Revista de Protección del Medio Ambiente, 2016, 7, 895-911

Publicado en línea puede 2016 SciRes. http://www.scirp.org/journal/jep

http://dx.doi.org/10.4236/jep.2016.76080

Optimización de Red de Monitoreo Atmosférico

Usando GIS basadas en técnicas de interpolación

Mohammed Shareef Mujtaba 1 *, Tahir Husain 1, Badr Alharbi 2

1 Facultad de Ingeniería y Ciencias Aplicadas, Universidad Memorial, de St. John, Canadá
2 Centro Nacional de Tecnología Ambiental, Ciudad Rey Abdulaziz para la Ciencia y la Tecnología, Riad, Arabia Saudita

Recibido el 5 de febrero de de 2016; aceptado el 20 de mayo de de 2016; Publicado 23 de May el año 2016

Copyright © 2016 por los autores y de Investigación Científica Publishing Inc.

Este trabajo está licenciado bajo la licencia Creative Commons Reconocimiento Internacional (CC BY).
http://creativecommons.org/licenses/by/4.0/

Abstracto

Este documento propone un método simple de optimizar Red de Monitoreo Atmosférico (RVCA) utilizando el Sistema
de Información Geográfica (GIS), técnicas de interpolación y datos históricos. estaciones de calidad del aire existentes
se eliminan de forma sistemática y los datos que faltan se rellenan utilizando la técnica de interpolación más apro- AP.
Los datos interpolados se comparan entonces con los datos observados. medidas predefinidas de rendimiento error
cuadrático medio (RMSE), error absoluto medio porcen- taje (MAPE) y el coeficiente de correlación (r) se utilizaron para
comprobar la exactitud de los datos interpo- lated. Se desarrolló un algoritmo en el entorno SIG y el proceso se simuló
por varios conjuntos de mediciones realizadas en diferentes lugares en Riad, Arabia Saudita.

Palabras clave

Calidad del aire Red de Seguimiento, SIG, interpolación, Kriging, IDW, Riad

1. Introducción
Es bien sabido que la contaminación del aire causa efectos adversos sobre la salud humana, además del impacto en ronment bientes. Debido a la rápida
urbanización y la industrialización, la contaminación del aire asume gran importancia especialmente en las grandes ciudades. La monitorización continua de la
contaminación del aire con una red de monitoreo de calidad del aire bien diseñado
*
Autor correspondiente.

Cómo citar este artículo: Shareef, MM, Husain, T. y Alharbi, B. (2016) Optimización de la Red de Monitoreo Atmosférico Usando técnicas de interpolación basada
en SIG. Revista de Protección del Medio Ambiente, 7, 895-911.
http://dx.doi.org/10.4236/jep.2016.76080
MM Shareef et al.

(RVCA) es el primer paso para abordar este problema. La obtención de los datos monitoreados continuamente para garantizar los niveles de seguridad de la
calidad del aire es uno de los principales objetivos de RVCA, además de evaluar los riesgos de exposición e implementación de estrategias de control
eficaces. agencias de protección ambiental estarían buscando un diseño óptimo de la reunión RVCA estos objetivos con un enfoque claro en la minimización
de costes.
La metodología para diseñar un nuevo RVCA RVCA o evaluar una existente atrajo la atención de varios investigadores. La sensibilidad máxima de los
datos recogidos [1] [2] y factores máximos de cobertura como la intensidad de las emisiones, la distancia fuente y la meteorología [3] fueron una de las
primeras técnicas para diseñar un RVCA. medida estadís- tica de contenido de información [4] y la medida de información de Fisher [5] se utilizó para
determinar el número mamá opti- y la ubicación de los monitores en una red. El diseño de un RVCA en el área metropolitana de Londres se llevó a cabo
por Handscombe y Elson [6] basado en el concepto de un análisis de correlación espacial. Lo mismo con- cepto que combina con un potencial de violación
fue utilizada por Arbeloa et al. [ 7] para diseñar una calidad óptima del aire redes Toring moni-. Noll y Mitsutome [8] desarrollado un método para diseñar
RVCA basado en dosis pol- ambiente lutant esperado. Este método clasifica ubicaciones potenciales mediante el cálculo de la relación de la dosis
esperada de una estación de más de la dosis total de la zona de estudio de. Otra metodología desarrollada por Nakamori y Sawaragi [9] determina las
áreas representativas de estaciones de monitoreo en áreas urbanas. Una perspectiva diferente, basado en el uso de la formación de Shannon in-, se
inició con los resultados de Caselton y Zidek [10] , Aplicado en una configuración univariado por Sampson y Guttorp [11] y Guttorp et al. [ 12] y luego se
extendió a un contexto multivariante por Pérez-Abreu y guez Rodrigues [13] . El concepto de esfera de influencia y factor de calidad se aplicó por McElroy et
al. [ 14] para calcular el número mínimo de sitios de monitoreo de calidad del aire. Una metodología sencilla para la ubicación de los monitores del aire
ambiente en la escala de barrio fue desarrollado por Richard et al. [ 15] y aplica como un estudio de caso en el condado de Hudson.

enfoque de programación lineal también fue utilizado por muchos investigadores a RVCA sitio óptimo. Un método de función de utilidad multi-atributo se
utilizó para la ubicación de la red de la calidad del aire por Kainuma et al. [ dieciséis] . Trujillo-Ventura y Ellis [17] aplicado múltiples objetivos, incluyendo la
cobertura espacial, detección de violación, validez de los datos y un método de ponderación para determinar la red más adecuada para Tarragona, España.
Chen et al. [ 18] desarrollado un modelo de optimización multiobjetivo de redes de monitoreo de calidad del aire en el Condado de Taoyuan, Taiwán. Se
desarrolló una tiple modelo de optimización multi- objetivo y el procedimiento para la calidad del aire planificación de redes de monitoreo sostenible. Un
enfoque holístico fue adaptado para el diseño óptimo de expansión de la red de monitoreo de calidad de aire en una zona urbana por Mofarrah y Husain [19] .
En este método de criterio múltiple enfoque con la técnica de correlación espacial se puso en práctica para diseñar una red de monitoreo de calidad del aire
ampliada de la ciudad de Riad en Arabia Saudita. Tseng y Ni-Bin [20] propuesto una técnica de programación compromiso algoritmo genético (GA) en base a
la evaluación de la reubicación de la estrategia de la red de monitoreo de calidad del aire urbano con respecto a los criterios de diseño de objetivos múltiples
y múltiples contaminantes. Silva y Quiroz [21] índice utilizado la información de Shannon a optim- ize red de monitorización atmosférica mediante la exclusión
de las estaciones menos informativos con respecto a diferentes lutants nantes aire. Un diseño óptimo de RVCA se llevó a cabo alrededor de una refinería
usando un modelo matemático basado en el enfoque de múltiples celdas con múltiples simultáneas contaminantes por Elkamel et al. [ 22] . Lu et al. [ 23] se utiliza
el análisis de componentes principales (PCA) y el análisis de conglomerados para optimizar la red de monitoreo de calidad del aire en Hong Kong. PCA y
Fuzzy C-means clustering se aplicó para la evaluación de monitoreo de calidad del aire en Turquía por Dogru- parmak et al. [ 24] . Los autores mostraron que
un número de estaciones de vigilancia se puede disminuir usando el dology meto-. Ferradas et al. [ 25] desarrollado una metodología basada en la
auto-organización de mapa (SOM) redes neuronales artificiales para la integración de datos sobre múltiples contaminantes medidos a estaciones de control
de grupo de acuerdo con su calidad del aire similares. El método propuesto considera la asignación geográfica subsiguiente de los grupos de ciones Sta
observados con el SOM, lo que hizo posible la detección geográficamente diferentes áreas que comparten problemas similares de contaminación del aire.

