no ambiente de multi-plataforma R para
computação estatística [21]. Para a análise de PCA, os pacotes FactoMineR, GPArotation e
psych foram usados [22-24].
Resultados
Níveis de PM2.5 e composição elementar
A concentração média de PM2.5 no filtro foi de cerca de 8-10 µg m-3 em Seropédica
(rural) e Santa Cruz (industrial e perto da costa), e em torno de 16-18 µg m-3 em Duque de
Caxias e Niterói (industrial, com trânsito intenso), a maior parte das concentrações está acima
do valos estipulado pela OMS (10 µg m-3).
Departamento de Química
Em relação à composição elementar de PM2.5, as concentrações foram, na mesma
ordem em todos os sítios de coleta, ou seja, não houve diferença estatística observada entre as
concentrações de cada elemento nos diferentes locais onde foram alocados os filtros. Isso
pode estar associado ao fato de que a composição elementar não foi significativamente
diferente nos diferentes locais, pois trata-se de um estudo de curta duração e as diferenças são
muito pequenas para serem observadas.
Os elementos predominantes foram Na > Zn > Ca > Ba > Al > K > Mg > S, com
concentrações médias que variam de 0,6 mg kg-1 a 9,0 mg kg-1. Outros elementos, tais como
Cu, Sr, Ga e Fe, apresentaram concentrações entre 8,0-150 mg kg-1. Os elementos de traço,
tais como Cd, Co, La, Ni, Mo e Y, foram detectados em concentrações que variam de 0,1-0,8
mg kg-1.
Composição elementar de folhas de erva de passarinho
Os principais elementos encontrados nas folhas foram os nutrientes K > Ca > P > Mg
> S > Na que são constituintes dos tecidos da planta. As concentrações variaram de 0,2 mg
kg-1 - 74,0 mg kg-1, muito mais elevada do que os encontrados em PM 2,5. Um segundo grupo
composto por Zn, Al, Ba e Cu apresentaram menores níveis em relação as concentrações nos
filtros, variando de 5,0-140 mg kg-1. Oligoelementos foram detectados em concentrações que
variam 0,1-3,5 mg kg-1.
As concentrações para todos os elementos em plantas foram menores em Seropédica,
em comparação com os outros sites. Estes resultados já eram esperados, uma vez que é uma
área rural, os níveis de poluição são relativamente menores.
Comparação entre plantas e filtros
As concentrações elementares medidas em "erva de passarinho" e em filtros (PM2.5)
são comparadas na Figura 2. Existe uma clara diferença entre as concentrações de metais em
ambos os tipos de amostras. Como esperado, os elementos nutrientes Ca, Mg e K foram
encontrados em concentrações muito mais elevadas nas folhas do que no PM. Além disso, Al,
Ba, Ga, Ni e elementos antrópicos (Cd, V e Pb) são em concentrações mais elevadas no
material particulado.
Departamento de Química
Departamento de Química
Figura 2 – Concentração média de elementos em filtros (PM2.5) e plantas.
Fontes
Plantas e PM 2.5
A matriz do conjunto de dados [125 x 16] indica que quatro componentes principais
(PCs) explicam quase 100% da variância dos dados. Em ambos os tipos de amostras (folhas e
PM2.5), os elementos foram similarmente correlacionados. Elementos com correlações mais
elevadas (> 0,7) são listados em negrito (Tabela 2). O Fator de 1 (CP1) explica 34% da
variância e inclui uma influência significativa de elementos, tais como Ca, Fe, K, S e Ti, com
menor influência de P e Mg. Essas correlações sugerem que os elementos são originados,
principalmente, a partir de fontes naturais, como o solo ou biogênicos. O Fator 2 (PC2) (29%
da variância) é dominado por Ba, Ga, Pb e Zn, com influência de Cu. Este fator representa
influências antropogênicas, provavelmente de tráfego, uma vez que Pb, Zn e Cu são
elementos associados com freio e desgaste dos pneus [25-27]. O Fator 3 (PC3) é responsável
por 23% da variância e é altamente influenciada por Cr, La e Ir. Este fator está
especificamente relacionado a re-suspensão de solo. O Fator 4 (PC4) é altamente influenciado
pelo Mg, mas tem cargas significativas de Ca e Mn. Na Região Metropolitana do Rio de
Janeiro, é improvável que os solos contribuam para a concentração de cálcio devido à falta de
solos calcários nesta região. Ca é considerado um traçador de construção civil e segue os
principais elementos da crosta terrestre, tais como Al, Si, Ti, Ca, Fe, Mn e Sr [28-32].
