Академический Документы
Профессиональный Документы
Культура Документы
Otros autores: Alvaro Anta Sanz, Luis Javier R. Barrón, Marivi Albizu Etxeberria
Abstract:
Los modelos de predicción de contaminantes del aire son herramientas fundamentales en
la mejora de la calidad del aire. Así, el objetivo de este trabajo es la elaboración y
evaluación de un modelo estadístico que pronostique, en tiempo real, los niveles de
ozono troposférico (O3) hasta ocho horas vista en la estación de Muskiz, perteneciente a
la zona de Kostaldea en la Red Automática de Control y Vigilancia de la Calidad del Aire
de la Comunidad Autónoma del País Vasco (CAPV). Este estudio fue realizado en
diversas estaciones de la zona de Kostaldea, y en este artículo se especifican los
resultados correspondientes a la estación citada. El modelo de predicción elaborado se
fundamenta en la utilización de las redes neuronales artificiales, concretamente en el uso
del perceptrón multicapa de una única capa intermedia. Las variables de salida del
modelo son los niveles horarios de O3 hasta ocho horas vista en la estación de Muskiz. El
conjunto de variables de entrada del modelo está formado por los valores horarios del
momento en el que se realiza la predicción y los valores pasados horarios de variables
meteorológicas y de las concentraciones de ozono y dióxido de nitrógeno (NO2). Estos
valores fueron registrados en la Red Automática de Control y Vigilancia de la Calidad del
Aire de la CAPV que gestiona el Departamento de Medio Ambiente y Ordenación del
Territorio del Gobierno Vasco. El estudio se realizó con los valores de las citadas
variables recogidos en la estación de Muskiz durante el periodo 2001-2004, de forma que
los datos del trienio 2001-2003 se emplearon para establecer el modelo y los datos del
año 2004 fueron utilizados para medir cuantitativamente la calidad de ajuste del modelo.
Para cada predicción se determinó un perceptrón multicapa, en el que se aplicó el
algoritmo de aprendizaje del gradiente conjugado escalado. Los valores de los
estadísticos del Kit de Validación del Modelo fueron comparados con los valores
correspondientes a la observación (concentración real de ozono), de donde se concluyó
que el modelo desarrollado es un modelo de predicción eficaz para predecir niveles de
ozono hasta ocho horas vista en la estación de Muskiz.
2
1. INTRODUCCION
3
resultados de las predicciones horarias de ozono hasta ocho horas vista obtenidas en la
estación de Muskiz, ubicada en la zona de Kostaldea (en la costa del País Vasco).
2. BASE DE DATOS
Notación Variables
TE Temperatura (ºC)
HU Humedad relativa (%)
PR Presión (kpa)
RA Radiación solar (cal cm-2 h-1)
GR Gradiente térmico (ºC)
VV Velocidad del viento (m/s)
DV Dirección del viento (Nº)
O3 Ozono (µg/m3)
NO2 Dióxido de nitrógeno (µg/m3)
4
3. METODOLOGIA
El concepto de red neuronal artificial data de 1943 (McCulloch y Pitts, 1943). Las
redes neuronales artificiales se generaron como simulación del sistema nervioso humano,
siendo la neurona el elemento fundamental. En función de las características de las
neuronas, de la topología de la red (estructura y tipo de conexiones) y de la regla de
aprendizaje que se utilice se originan distintos tipos de redes neuronales artificiales. El
perceptrón multicapa (MLP, Multilayer Perceptron) es la red neuronal artificial con mayor
número de aplicaciones prácticas (Rumelhart et al., 1986).