Los pasos que el sistema de campo de información geográfica (SIG) y sus componentes (como los métodos de interpolación) están haciendo como una
aplicación en casi todos los campos son increíbles. GIS e interpolación espacial técnicas también se utilizaron en RVCA. bayraktar et al. [ 26] se utiliza un enfoque
basado en Kriging para localizar el sitio de muestreo para la evaluación de la calidad del aire. Largos años de las mediciones de datos de humo se utilizaron en
la determinación de la re- gión para la representación por dibujo contornos a través del método Kriging. Entonces, la selección del sitio de muestreo en esta
región se realiza en base a los criterios de la EPA. Kriging deriva externa de las concentraciones de NOx con disper- sión salida del modelo fue utilizado por
Kassteele et al. [ 27] para reducir la incertidumbre en la estimación de parámetros debido a la reducción de la red de calidad del aire. las variables auxiliares SIG
se utilizaron para predecir niveles de compuesto y dióxido de nitrógeno orgánicos volátiles en lugares no controlados [28] . Las ecuaciones predictivas se
desarrollaron mediante la regresión de las mediciones monitor pasivo en los 22 escuelas monitorizados sobre las variables de uso del suelo derivados de GIS.
universalmente

896
 MM Shareef et al.

Se encontró método de interpolación Kriging Sal a obtener mejores resultados que otros métodos, cuando se hizo una comparación entre diferentes métodos de
interpolación mediante el desarrollo de mapas de contaminación del aire en toda la UE de alta resolución [29] . El mejor método para modelar las concentraciones fue
seleccionado sobre la base de las medidas de rendimiento predefinidos; coeficiente de correlación y RMSE. Una regresión monotónica generalizada basado en
B-splines con una aplicación al aire contamina- ción de datos fue propuesto por Leitenstorfer y Tutz [30] y el método de spline se utilizó para estimar los riesgos para la
salud que van desde la contaminación del aire a través de Escocia por Duncan [31] .

Los métodos resumidos anteriormente son muy útiles, bien establecido y se ha aplicado ampliamente; sin embargo, parece un simple metodología
basada en SIG reduciría aún más la complejidad del diseño de RVCA. La principal ventaja de la utilización de los SIG es que organiza los datos geográficos,
de tal manera que el proceso de toma de decisiones BE- viene fácil. Además de esto, proporciona varias funcionalidades avanzadas para gestionar los
datos estadísticos y espaciales, interpolar los datos para crear superficie lisa, extraer datos de la superficie interpolada, y crear algoritmos para automatizar
el proceso. Además, crea los resultados que se pueden visualizar en mapas interactivos que simplificarán aún más el proceso de toma de decisiones.
Siguiendo la indicación de estas ventajas, este documento propone un proceso sencillo e innovador para optimizar RVCA mediante el uso de SIG, métodos
de interpolación y los datos históricos. Las estaciones isting ex se eliminan sistemáticamente mediante la creación de varios mapas interpolados y
comparándolo con los valores servido obstructivas. El número de estaciones que pueden ser eliminados se rige por el rendimiento criterios predefinidos
Ures medi-. En los últimos tiempos una tendencia creciente de la contaminación del aire se ha observado en la ciudad de Riad de BIA ara- saudíes y hay un
énfasis en mediciones de la contaminación del aire frecuentes [32] , Por lo tanto Riad se utiliza como un estudio de caso para probar la metodología
propuesta.

2. Metodología
2.1. Los métodos de interpolación

Interpolación predice valores para las celdas de una trama utilizando un número limitado de puntos de datos de la muestra, lo que ayuda en la predicción de valores
desconocidos para cualquier estación geográfica. Se seleccionaron cinco métodos de interpolación para estimar las concentraciones de contaminación del aire en las
estaciones desconocidas. Los métodos seleccionados fueron: 1) la distancia inversa ponderada (IDW); 2) Spline (SPL); 3) Kriging Ordinario (OK); 4) Kriging universal
(Reino Unido) y 5) Vecino natural (NN). Estos métodos han sido ampliamente utilizados en la estimación de las concentraciones de contaminación del aire.

El IDW utiliza un método de interpolación que estima valores de celda promediando los valores de puntos de datos de muestra en la vecindad de cada celda
de procesamiento [33] . Cuanto más cerca de un punto es el centro de la célula que se está esti- acoplado, más influencia o peso que tiene en el proceso de
promediado y se ha utilizado en varios casos a IN- terpolate las concentraciones de contaminantes atmosféricos [34] - [36] .

El SPL utiliza un método de interpolación que estima valores usando una función matemática que minimiza curvatura de la superficie global, dando como
resultado una superficie lisa que pasa exactamente a través de los puntos de entrada. Este método fue encontrado superior en mayor o menor riesgo para la salud de
la contaminación atmosférica [31] y también fue recomendado por Leitenstorfer y Tutz [30] .

Kriging es un procedimiento geo-estadístico avanzado que genera una superficie estimada a partir de un conjunto disperso de puntos con valores z.
Mientras Kriging es una combinación ponderada de los valores del monitor, este método también usa autocorrelación espacial entre los datos para
determinar los pesos. Generalmente Kriging tiene dos formas diferentes es decir Kriging ordinario y universal [37] . En el Kriging ordinario el valor medio se
supone constante y determina durante la interpolación y universal Kriging supone que los datos sigue una tendencia conocida. Kriging ordinario y universal
con anterioridad se han utilizado con éxito para modelar la capa de ozono [38] y partículas [39] a escala local, y para modelar las variaciones amplias escala
en la contaminación del aire de fondo [40] . Kriging también ha sido implementado en varias otras matrices diantes [29] [41] [42] .

interpolación Natural Neighbor encuentra el subconjunto de muestras de entrada más cercano a un punto de consulta y aplica ponderaciones a ellas basadas en las

áreas proporcionadas para interpolar un valor. También se conoce como Sibson o la interpolación “zona de robo”.