Os resultados da análise de agrupamento hierárquico (HCA) indicaram que os filtros e
as amostras de folhas foram agrupados em três grupos (Figura 3). Grupo I consistia
principalmente de elementos Fe, Ti, Mg, P, S, Ca e K, como observado por PCA, com fortes
correlações entre Fe e Ti (r = 0,8-0,9), que são marcadores de solo. No entanto, os outros
elementos não estão fortemente correlacionados, portanto há uma fonte antropogênica já que
FE < 10. Estes elementos pareciam estar associados com processo metalúrgico [33]. O Grupo
II, de metais influenciadas principalmente pelo tráfego de veículos (Cu, Pb, Zn, Ba e Ga),
também observado por PC2, com forte correlação entre Zn, Ba e Ga (r = 0,5-0,7), cuja FE >
100 indicam origem antrópica. O Grupo III representa PC3 e PC4, com correlação mais forte
entre os elementos do fator 3 (r = 0,5-0,8). Cr, Mn e Sr teve EF < 10, então eles vieram de
Departamento de Química
fontes naturais. Em geral, o HCA foi utilizado para efeitos de confirmação, em vez de
exploratórias.
Figura 3 – Dendograma Cluster com reamostragem de bootstrap para conjunto de dados [125
x 16]. Os valores das bordas do agrupamento são os valores de p (%). Valores vermelhos são
p-valores da UA, e os valores verdes são os valores da PA.
Plantas
A segunda abordagem PCA foi realizada em conjunto de dados [101 x 16] apenas com
amostras de planta. Quatro fatores foram extraídos com 87% da variabilidade dos dados
explicada. O Fator de 1 (PC1) inclui uma influência significativa a partir de elementos, tais
como Cr, Cu, Ga, La, Pb, Sr e Zn, e explica 34% da variância. Estes elementos estão
principalmente associados com fontes antropogênicas (indústria, estrada pavimentada ou
dispositivos automotivos). O Fator 2 (PC2) (27% da variabilidade dos dados) tem alta carga
de Fe, K, P, S e Ti, e uma contribuição significativa de Ca. Este fator inclui elementos
traçadores do solo (Fe e Ti) e nutrientes da planta (K, S e P). O Fator 3 (PC3) explica 19% da
variabilidade dos dados. Uma vez que tem cargas elevadas de Ba, Ca e Mg com contribuição
significativa de Ga e Mn, está provavelmente relacionado com o solo (EFGa < 10; EFMn <
3). O quarto fator (PC4) não tem uma característica única, devido à presença de cargas
moderadas de Cu e Mn, que podem ser provenientes de fontes naturais ou antropogênicas.
Os resultados do PCA dão apoio a análise HCA, mas em nível de 95% de confiança os
clusters mais significativo, em ordem de relevância, são Pb-Cr-La, Fe-Ti e PS, os dois últimos
são membros de um maior cluster (Figura 4). O cluster Pb-Cr-La representa o fator 1 do PCA,
que estão relacionadas às fontes antropogênicas. Por outro lado, os clusters Fe-Ti e PS
representam o fator 2 do PCA, o que indica fontes naturais (solo). Como esperado, a
composição química tem influência significativa sob a sensibilidade da matriz. O Grupo II
Departamento de Química
tem a mesma funcionalidade como o Grupo I em amostras de PM. Com isto em mente, é
razoável concluir que as folhas devem ser utilizadas em associação com filtros PM em
instalações industriais, uma vez que os nossos estudos mostram informações complementares
para ambos, que têm uma abordagem significativa de confirmação por meio da reamostragem
bootstrap de multiescala.
Figura 4 – Dendograma Cluster com reamostragem bootstrap para conjunto de dados
[101 x 16]. Os valores das bordas do agrupamento são os valores de p (%). Valores vermelhos
são p-valores da UA, e os valores verdes são os valores da PA.
Conclusão
Flexicaulis Struthanthus, chamada de erva de passarinho, foi utilizado como
biomonitora. Esta planta juntamente com material particulado (PM2.5), em combinação com
técnicas de ICP foram usadas a fim de determinar elementos-traço em quatro locais da Região
Metropolitana do Estado do Rio de Janeiro. Os principais elementos detectados em plantas
tiveram distribuição semelhante à encontrada em PM, indicando fontes naturais. Foram
observadas diferenças para oligoelementos que agem como contaminantes, tais como Pb, para
o qual os resultados da planta apresentaram níveis mais elevados em áreas poluídas, e para o
Mg, que possui fonte metalúrgica, foi mais claramente explicado pelos resultados de PM2.5.