Salida
1
logsig(x) = (1)
1 + e− x
e x − e− x
tansig(x) = (2)
e x + e− x
5
Las redes neuronales artificiales, y en concreto el perceptrón multicapa, poseen la
capacidad de aprender de los patrones que les son introducidos y de los errores que
cometen en el proceso de aprendizaje de patrones, de forma que finalmente son capaces
de identificar un patrón no visto anteriormente. Por ello se dice que una red neuronal
artificial adecuadamente entrenada ha de tener capacidad de generalización. El proceso
de aprendizaje es equivalente al proceso de minimización del error E entre los valores
objetivo (t1, t2,…, tL)t y las salidas del perceptrón multicapa (y1, y2,…, yL)t definido como se
indica en la ecuación 3
1 L
E= ∑ (tk − yk )2 (3)
L k =1
El modelo diseñado tiene como base el perceptrón multicapa con una única capa
intermedia (Hornik et al., 1989), que posee un número de neuronas a determinar
mediante procedimiento de prueba-error (Amari et al, 1997). A su vez, la capa de salida
contiene una neurona, que es la predicción de ozono o variable de salida del modelo,
O3(t+k) para el instante t+k, con k = 1, …, 8. Asimismo, para determinar el número de
neuronas de la capa de entrada se tomaron los valores pasados (en los instantes t − z, z
= 0, 1, 2,…, 24) de las variables de contaminación, meteorología y componentes
periódicas y, en general, mediante el método de regresión por pasos sucesivos con filtro
de tolerancia se fijaron las entradas de cada modelo de predicción para cada instante t+k
(k = 1, 2, …, 8). La tabla 2 muestra las variables de entrada (registros recogidos durante
el periodo 2001-2003) utilizadas en el modelo de predicción de ozono hasta ocho horas
vista en la estación de Muskiz.
6
Salidas Variables de entrada
O3(t+1) O3(t) RA(t- DV(t-5) TE(t- PR(t-6)
22) 10)
O3(t+2) O3(t) RA(t- DV(t-5) TE(t- PR(t-6)
22) 10)
O3(t+3) O3(t) RA(t- O3(t- TE(t-7) PR(t-4) PR(t- PR(t- PR(t-
21) 13) 5) 6) 12)
O3(t+4) O3(t) RA(t- TE(t-6) O3(t- PR(t-3) PR(t- PR(t- PR(t-6) PR(t-
20) 12) 4) 5) 11)
O3(t+5) O3(t) O3(t- TE(t-5) PR(t-3) PR( t- PR(t- PR(t- PR(t-
4) 5) 6) 10)
11)
O3(t+6) O3(t) O3(t- TE(t-4) PR(t-2) PR(t-5) PR(t-
10) 9)
O3(t+7) O3(t) O3(t-9) TE(t-3) PR(t-1) PR(t-4) PR(t-
8)
O3(t+8) O3(t) O3(t-8) TE(t-2) PR(t) PR(t-3) PR(t-
7)
donde W 1 es la matriz de pesos que conecta la capa de entrada con la capa intermedia,
7
Finalmente, se aplicó el algoritmo del gradiente conjugado escalado (SCG, scaled
conjugate gradient). Este algoritmo se deriva del algoritmo de retropropagación y posee
mayor velocidad de convergencia que otros algoritmos de aprendizaje (Moller, 1993).
Estadístico Expresión
(Co − Co ) − (C p − C p )
Coeficiente de correlación R=
( SC p )( SCo )
Error cuadrático medio normalizado (Co - C p ) 2
(NMSE, Normalized Mean Square NMSE=
Error) (Co ) (C p )
Factor de dos
0,5 ≤ Co/Cp ≤ 2
(FA2, factor of two)
Co - C p
Sesgo fraccional FB= 2
(FB, Fractional Bias) Co + C p
8
4. RESULTADOS
NMSE R FA2 FB FV
O3(t+1) 0,0026 0,9938 0,9762 -0,0016 0,0484
O3(t+2) 0,0123 0,9702 0,9674 -0,0114 0,1184
O3(t+3) 0,0241 0,9460 0,9504 -0,0124 0,2338
O3(t+4) 0,0403 0,8987 0,9440 -0,0186 0,2955
O3(t+5) 0,0510 0,8848 0,9346 -0,0113 0,4298
O3(t+6) 0,0350 0,9342 0,9355 -0,0164 0,4937
O3(t+7) 0,0798 0,8565 0,9094 -0,0265 0,7604
O3(t+8) 0,0904 0,8419 0,9038 -0,0360 0,8702
9
5. CONCLUSIONES
En primer lugar, se debe destacar el uso del perceptrón multicapa como base del
diseño de modelos de predicción de ozono hasta ocho horas vista. En segundo lugar, se
prueba la importancia de la concentración de ozono en el instante en el que se realiza la
predicción como variable de entrada más relevante del modelo de predicción. Asimismo,
los valores pasados de las variables meteorológicas como la radiación solar, la
temperatura, la dirección del viento y la presión juegan un papel fundamental como
variables de entrada del modelo de predicción de ozono planteado. En tercer lugar,
mediante el cálculo de los valores de los estadísticos del Kit de Validación del Modelo
correspondientes a las predicciones de ozono hasta ocho horas vista en Muskiz se ha
cuantificado la bondad del ajuste de las predicciones que proporciona el modelo, y se ha
demostrado que el modelo propuesto es eficaz para el fin para el que fue diseñado tanto
en la estación de Muskiz como en el resto de estaciones de Kostaldea (Agirre 2005 et
al.).