2.2. Medidas de desempeño

Un error estadístico es la cantidad por la cual una observación difiere de su valor esperado. Los índices estadísticos seleccionados para medir el
rendimiento son Root Mean Square Error (RMSE), media absoluta Porcentaje de error (MAPE), la ecuación Nash-Sutcliffe (NSE) [43] Y Factor
Precisión (ACFT) [44] dado por las ecuaciones (1) a (4), respectivamente. Pearson coeficiente de correlación (r) se midió también para comprobar
la fuerza y ​la dirección de lineal

897
MM Shareef et al.

relación entre los valores observados y interpolados.

1 norte 2
RMSE = Σ yo= 1
( Intr Obs
yo
- n yo
) (1)

1 norte
• Intr Obs- n •
Σ
yo yo
MAPE = •• •• (2)
yo= 1
• intr yo •
norte 2

Σ en= 1
( Intr Obs
yo
- Obs yo )
NSE 1 = - 2
(3)
Σ ( intr )
*
yo
- yo
yo =1

• • •
ii •
• Intr •• •
Iniciar•sesión
•
• • Obs • •
•∈ n •
ACFT 10= • •
(4)

dónde intr i = valor interpolado; Obs i = valor observado; n = número de observaciones.

RMSE es la medida utilizada frecuentemente de las diferencias entre los valores pronosticados por un modelo o un estimador y los valores
realmente observados. Básicamente representa la desviación estándar de la muestra de las diferencias BE- Tween predicho y observado valores.
RMSE da información importante en la predicción de la magnitud de una concentración lutant Pol, una medida cercana a cero representa buenas
predicciones. La absoluta error porcentaje medio denotado por MAPE se calcula dividiendo la suma de error porcentaje en número de
observaciones, y un valor igual o cercano a cero se considera ideal. Coeficiente de correlación es una medida de la dependencia lineal entre dos
variables, y se eligió para obtener una indicación de la correspondencia de sincronización y la evolución entre ob- servido y valores de
concentración interpolados. El coeficiente de eficiencia (NSE) indica el ajuste normalizada del modelo, el valor varía desde -∞ a 1. Se compara el
error cuadrático medio generado por una simulación modelo en particular a la varianza de la secuencia de salida; un valor de 1 indica un ajuste
perfecto [43] . Ross [44] propuesto un factor multiplicativo sencilla factor llamado precisión (ACFT) que representa la propagación de los resultados de
los datos modelados. Un valor de uno indica que no es perfecto acuerdo entre todos los valores modelados los predichos y los valores superiores y
que uno indica la estimación promedio de menos preciso.

Varios estudios han utilizado las estadísticas de error en la comparación de los datos observados y pronosticados meteorología y calidad del aire. RMSE fue utilizado
por Shad et al. [ 42] en la comparación de los datos observados con la contaminación del aire predicho usando Kriging lineal difusa genética. Monteiro et al. [ 45] utilizado en
técnicas de corrección de sesgo para mejorar las predicciones semble en- calidad del aire y el Hijo et al. [ 46] utilizado en el estudio de la exposición individual a la
contaminación del aire y la función pulmonar en Corea. Los mapas a escala comunitaria fueron preparados de acuerdo a las variables predictoras y las concentraciones
de contaminación del aire modelado fueron seleccionados en las medidas de rendimiento predefinidas r 2 y RMSE. Un valor de RMSE <10 y r 2 >

0,5 se consideraron una buena medida de rendimiento [29] . Singh et al. [ 47] usada RMSE, ACFT y NSE como medidas per- formance de diferentes modelos
lineales y no lineales enfoques para la predicción de la calidad del aire urbano. La radiación solar y el índice de contaminación del aire se estimaron sobre la
base de lineales, exponenciales y logarítmicas modelos y los índices similares fueron utilizados para comprobar el índice de rendimiento en China [48] . En el
estudio actual, RMSE, MAPE yr 2

fueron utilizados principalmente como medida de rendimiento; RMSE <8 MAPE <25% y r 2 > 0,5 se consideraron una buena medida.

2.3. Estación proceso de eliminación

El objetivo principal de este proceso de optimización es eliminar tantas estaciones como sea posible y llenar la información que falta a través de
los valores interpolados. Los pasos implicados en este proceso se ilustran en la Figura 1 y elaborado como sigue.

Paso 1: La selección de estaciones

Como un primer paso, una estación individual (P) o un conjunto de estaciones (P 1, PAG 2 ...) se seleccionan para ser eliminado de la taset DA vector utilizado para la
creación de la trama. Una estación en particular o conjunto de estaciones pueden ser elegidos o conjunto de todas las estaciones de posibles probados en un bucle.

Paso 2: El almacenamiento de los valores observados

Las concentraciones observadas en la estación seleccionada (P ()) o estaciones (P 1 (), PAG 2 () ...) se almacenan como matrices. Estos valores serán posteriormente
comparados con los valores interpolados.

898
 MM Shareef et al.

Figura 1. proceso de eliminación de la estación.

899
MM Shareef et al.

Paso 3: La creación de capa vectorial

Una capa de vector es un modelo de datos basado en coordenadas que representa características geográficas, tales como puntos. Cada punto es la estación
representada por las coordenadas geográficas. La capa tiene una columna de valores “z” utilizados para polación inter. Varias columnas de valores “z” es decir la
concentración de los contaminantes se añaden al vector para La simulación. En este paso se crea la capa de vector sin las estaciones seleccionadas.

Paso 4: La creación de la trama a partir del vector

Raster se define como un modelo de datos espacial que define el espacio como una matriz de células de igual tamaño dispuestas en filas y columnas, y
compone de bandas individuales o múltiples. Cada célula contiene un valor de atributo y la ubicación dinates dinación. Rasters se crean utilizando los datos
del vector y la aplicación de técnicas de interpolación apropiados. En este paso cinco raster se crean utilizando IDW, Spline, Kriging Ordinario, Universal
Kriging y métodos naturales vecino.
Paso 5: Extraer el valor interpolado
Este paso calcula las concentraciones predichas. Los valores en las estaciones eliminadas se extraen de los rasters creados. Los valores para cada método de
interpolación (IDW, SPL, OK, Reino Unido, y NN) se almacenan en matrices independientes (IDW 1 (), IDW 2 () ...; SPL 1 (), SPL 2 () ...; DE ACUERDO 1 (), DE ACUERDO 2 () ...;
Reino Unido 1 (), Reino Unido 2 () ...; y NN 1 (), NN 2 () ...). Este proceso de interpolación y el valor de la extracción se repite para todos los conjuntos de datos observados.

Paso 6: Medida de rendimiento

El proceso de interpolación y de extracción de valores genera matrices de los valores interpolados. En este paso, las medidas de rendimiento se
aplican a los valores observados y los interpolados. RMSE, Bias, y el coeficiente de correlación se calculan para las estaciones seleccionadas y los
cinco métodos de interpolación. El método de interpolación que gene- tasas se elige entonces la medida de rendimiento mínimo y los demás se
descartan. Estas medidas se En comparación con los límites de umbral predefinido y si las medidas se encuentran dentro del límite, que se almacenan
en la matriz ble combinaciones estación posi- C ().