As ordens de grandeza das concentrações, bem como o comportamento semelhante em
relação ao parâmetro de análise estatística para ambos os tipos de amostras, indicam que as
folhas de erva de passarinho poderia ser biomonitores razoáveis. Este tipo de planta oferece a
vantagem de baixo custo, abundância e amostragem fácil.
Departamento de Química
Trabalhos apresentados em congressos
Sociedade Brasileira de Química (2013) – Apresentação de pôster
Avaliação dos níveis de poluição atmosférica através da determinação de metais por
ICP-MS e ICP OES em plantas e material particulado.
Encontro Nacional de Químima Analítica (2013) – Apresentação de pôster
Avaliação dos níveis de elementos traços em folhas de erva de passarinho utilizadas
como biomonitores de poluição atmosférica.
Congresso Latino-americano de Toxicologia Clínico-laboratorial (2014) - Apresentação
de pôster
Determination of toxic elements in plant leaves as biomonitor of air pollution.
Artigo Científico enviado para Chemosphere
Biomonitoring of metals for air pollution assessment in different regions of Rio de
Janeiro, Brazil, using a hemiepiphyte herb (Struthanthus flexicaulis)
Referências
1 - J.E.D. Cançado, A.L.F. Braga, L.A.A. Pereira, M.A. Arbex, P.H.N. Saldiva, U.P.S.
Santos, Repercussões clínicas da exposição à poluição atmosférica, J. Bras. Pneumol. 32
(2006) S5–S11.
2 - Z.L. He, X.E. Yang, P.J. Stoffella, Trace elements in agroecosystems and impacts on
the environment, J. Trace Elem. Med. Biol. 19 (2005) 125–140.
3 - G.M. Lovett, T.H. Tear, D.C. Evers, S.E.G Findlay, B.J. Cosby., J.K. Dunscomb, C.T.
Driscoll, K.C. Weathers, Effects of air pollution on ecosystems and biological diversity in
the Eastern United States. The Year in Ecology and Conservation Biology, In: Ann. N.Y.
Acad. Sci. 1162 (2009) 99–135.
4 - S. Giodarmo, P. Adamo, V. Spagnuolo, M. Tretiach, R. Barbagli, Accumulation of
airborne trace elements in mosses, lichens and synthetic materials exposed at urban
monitoring stations: Towards a harmonisation of the moss-bag technique, Chemosphere,
90 (2013) 292-299.
5 - J.P.R.A.D. Barbosa, S. Rambal, A.M. Soares, F. Mouillot, J.M.P Nogueira, G.A. Martins,
Herb Physiological Ecology and the Global Changes, Ciênc. Agrot. Lavras 36 (2012) 253269.
6 - M.I. Käffer, S.M.A. Martins, C. Alves, V.C. Pereira, J. Fachel, V.M.F. Vargasa,
Corticolous lichens as environmental indicators in urban areas in southern Brazil,
Ecolog. Indicators 11 (2011) 1319–1332.
7 - T. Mrak, Z. Slejkovec, Z. Jeran, Extraction of arsenic compounds from lichens, Talanta
69 (2006) 251–258.
8 - J.H. Rodriguez, M.L. Pignata, A. Fangmeier, A. Klumpp, Accumulation of polycyclic
aromatic hydrocarbons and trace elements in the bioindicator herbs Tillandsia capillaris
and Lolium multiflorum exposed at PM monitoring stations in Stuttgart (Germany),
Chemosphere 80 (2010) 208-215.
9 - C. Graciano, L.V. Fernandez, D.O. Caldiz, Tillandsia recurvata L. as a bioindicator of
sulfur atmospheric pollution, Ecología Austral 13 (2003) 3-14.
Departamento de Química
10 - A. Klumpp, Utilização de bioindicadores de poluição em condições temperadas e
ambientais. In: Maia, M.B., Martos, H.L., Bartella, W. (Eds). Indicadores ambientais,
conceitos e aplicações. EDUC – EDITORA DA PUC: São Paulo (2001).
11 - A. Klumpp, W. Ansel, G. Klumpp, A. Fomin, Um novo conceito de monitoramento e
comunicação ambiental: a rede européia para a avaliação da qualidade do ar usando
hervas bioindicadoras (EuroBionet), Rev. Brasil. Bot. 4 (2001) 511-518.
12 - A.M.G. Figueiredo, C.A. Nogueira, M. Saiki, M. Domingos, Assessment of
atmospheric metallic pollution in the metropolitan reigon of São Paulo, Brazil,
employing Tillandsia usneoides L. as biomonitor, Environ. Poll. 145 (2007) 279-292.
13 - E. Rotta, Autotrofia em Tripodanthus acutifolius (Ruiz &Pav) Thiegh (erva de
passarinho) – um registro. Comunicado Técnico 115, Embrapa Florestas, 2004.