Agradecimientos
10
Referencias
Agirre, E., Anta, A., Barrón, L.J.R., 2005. Elaboración y evaluación de un modelo de
predicción, en tiempo real, de los niveles de ozono en Kostaldea y Rioja Alavesa basado
en el uso del perceptrón multicapa”, Gobierno Vasco (nº expediente 175P/2005).
Agirre, E., Ibarra, G., Madariaga, I., 2006. Regression and multilayer perceptron based
models to forecast hourly O3 and NO2 levels in the Bilbao area. Environmental Modelling
and Software 21, 430-446.
Amari, S.I., Murata, N., Müller, K.R., Finke, M., Yang, H., 1997. Asymptotic statistical
theory of overtraining and cross-validation. IEEE Transactions on Neural Networks 8, 985-
996.
Cardelino, C., Chang, M., St. John, J., Murphey, B., Cordle, J., Ballagas, R., Patterson, K,
Stogner, J., Zimmer-Dauphinee, S., 2001. Ozone predictions in Atlanta, Georgia: Analysis
of the 1999 Ozone Season. Journal of the Air and Waste Management Association 51,
1227-1236.
Comisión Europea, 1994. The Evaluation of Models of Heavy Gas Dispersion. Model
Evaluation Model Evaluation Group Seminar.Office for Official Publications of the
European Communities. L-2985. Luxemburg.
Elkamel, A., Abdul-Wahab, S., Bouhamra, W., Alper, E., 2001. Measurement and
prediction of ozone levels around a heavily industrialized area: a neural network
approach. Advances in Environmental Research 5, 47-59.
Gardner, M.W., Dorling, S.R., 2000. Statistical surface ozone models: an improven
methodology to account for non-linear behaviour. Atmospheric Environment 34, 21-34.
Gobierno Vasco, 2001. Calidad del aire en la Comunidad Autónoma Vasca en el período
1996-2000. Servicio de Publicaciones del Gobierno Vasco, Vitoria-Gasteiz.
Hornik K., Stinchcombe M., White H. 1989. Multilayer feedforward networks are universal
approximators. Neural Networks 2, 359-366.
Kuang-Jung, H., 1992. Time series analysis of the interdependences among air pollutant.
Atmospheric Environment 26B, 491-503.
McCulloch W.S., Pitts W., 1943. A logical calculus of ideas immanent in nervous activity.
Bulletin of Mathematical Biophysics 5, 115-133.
11
Moller M.F., 1993. A scaled conjugate gradient algorithm for fast supervised learning.
Neural Networks 6, 525-533.
Rumelhart, D.E., Hinton, G.E., Williams, R.J., 1986. Learning internal representations by
error propagation. MITT Press, Cambridge.
Scheffe, R.D., Morris, R.E., 1993. A review of the development and application of the
urban airshed model. Atmospheric Environment 27B, 23-39.
Simpson, R.W., Layton, A.P., 1983. Forecasting peak ozone levels. Atmospheric
Environment 17, 1649-1654.
WHO, 2003. Health aspects of air pollution with particulate matter, ozone and nitrogen
dioxide. Report of a WHO Working Group, Bonn, Germany.
12