Paso 7: Repetir para otra estación de combinación

El proceso se repite para otra combinación de estación hasta que todas las combinaciones se han agotado.
Paso 8: Encontrar la mejor combinación posible de estación
Las mejores combinaciones posibles de estaciones se pueden elegir de la lista de combinación posible estación de matriz C (). El tomador de decisiones puede
entonces elegir de la lista de posibles combinaciones de estaciones que pueden ser eliminados de la RVCA.

2.4. Estudio de ubicación y mediciones de campo

La metodología propuesta se aplica a la ciudad de Riad, Arabia Saudita. La ciudad está dividida en dieciséis células que son idénticas en la zona y cada
célula es de 12 km x 12 km. Las mediciones se llevaron a cabo de forma intermitente desde septiembre de 2011 a septiembre de 2012. La mayoría de las
mediciones se han realizado aproximadamente en el cen- tro de cada célula ( Figura 2 ) con dos equipadas estaciones de control de calidad del aire
móviles capaces de monitorizar las variables me- teorological, así como CO, O 3, NO X, CH 4, OC, EC y PM2.5. Sin embargo, la metodología propuesta en
este estudio se lleva a cabo por las siguientes cuatro contaminantes criterio es decir ASI QUE 2, NO X, O 3 . Y CO El tipo de sensores utilizados con su
respectivo método de monitorización para los contaminantes utilizados en este estudio son: NO, NO 2

y no X- quimioluminiscencia; CO-Dual NDIR Beam; O 3- Fotómetro UV; y entonces 2- La fluorescencia UV.

Como se escalonan las mediciones, con el fin de obtener un conjunto de datos continua, se prepararon 24 conjuntos de datos a partir de las mediciones
disponibles promediando las mediciones por hora para todo el período de estudio para todos los 16 estaciones. Estos 24 conjuntos de datos se utilizaron para
la simulación para crear la trama con diferentes técnicas de interpolación y compararse con los valores observados. ArcGIS de ESRI (ESRI, Redlands) expone
varias funciones para ejecutar las laciones interpo- y extraer los datos necesarios. Estas funciones fueron adaptados para ejecutar el proceso de simulación a
través de Microsoft Visual Basic para aplicaciones medio ambiente (VBA) en ArcGIS.

3. Resultados y discusión

Los datos de concentración de contaminantes se recogieron de 16 estaciones como se muestra en Figura 2 . Se supone que se necesita un mínimo de 8
estaciones para producir mapas interpolados fiables, por lo tanto, hasta 8 posibles escenarios de eliminación fueron simuladas. tabla 1 describe los detalles
de simulación tales como el número de estaciones a ser eliminado, número posible de combinaciones, número de simulaciones y el tiempo aproximado de
la simulación (en un alto PC final). Como se ve en la tabla, las combinaciones de la estación y la potencia de cálculo requeridos aumento con el aumento en
el número de estaciones. La metodología propuesta en este estudio se prueba en 4 contaminantes a saber O 3, NO X y

900
 MM Shareef et al.

Figura 2. Distribución de RVCA en Riad.

Tabla 1. parámetros de simulación.

No. de estaciones para ser eliminado Las posibles combinaciones No. de simulaciones El tiempo aproximado de la simulación (horas)

1 dieciséis 1920 0.3

2 120 14400 2.25

3 560 67.200 10.5

4 1820 218.400 34

5 4368 524160 81

6 8008 960960 150

7 11440 1372800 214

8 12,870 1544400 241

ASI QUE 2 y CO, y los resultados de las simulaciones se discuten como sigue. La interpolación se realizó usando cinco métodos es decir IDW, Spline, OK,
Reino Unido y NN. El IDW y el Reino Unido superaron a otros métodos en particular en términos de producción de RMSE inferior, los valores de MAPE y
más alto valor de r 2.

3.1. O 3

Tabla 2 presenta los resultados de la simulación para O 3. Los valores de RMSE, r 2, MAPE, NSE y ACFT se muestran junto con el número de
estaciones para ser eliminado. Las variaciones de RMSE, MAPE y r 2 con respecto a las estaciones se ilustran en las figuras 3-5 respectivamente.
La estación 11 era la mejor estación individual que podría ser eliminado y las estaciones 4, 5, 6, 8, 11, 12, 15, y 16 fueron los mejores ocho
estaciones. MAPE RMSE y el aumento de 3,224 a 7,018 y 4,041 a 49,61 de una eliminación estación a ocho respectivamente. Del mismo modo
NSE y ACFT disminuyeron 0,944 a 0,775 y 0,960 a 1,138, respectivamente. A fin de limitar MAPE dentro del 25%, número máximo de estación
que podría ser eliminado eran 6 (4, 8, 11, 12, 13, y 15), esto también genera un RMSE tisfactory SA- (6.113) y r 2 ( 0,831). factor de exactitud es
decir ACFT fue de 1,015, que se considera que es muy

901
MM Shareef et al.

Buen rendimiento. Las 10 estaciones restantes que se requieren para producir mapas satisfactorios de ozono se muestran en la Figura 6 ; estas estaciones esencialmente

podrían ser considerados como puntos de acceso de O 3 las emisiones.

Las fuentes primarias de nivel del suelo O 3 son automóviles, fábricas de cemento y de alimentación, las actividades de construcción y fuentes biogénicas o naturales.

También son conocidas las pequeñas industrias, tales como talleres de pintura, tintorerías y panaderías para contribuir O 3. Estas 10 estaciones caen dentro de estas áreas.

Las estaciones 10 y 7 están situadas en una densa zona residencial, y las estaciones 2 y 3 están en zona industrial. Las zonas agrícolas se encuentran cerca de la

estación 9, y las actividades de cons- trucción se reportan cerca de la estación 14 de la estación 1 y 16 son las afueras de la ciudad donde se encuentran las industrias de

pequeña escala.

3.2. NO X

Los resultados de simulación para NO X las concentraciones se muestran en la Tabla 3 . Para el escenario de eliminación una estación, se

Tabla 2. Las medidas de rendimiento de O 3 simulaciones.

No. de estación (s) a estación Optimal (s) combinación Interpol.

RMSE r2 MAPE NSE ACFT
ser eliminado que se pueden eliminar método

1 11 IDW 3.224 0,953 4,041 0,944 0,960

2 11, 15 IDW 3,811 0,925 5.153 0,919 0,973

3 4, 11, 15 Reino Unido 3,964 0,913 7.991 0,901 1.003

4 4, 11, 12, 15 Reino Unido 4.588 0,911 15.699 0,884 1,099

5 4, 5, 11, 15, 16 IDW 5.495 0,862 22.805 0,844 1.095

6 4, 8, 11, 12, 13, 15 Reino Unido 6.113 0,831 25.322 0,821 1.015

7 4, 5, 8, 11, 12, 15, 16 IDW 6,488 0,832 36.469 0,809 1,081

8 4, 5, 6, 8, 11, 12, 15, 16 IDW 7,018 0,817 49.610 0,775 1.138

Figura 3. Variación de la RMSE con respecto a la combinación de estaciones que se eliminan.