14 - C. Reif, Contribution to the Taxonomy of Eremolepidaceae, Loranthaceae and
Viscaceae
from
Rio
de
Janeiro
State,
Brazil,
2007.
www.parasiticherbs.siu.edu/Documents/ReifThesisEnglish.pdf
15 - G.A. Dettke, M.A. Milaneze-Gutierre, Estudo anatômico dos órgãos vegetativos da
hemiparasita Phoradendron mucronatum (DC.) Krug & Urb. (Viscaceae), Rev. Bras.
Biociências 5 2007 534-536.
16 - O.M.C. Vieira, M.H. Santos, G.A. Silva, A.M. Siqueira, Atividade antimicrobiana de
Struthanthus vulgaris (erva de passarinho), Braz. J. Pharmacog. 15 (2005) 149-154.
17 - F. Leitão, V.S. Fonseca-Kruel, I.M. Silva, F. Reinert, Urban ethnobotany in Petrópolis
and Nova Friburgo (Rio de Janeiro, Brazil), Braz. J. Pharmacog. 19 (2009) 333-342.
18 - P. Smichowski, J. Marrero, D. Gómez, Inductively coupled plasma optical emission
spectrometric determination of trace element in PM10 airborne particulate matter
collected in an industrial area of Argentina, Microchem. J. 80 (2005) 9– 17.
19 - S. Tokalioglu, S. Kartal, S., Multivariate analysis of the data and speciation of heavy
metals in street dust and samples from Organized Industrial District in Kaysery
(Turkey), Atmos. Environ. 40 (2006) 2797-2085.
20 - pvclust: Hierarchical Clustering with p-Values via Multiscale Bootstrap
Resampling, Suzuki, R. and Shimodaira, H., 2011, R package version 1.2-2, http://CRAN.Rproject.org/package=pvclust.
21 - R Development Core Team, 2013. R: a Language and Environment for Statistical
Computing. R Foundation for Statistical Computing, Vienna, Austria. http://www.Rproject.org.
22 - FactoMineR: Multivariate Exploratory Data Analysis and Data Mining with R,
Husson, F., Josse, J., Le, S. and Mazet, J., 2013, R package version 1.25, http://CRAN.Rproject.org/package=FactoMineR.
23 - Bernaards, C. A. & Jennrich, R. I., Gradient Projection Algorithms and Software for
Arbitrary Rotation Criteria in Factor Analysis, Educat. Psychol. Measur. 65 (2005) 676696.
24 - psych: Procedures for Psychological, Psychometric, and Personality Research.
Revelle, W., Northwestern University, Evanston, Illinois, 2013, R package version 1.3.10,
http://CRAN.R-project.org/package=psych.
25 - E. von Schneidemesser, E.A. Stone, T.A. Quraishi, M.M. Shafer, J.J. Schauer, Toxic
metals in the atmosphere in Lahore, Pakistan, Sci. Total Environ. 408 (2010) 1640–1648.
26 - J. Loyola, G. Arbilla, S. L. Quiterio, V. Escaleira, A.S. Minho, Trace metals in the
urban aerosols of Rio de Janeiro City, J. Braz. Chem. Soc. 23 (2012) 628–638.
27 - E.D. Wannaz, H.A. Carreras, J.H. Rodriguez, M.L. Pignata, Use of biomonitors for the
identification of heavy metals emission sources, Ecolog. Indicators 20 (2012) 163–169.
28 - I. Gupta, A. Salunkhe, R. Kumar, Source apportionment of PM10 by positive matrix
factorization in urban area of Mumbai, India, Scient. World J. (2012) ID 585791.
Departamento de Química
29 - R.L. Mariani, W.Z. de Mello, PM2.5–10, PM2.5 and associated water-soluble inorganic
species at a coastal urban site in the metropolitan region of Rio de Janeiro, Atmos.
Environ. 41 (2007) 2887–2892.
30 - F. Mazzei, A. D´Alessandro, F. Lucarelli, S. Nava, P. Prati, G. Valli, R. Vecchi,
Characterization of particulate matter sources in an urban environment, Sci. Total
Environ. 401 (2008), 81–89.
31 - P. Pant, R.M. Harrison, Critical review of receptor modelling for particulate matter:
A case study of India, Atmos. Environ, 49 (2012) 1–12.
32 - S.M. Serbula, T.S. Kalinovic, A.A. Ilic, J.V. Kalinovic, M.M. Steharnik, Assessment of
Airborne Heavy Metal Pollution Using Pinus spp. and Tilia spp., Aerosol and Air Qual.
Res. 13 (2013) 563–573.