902
 MM Shareef et al.

Figura 4. Variación de MAPE con respecto a la combinación de estaciones que se eliminan.

Figura 5. Variación de r 2 con respecto a la combinación de estaciones que se eliminan.

903
MM Shareef et al.

La Figura 6. Estaciones requeridas para generar O 3 mapas de concentración (RMSE <7 y MAPE <25).

Tabla 3. Las medidas de desempeño para NO X simulaciones.

No. de estación (s) a estación Optimal (s) combinación Interpol.

RMSE r2 MAPE NSE ACFT
ser eliminado que se pueden eliminar método

1 11 IDW 5,999 0,865 3,792 0,848 1.020

2 3, 11 IDW 7.470 0,808 4.006 0,731 0,961

3 3, 5, 11 Reino Unido 9,084 0,619 6,591 0,599 0,984

4 3, 5, 7, 11 Reino Unido 10.766 0,439 12.184 0,430 1,025

5 3, 5, 7, 11, 14 IDW 11.521 0,461 15.621 0,459 1.022

6 3, 5, 7, 11, 14, 16 Reino Unido 12.119 0,438 19.839 0,438 1.019

7 3, 5, 6, 7, 11, 14, 16 IDW 14.834 0,395 23.148 0,341 0,966

8 1, 3, 5, 6, 7, 11, 14, 16 IDW 14.684 0,312 27.468 0,287 0,977

Se encontró que la estación 11 fue el mejor con un RMSE = 5,999; MAPE = 3,792 y r 2 = 0.864. Estos valores aumentaron a 14.684, 27.468 y
0.312, respectivamente, para 8 estaciones eliminaciones ( las figuras 3-5 ). Para rio de ≤25 MAPE scena-, 7 un máximo de 7 estaciones podría
ser eliminado (3, 5, 6, 7, 11, 14, y 16), sin embargo RMSE y r 2

valores no estaban dentro de los límites predefinidos. Tomando la MAPE como prioridad, se necesita un mínimo de 9 estaciones para producir NO satisfactoria X mapas
de concentración como se muestra en Figura 7 . Además de las emisiones industriales, la principal fuente de NO X es de las emisiones de los automóviles, estos
son razonablemente distribuidos de manera uniforme sobre el área de estudio, y se requiere por lo tanto menos número de estaciones para producir los mapas
de concentración. Estaciones 4 y 8 significan la presencia de industrias y las otras estaciones están distribuidas en las zonas densamente pobladas en la ciudad
donde los automóviles se mueven predominantemente. El ACFT = 0,966 y NSE = 0,341 apoya la eliminación de los 7 ciones Sta.

3.3. ASI QUE 2

Estación 1, que se encuentra afueras de la ciudad, fue la mejor estación para ser eliminado con RMSE = 2,155,

904
 MM Shareef et al.

La Figura 7. Estaciones requeridas para generar NO X mapas de concentración (RMSE <15 y MAPE <25).

MAPE = 2,155 y r 2 = 0,944. Durante ocho estaciones, estos parámetros aumentaron a 9.962, 69.931 y 0.301, respectiva- mente como se muestra en Tabla
4 . Para limitar el valor MAPE a <25, un máximo de 5 estaciones podría ser eliminado.
Figura 8 muestra el resto de 11 estaciones requiere para producir el SO 2 Los mapas de concentración. Se necesita el mayor número de estaciones para esto, como las
fuentes de SO 2 se distribuyen con una amplia variación en la concentración. Las estaciones en el sur es decir 2, 3, 7, 8 son predominantemente localizado en la zona
industrial donde se encuentran plantas de energía y Ries refinamientos. Otras estaciones se encuentran en la zona residencial, donde los gases de escape de
automóviles podría ser la fuente de SO 2. La estación 9 se encuentra en la zona de la agricultura y 14 y 16 están situados en los talleres de automóviles y zonas
industrias de pequeña escala.

3.4. CO

Los resultados de las simulaciones se ejecutan en los datos de CO se muestran en la Tabla 5 . Dado que las concentraciones de CO eran muy pequeñas, los valores de
RMSE también eran muy pequeñas que van 0,144-0,329 ( figura 3 ). MAPE valores variaron de 6.608 a
51.586 para una estación a ocho eliminación estación como se muestra en Figura 4 . La estación 10 era la mejor estación individual que podría ser eliminado
y las estaciones 2, 4, 7, 9, 10, 14, 15, y 16 fueron los mejores ocho estaciones. Sin embargo, para que el MAPE a estar dentro de 25, un máximo de sólo 5
estaciones podría ser eliminada como se muestra en Tabla 5 .
El NSE, ACFT y r 2 los valores fueron satisfactorios para esta eliminación 5 estación. Figura 9 muestra el resto de 12 ciones Sta que son necesarios para hacer buenos
mapas de concentración de CO. Como se muestra en la figura, la mayoría de las estaciones están cated LO- en zonas industriales o las áreas altamente densamente
pobladas.

3.5. En general

Como se observa a partir tablas 2-5 , no hay ninguna estación única que es común entre la lista de posibles estaciones de eliminación. Tabla 6 esboza las
estaciones requeridas contra cada contaminante para lograr el nivel MAPE de 25. Esto indica que las fuentes de los contaminantes son muy variadas con
respecto a la ubicación. Será hasta el tomador de decisiones para priorizar el contaminante y seleccionar las estaciones. tablas 7-10 ilustrar los parámetros
estadísticos que toman las estaciones prioritarias para O 3, NO X, ASI QUE 2 y CO, respectivamente. Para el caso de O 3 como prioridad, MAPE para NO X

905
MM Shareef et al.

Tabla 4. Las medidas de desempeño para el SO 2 simulaciones.

No. de estación (s) a estación Optimal (s) combinación Interpol.

RMSE r2 MAPE NSE ACFT
ser eliminado que se pueden eliminar método

1 1 Reino Unido 2,155 0,323 2,155 - 1,507 0,983

2 1, 4 IDW 3,991 0,446 5.925 0,421 1,029

3 1, 4, 13 Reino Unido 4.599 0,375 10.792 0,355 1.042

4 1, 4, 6, 13 IDW 4,737 0,268 15.562 0,167 1,063

5 1, 4, 6, 13, 15 IDW 5.124 0,582 25.187 0,428 1.140

6 1, 4, 6, 11, 13, 15 IDW 6.258 0,642 43.558 0,284 1,248

7 1, 4, 6, 7, 11, 13, 15 Reino Unido 7.579 0,469 60.337 0,038 1,278

8 1, 4, 6, 7, 9, 11, 13, 15 Reino Unido 9,962 0,301 69.931 0,100 1,279

Tabla 5. Las medidas de rendimiento de CO simulaciones.

No. de estación (s) a estación Optimal (s) combinación Interpol.

RMSE r2 MAPE NSE ACFT
ser eliminado que se pueden eliminar método

1 10 IDW 0,144 0,877 6,608 0,841 0,914

2 10, 16 Reino Unido 0,174 0,838 6,842 0,775 0,901

3 2, 10, 16 Reino Unido 0,237 0,807 11.283 0,671 0,863

4 2, 10, 14, 16 Reino Unido 0,239 0,718 16.928 0,659 0,915

5 2, 9, 10, 14, 16 IDW 0,236 0,665 25.182 0,647 0,953

6 2, 4, 9, 10, 14, 16 IDW 0,287 0,581 34.782 0,476 0,870

7 2, 4, 7, 9, 10, 14, 16 IDW 0,288 0,509 44.646 0,467 0,951

8 2, 4, 7, 9, 10, 14, 15, 16 Reino Unido 0,329 0,444 51.856 0,374 0,926

Figura 8. Estaciones requeridas para generar SO 2 mapas de concentración (RMSE <5 y MAPE <25).

906
 MM Shareef et al.

La Figura 9. Estaciones requeridos para generar mapas de concentración de CO (RMSE <0,24 y MAPE <25).

Tabla 6. Contaminantes y las estaciones necesarias para alcanzar MAPE <25.

Contaminante Estaciones necesarios para alcanzar MAPE <25

O3 1, 2, 3, 5, 6, 7, 9, 10, 14, 16

NO X 1, 2, 4, 8, 9, 10, 12, 13, 15

ASI QUE 2 2, 3, 5, 7, 8, 9, 10, 11, 12, 14, 16

CO 1, 3, 4, 5, 6, 7, 8, 11, 12, 13, 15

Tabla 7. Los parámetros con prioridad como O 3.

Contaminante RMSE r2 MAPE NSE ACFT

O3 6.114 0,831 25.322 0,821 1.016

NO X 24.173 0,208 57.374 0,189 1.122

CO 0,490 0,234 82.670 0,221 1.112

ASI QUE 2 17.579 0,056 240.894 - 4.570 2,302

Tabla 8. Los parámetros con prioridad como NO X.

Contaminante RMSE r2 MAPE NSE ACFT

NO X 14.834 0,396 23.148 0,341 0,966

CO 0,565 0,285 73.538 0,275 1,183

O3 10.736 0,815 85.331 0,432 1.438

ASI QUE 2 37.826 0,109 198.364 - 0,194 0,900

907
MM Shareef et al.

Tabla 9. Los parámetros con prioridad como SO 2.

Contaminante RMSE r2 MAPE NSE ACFT

ASI QUE 2 5,125 0,582 25.128 0,431 1.139

O3 11.834 0,550 28.723 0,496 0,929

NO X 26.512 0,063 51.687 0,045 1.101

CO 0,740 0,182 80.081 0,141 1.038

Tabla 10. Los parámetros con prioridad como CO.

Contaminante RMSE r2 MAPE NSE ACFT

CO 0,236 0,665 25.181 0,647 0,953

NO X 17.480 0,287 31.760 0,283 1,047

O3 15.769 0,343 60.332 0,310 1.004

ASI QUE 2 20.571 0,149 327.356 - 1,631 3,067

y CO es de aproximadamente 57 y 82 mientras SO 2 tiene un valor muy alto MAPE de más de 240. Teniendo en cuenta NO X como prioridad, valor MAPE para CO y
O 3 eran aproximadamente 73 y 85. En este caso también SO 2 tiene muy alta MAPE (más de 198) como se muestra en Tabla 8 . El valor MAPE de O 3 y no X fueron
menos de 50 en el caso de SO 2 estaciones de prioridad, mientras que el CO era poco más de 80. Tomando CO como prioridad produjo un valor MAPE de 31 y 60
para el NO X y O 3 mientras SO 2
producido exorbitantemente alto valor de 327 ( Tabla 10 ).

4. Conclusiones

Se propone un método simple de optimizar el RVCA usando GIS, técnicas de interpolación y los datos históricos. estaciones de calidad del aire
existentes se eliminan de forma sistemática y los datos que faltan se rellenan utilizando la técnica de interpolación más apro- AP. Los datos
interpolados se comparan entonces con los datos observados. Pre-definido medidas de rendimiento RMSE, MAPE yr 2 se utilizaron para comprobar la
exactitud de los datos interpolados. NSE y ACFT apoyaron la validez de los datos interpolados. El proceso se simuló para varios conjuntos de datos
observados utilizando un algoritmo desarrollado en el entorno GIS. Con el fin de conseguir un valor de MAPE de 25 o menos, ninguna combinación de
estación podría ser eliminado para todos los contaminantes. Los contaminantes pueden ser priorizadas para lograr el escenario más óptimo. Los
resultados de la priorización mostraron que el escenario más óptima fue para el SO 2 estaciones, que alcanzó MAPE para O 3, NO X y CO
aproximadamente 28, 51 y 80, respectivamente.

Esta metodología ha demostrado ser útil para los tomadores de decisiones para encontrar números óptimos de las estaciones que son necesarios sin
comprometer la cobertura de las concentraciones en toda el área de estudio. Aunque se trata de un procedimiento sencillo, que sí tiene algunas limitaciones. Se
requiere un conjunto continuo de datos para obtener los resultados de la simulación fiables, debido a la falta de disponibilidad de tales datos continua; el conjunto de
datos escalonada se promedia como datos por hora de un día y simula en presente estudio de caso. En segundo lugar, el proceso es el cálculo intensivo y por lo
tanto requiere grandes recursos de computación, aunque no muy caro en estos días. Por último, varios parámetros pueden ser incluidos en las medidas per-
Formance para obtener los resultados más apropiados.

Expresiones de gratitud

Agradecemos el apoyo financiero de la Ciudad Rey Abdulaziz para la Ciencia y la Tecnología (KACST) bajo el número de concesión 32-594.

referencias
[1] Koda, M. y Seinfeld, JH (1978) Emplazamiento de Monitoreo del Aire en el objetivo. EPA-600 / 4-7-036. EE.UU. Protec- Ambiental
Agencia ción, de Las Vegas. [2] Caselton, WF y Husain, T. (1980): Redes Hidrológicas Transmisión de Información, Diario de la Re- Agua

fuentes de la División de Gestión, Planificación y ASCE, 106, 503-520. [3] Hougland, ES, Oades, TW y Shank, KE (1980) Diseño del SO 2 y aire de

partículas de la Red de Seguimiento de

la planta de vapor fósil Laboratorio Nacional de Oak Ridge. Actas de la UCC-ND y GAT Waste Management Se-

908
 MM Shareef et al.

Minar, Amistad, 22-23 de abril de 1980, 255-264. [4] Pickett, EE y Whiting, RG (1981) el diseño de redes de monitoreo atmosférico
rentable. Ambiental
El seguimiento y la evaluación, 1, 59. http://dx.doi.org/10.1007/BF00836876

[5] Husain, T. y Khan, SM (1983) Monitoreo Atmosférico de diseño de red utilizando la información de Fisher-Medidas de un caso
Estudiar. Atmospheric Environment, 17, 2591-2598. http://dx.doi.org/10.1016/0004-6981(83)90087-2

[6] Handscombe, CM y Elson, DM (1982) La racionalización de la Encuesta Nacional de Vigilancia de la contaminación atmosférica Net-
el trabajo del Reino Unido Uso del análisis de correlación espacial: Un estudio de caso del área metropolitana de Londres. Fera Medio Ambiente atmosféri-, 4B, 395.
http://dx.doi.org/10.1016/0004-6981(82)90195-0

[7] Arbeloa, USF, Caseiras, CP y Andrés, PML (1993) Monitoreo de la Calidad del Aire: Optimización de una red en torno a una
Planta de Potasa hipotético en el campo abierto. Atmospheric Environment, 27A, 729-738.
http://dx.doi.org/10.1016/0960-1686(93)90190-A

[8] Noll, KE y Mitsutomi, S. (1983) Metodología de diseño para una óptima dosificación del aire Monitoreo Selección del sitio. fera
atmosféri- Medio Ambiente, 17, 2583-2590. http://dx.doi.org/10.1016/0004-6981(83)90086-0

[9] Nakamori, Y. y Sawarangi, Y. (1984) Diseño interactivo de la calidad del aire a nivel urbano Red de Seguimiento. fera
atmosféri- Medio Ambiente, 8, 793-799. http://dx.doi.org/10.1016/0004-6981(84)90263-4

[10] Caselton, WF y Žídek, JV (1984) Optimal monitoring de redes Designs. Estadística y Probabilidad, Cartas 2,
223-227. http://dx.doi.org/10.1016/0167-7152(84)90020-8

[11] Sampson, PD y Guttorp, P. (1992) estimación no paramétrica de la Estructura no estacionaria espacial de covarianza. distas
nal de la Asociación Americana de Estadística, 87, 108-126. http://dx.doi.org/10.1080/01621459.1992.10475181

[12] Guttorp, P., Le, Dakota del Norte, Sampson, PD y Zidek, JV (1993) El uso de la entropía en el rediseño de un Mon- Ambiental
Red itoring. Informe Técnico, Departamento de Estadística, Universidad de British Columbia, 116. [13] Pérez-Abreu, V. y Rodríguez, JE

(1996) Índice de Efectividad de un Monitoreo Ambiental multivariado Net-

trabajo. Environmetrics, 7, 489-501. http://dx.doi.org/10.1002/(sici)1099-095x(199609)7:5<489::aid-env224>3.0.co;2-0

[14] McElroy, JL, Behar, JV, Meyers, TC y Liu, MK (1986) Metodología para el Monitoreo de Calidad del Aire Proyectos
Redes: II. Aplicación a Las Vegas, Nevada, por monóxido de carbono. Monitoreo y Evaluación Ambiental, 6,
13-34. http://dx.doi.org/10.1007/BF00394285

[15] Richard, WB, Russell, WW y David, KH (2002) Metodología para la ubicación del aire ambiente monitores al Neigh-
Escala borhood. Revista de la Asociación de aire y gestión de residuos, 52, 1433-1442.
http://dx.doi.org/10.1080/10473289.2002.10470870

[dieciséis] Kainuma, Y., Shiozawa, K. y Okamoto, S. (1990) Estudio de la asignación óptima de Monitoreo aire ambiente Sta-
ciones. Medio Ambiente Atmosférico. El ambiente de la Parte B. Urbano, 24, 395-406.
http://dx.doi.org/10.1016/0957-1272(90)90047-x

[17] Trujillo-Ventura, A. y Ellis, JH (1991) multiobjetivo Contaminación del aire Monitoreo de diseño de red. atmosférica En-
entorno de. Parte A. Temas Generales, 25, 469-479. http://dx.doi.org/10.1016/0960-1686(91)90318-2

[18] Chen, C., Liu, W. y Chen, C. (2006) Desarrollo de la teoría de la planificación de objetivos múltiples y sistema para Sustaina-
bles redes de monitoreo de calidad del aire. Ciencia of the Total Environment, 354, 1-19.
http://dx.doi.org/10.1016/j.scitotenv.2005.08.018

[19] Mofarrah, A. y Husain, T. (2010) Un enfoque holístico para el diseño óptimo de la Red de Monitoreo Atmosférico Ex
pansión en un área urbana. Atmospheric Environment, 44, 432-440. http://dx.doi.org/10.1016/j.atmosenv.2009.07.045

[20] Tseng, CC y Ni-Bin, C. (2001) Evaluación de Reubicación Estrategias de Calidad del Aire Urbano estaciones de monitoreo de
GA-Basado Programación de transacción. Entorno internacional, 26, 523-541.
http://dx.doi.org/10.1016/S0160-4120(01)00036-8

[21] Silva, C. y Quiroz, A. (2003) Optimización de la contaminación atmosférica en la Red de Seguimiento de Santiago de Chile.
Atmospheric Environment, 37, 2337-2345. http://dx.doi.org/10.1016/S1352-2310(03)00152-3

[22] Elkamel, A., Fatehifar, E., Taheri, M., Al-Rashidi, MS y Lohi, A. (2008) A enfoque de optimización heurística para
Diseño de Monitoreo Atmosférico de la red con la consideración simultánea de múltiples contaminantes. Diario de Gestión bientes ronmental, 88, 507-516.
http://dx.doi.org/10.1016/j.jenvman.2007.03.029

[23] Lu, W., He, H. y Dong, L. (2011) Evaluación del rendimiento de las redes de monitoreo de calidad del aire comprimido con la directora
Análisis de los componentes y de análisis de conglomerados. Construcción y Medio Ambiente, 46, 577-583.
http://dx.doi.org/10.1016/j.buildenv.2010.09.004

[24] Dogruparmak, SC, Keskin, GA, Yaman, S. y Alkan, A. (2014) Uso del análisis de componentes principales y Fuzzy
C-agrupamiento de medios para la Evaluación de Monitoreo de Calidad del Aire. Contaminación atmosférica de Investigación, 5, 656-663.
http://dx.doi.org/10.5094/APR.2014.075

[25] Ferradas, GF, Minarro, MM, Terres, IMM y Martínez, FJM (2010) Un enfoque para determinar Aire contamina-

909
MM Shareef et al.

Sitios de Monitoreo ción. Atmospheric Environment, 44, 2640-2645. http://dx.doi.org/10.1016/j.atmosenv.2010.03.044

[26] Bayraktar, H. y Turalioglu, FS (2005) Un enfoque basado en Kriging para localizar un sitio de muestreo-En el Assessment
ción de la calidad del aire. Estocástico Investigación Ambiental y Evaluación de Riesgos, 19, 301-305.
http://dx.doi.org/10.1007/s00477-005-0234-8

[27] Kassteele, J., Stein, A., Dekkers, ALM y Velder, GJM (2009) deriva externa Kriging de NO X Las operaciones de concentración
Salida de dispersión Modelo en una red de monitoreo de calidad de aire reducido. Estadísticas ambientales y ecológicos, dieciséis,
321-339. http://dx.doi.org/10.1007/s10651-007-0052-x

[28] Smith, L., Mukerjee, S., Gonzales, M., Stallings, C., Neas, L., Norris, G. y Ozkayanak, H. (2006) Uso de GIS y
Las variables auxiliares para predecir compuestos de nitrógeno y dióxido de niveles orgánicos volátiles en ubicaciones no supervisadas.
Atmospheric Environment, 40, Desde 3773 hasta 3787. http://dx.doi.org/10.1016/j.atmosenv.2006.02.036

[29] Beelan, R., Hoek, G., Pebesma, E., Vienneau, D., de Hoogh, K. y Briggs, DJ (2009) Mapeo del Aire Antecedentes
Contaminación en una escala espacial fina en toda la Unión Europea. Ciencia of the Total Environment, 407, 1852-1867.
http://dx.doi.org/10.1016/j.scitotenv.2008.11.048

[30] Leitenstorfer, F. y Tutz, G. (2006) Generalizada monótona regresión basada en B-Splines con una aplicación a
Aire datos de contaminación. Bioestadística, 8, 654-673. http://dx.doi.org/10.1093/biostatistics/kxl036

[31] Duncan, L. (2012) Uso de los modelos Spline para estimar los riesgos variables de salud de la contaminación del aire a través de Escocia. esta-
dísticas en Medicina, 31, 3.366 a 3.378. http://dx.doi.org/10.1002/sim.5420

[32] Alharbi, B., Shareef, MM y Husain, T. (2015) Estudio de las características químicas de la materia particulada concentración
ciones en Riad, Arabia Saudita. Contaminación atmosférica de Investigación, 6, 88-98. http://dx.doi.org/10.5094/APR.2015.011

[33] ESRI. Redlands, EE.UU.. http://www.esri.com

[34] Wong, DW, Yuan, L. y Perlin, SA (2004) Comparación de métodos de interpolación espacial para la estimación de Aire
Los datos de calidad. Revista de Análisis de la exposición y Epidemiología Ambiental, 14, 404-415.
http://dx.doi.org/10.1038/sj.jea.7500338

[35] Hoek, G., Brunekreef, B., Goldbohm, S., Fischer, P. y van den Brandt, PA (2002). Asociación entre la mortalidad
e indicadores de la contaminación atmosférica Relacionados con el Tráfico en los Países Bajos: un estudio de cohorte. Lanceta, 360, 1203-1209.
http://dx.doi.org/10.1016/S0140-6736(02)11280-3

[36] Jerrett, M., Shi, YL, Gapstur, SM, Thun, MJ, Papa, CA, Burnett, RT, Beckerman, BS, Turner, MC, Krewski,
D., Thurston, G., Martin, RV, van Donkelaar, A., Hughes, E., et al. ( 2013) Análisis espacial de la contaminación atmosférica y la mortalidad en California. American
Journal of Respiratoria y Medicina de Cuidados Críticos, 188, 593-599.
http://dx.doi.org/10.1164/rccm.201303-0609OC

[37] Burrough, P. y McDonnell, R. (1998) Principios de Sistemas de Información Geográfica. Oxford University Press, Nueva
York. [38] Liu, LJS y Rossini, AJ (1996) El uso de modelos para predecir el Kriging de 12 horas las concentraciones de ozono medias en Metro-

Politan Toronto-Un estudio. Entorno internacional, 22, 677-692.

http://dx.doi.org/10.1016/S0160-4120(96)00059-1

[39] Cressie, N. (2006) Bloquear Kriging y lognormal espaciales Procesos. Geología Matemática, 38, 413-443.
http://dx.doi.org/10.1007/s11004-005-9022-8

[40] Lefohn, AS y Pinkerton, JE (1988) de alta resolución Caracterización de datos de ozono de sitios ubicados en Forested
Áreas de los Estados Unidos. Revista de la Asociación de Control de la contaminación atmosférica, 38, 1504-1511.
http://dx.doi.org/10.1080/08940630.1988.10466489

[41] Zou, B., Zhan, FB, Zeng, Y., Yorke, C. y Liu, X. (2011) Rendimiento de Kriging y EWPM para relativa del aire Pol
lución de evaluación de riesgos de la exposición. Revista Internacional de Investigación del Medio Ambiente, 5, 769-778. [42] Sábalo, R., Mesgari, MS, Abkar, A. y el sábalo, A.

(2009) La predicción de la contaminación atmosférica Usando membresía Lineal Fuzzy

Kriging en SIG. Ordenadores, Medio Ambiente y sistemas urbanos, 33, 472-481.
http://dx.doi.org/10.1016/j.compenvurbsys.2009.10.004

[43] Nash, JE y Sutcliffe, IV (1970) río Flow Pronosticar a través de modelos conceptuales Parte I-A Discusión de los Principia
cipios. Diario de Hidrología, 10, 282-290. http://dx.doi.org/10.1016/0022-1694(70)90255-6

[44] Ross, T. (1996) Índices de evaluación del desempeño de los modelos predictivos en Microbiología de los Alimentos. Journal of Applied
Microbiología, 81, 501-508. [45] Monteiro, A., Ribero, I., Tchepel, O., Sa, E., Ferreira, J., Carvalha, A., Martins, V., Strunk, A., Galmarini, S., Elbern,

H., Schaap, M., Builtjes, P., Miranda, AI y Borrego, C. (2013) Sesgo de técnicas de corrección para mejorar las predicciones Calidad del aire Ensemble:
Concéntrese en O 3 y PM sobre Portugal. Modelización Ambiental y Evaluación, 18, 533-546.
http://dx.doi.org/10.1007/s10666-013-9358-2

[46] Hijo, J.-Y., Bell, ML y Lee, J.-T. (2010) exposición individual a la contaminación atmosférica y la función pulmonar en Corea: Espacial

910
 MM Shareef et al.

Análisis utilizando enfoques exposición múltiple. Investigación del medio ambiente, 110, 739-749.
http://dx.doi.org/10.1016/j.envres.2010.08.003

[47] Singh, KP, Gupta, S., Kumar, A. y Shukla, SP (2012) lineales y no lineales de modelización para aire urbano
Predicción de la calidad. Ciencia of the Total Environment, 426, 244-255. http://dx.doi.org/10.1016/j.scitotenv.2012.03.076

[48] Zhao, N., Zeng, X. y Han, S. (2013) Radiación solar Uso de Estimación Sol Hora y el Índice de Contaminación del aire en
China. Conversión de Energía y Gestión, 76, 846-851. http://dx.doi.org/10.1016/j.enconman.2013.08.037

911