MODELACION

ATMOSFERICA DE LA
CALIDAD DEL AIRE

MODELO ATMOSFERICO

Los modelos atmosfricos son herramientas

informticas que permiten obtener proyecciones
de un contaminante en el ambiente.

TIPOS DE MODELOS
ATMOSFERICOS

1.-Fsicos

Involucra el uso de tneles de viento, canales de agua u otros

medios para modelar fluidos. Esta clase de modelo requiere
un alto nivel tcnico especializado, as como el acceso a los
recursos necesarios. Pueden ser muy tiles para simular
situaciones de flujo complejo, con terrenos muy irregulares,
donde se presentan edificaciones o sobre alturas del terreno
sobresalientes. Es aplicable a un grupo de fuentes agrupadas
en unos pocos kilmetros cuadrados. Esta es la mejor tcnica
y la ms aproximada a la realidad, sin embargo es poco
utilizado por los recursos que se deben poseer para utilizarla.

2.-Matemticos
2.1Determinsticos

2.2Empricos

2.1.1De caja
2.1.2Gaussianos
2.1.3Numricos
2.1.4Eulerianos
2.1.5Langangriano
s

2.2.1Estadsticos

Software recomendado
para modelacin

1.-Recomendados por la EPA

1.1ISC3

1.2BLP (Bouyant Line and Point Source Model)

1.3CTDMPLUS

1.4OCD (Offshore and Coastal Dispersion Model)

1.5CALPUFF

1.6AERMOD Modeling System

1.7CAL3QHC/CAL3QHCR

1.8CALINE-3

2.-Alternativos de la EPA

2.1ADAM (Air Force Dispersion Assessment Model)

2.2AFTOX

2.3ASPEN

2.4ISC3 (Industrial Source Complex Model)

2.5DEGADIS

2.6ADMS-3 (Atmospheric Dispersion Modeling System)

2.7HGSYSTEM

2.8HOTMAC/RAPTAD

2.9Panache

2.10HYROAD (HYbrid ROADway Model)

2.11HYSPLIT

2.12ISC-PRIME

2.13OBODM

2.14OZIPR

2.15PLUVUEII

2.16SCIPUFF (Second-order Closure Integrated PUFF Model)

2.17SDM (Shoreline Dispersion Model)

2.18SLAB

2.19Breeze

3Fotoqumicos

3.1CMAQ (Community Multi-scale Air Quality)

3.2CAMx (Comprehensive Air quality Model with extensions)

3.3REMSAD (Regional Modeling System for Aerosols and Deposition)

3.4UAM-V (Urban Airshed Model Variable Grid)

MODELACIN ATMOSFRICA DE LA
CALIDAD DEL AIRE
EN LA CIUDAD DE CHIHUAHUA
V. Rodrguez-Rosales1, J. Parra-Berumen2, A. Campos-Trujillo2, A. De la Pea-Arellano1, J. RodrguezRosales1 y S. Valle-Cervantes1*
1Instituto Tecnolgico de Durango. Departamento de Ingeniera Qumica y Bioqumica.
Blvd. Felipe Pescador # 1830 Ote., CP 34080 Durango, Dgo. Mxico.
2Centro de Investigacin en Materiales Avanzados. Departamento de Ciencia y Tecnologa Ambiental. Miguel de
Cervantes Saavedra # 120 Complejo Industrial Chihuahua, Chih. Mxico.

Resumen
Para estudiar el comportamiento de los parmetros contaminantes CO, O3, NO2 y
PM10, se ha utilizado una herramienta del anlisis multivariado, conocida como
anlisis de componentes principales (PCA), en el que se han tomado en cuenta
adems factores meteorolgicos tales como: velocidad y direccin del viento,
temperatura atmosfrica, humedad relativa, radiacin solar, presin baromtrica y
precipitacin pluvial. Se gener un modelo emprico que permite predecir los niveles
de estos parmetros contaminantes a partir de datos histricos, y se identificaron
las variables que contribuyen principalmente a la contaminacin atmosfrica. Se
requiere usar mayor variabilidad en los datos para tener un mejor modelo capaz de
predecir eficientemente el comportamiento de las variables medidas.
Palabras clave: contaminacin atmosfrica, anlisis de componentes principales,
eigenvalor, eigenvector, grficas de residuos, grficas de contribucin.

Introduccin
La tcnica de Anlisis de Datos Multivariados (MDA) ha demostrado ser
una herramienta efectiva para el anlisis de este tipo de datos (Green y
Caroll, 1976; Hair y col., 1999). Adems, esta tcnica tambin puede
usarse para reducir el nmero de datos y esta simplificacin hace posible
el uso de modelos que describan la tendencia de los datos. PCA ha tenido
una gran aplicacin en los ltimos tiempos (Pio y col., 1989) para
contaminantes en la atmsfera (White, 1991), para precipitacin,
tambin ha sido utilizado por climatlogos y meteorlogos para la
delineacin de patrones de temperatura, presin, precipitacin, etc.
(Richman, 1981).

Metodologa
La base de datos con la que se
trabaj fue obtenida a travs de
una Unidad Mvil de Monitoreo
Atmosfrico (UMMA) de la ciudad
de Chihuahua, Chih., sta unidad
estuvo monitoreando el sur de la
ciudad durante 3 meses (Febrero
a Mayo del 2004). Los datos para
las 11 variables se recopilaron
durante las 24 horas, haciendo
una medicin por hora,
generando una matriz de datos
con 2023 muestras y 11 variables

Metodologa

Debido a la gran cantidad y

variabilidad de condiciones
que intervienen en la
medicin de los
contaminantes
atmosfricos , es necesario
revisar y depurar la
informacin.

Identificacin de datos que resultan de perodos en los que

se presentaron fallas tcnicas en el sistema de monitoreo
(energa
elctrica,
analizadores,
calibracin
o
mantenimiento preventivo, entre otros).
Identificacin de los valores que presentan un
comportamiento fuera de patrn que siguen los
contaminantes en un determinado perodo de tiempo. Una
vez identificados estos datos, se reemplazaron por un valor
promedio. Sin embargo, cuando el periodo de la falla fue
grande, se opt por la eliminacin de ese perodo de
muestreo.

Metodologa
Ya que contamos con esta base de datos,
se desarroll el anlisis tomando como
base de clculo el software de Matlab,
debido a que esta diseado para realizar
clculos numricos con vectores y
matrices. Se utiliz el primer 75% de la
base de datos para generar el modelo y el
25% restante para validar el mismo. La
primer parte de los datos estn contenidos
en la matriz XRmxn. Donde m representa
el nmero de muestras y n el nmero de
variables.

Variables originales transformadas o autoescalados

Metodologa

Se calcula la matriz de
correlacin LRnxn,
puesto que las
variables no presentan
las mismas unidades y
se considera que todas
ellas son igualmente
relevantes.

PCA descompone los datos de la matriz de

correlacin L como la suma del producto de los
vectores ti y pi ms una matriz residual (Wise and
Gallagher, 1996).
Los vectores que
forman a la matriz P
son los eigenvectores
de la matriz de
correlacin.
Se determinan los PCs (combinaciones lineales
de las n variables), cuya caracterstica es que
tienen correlacin mutua nula.

Metodologa

Se calculan los eigenvalores de L y se

ordenan en forma decreciente de acuerdo
a la varianza que captura cada uno de
ellos,
de
este
modo,
1>2,,N.
Igualmente se calculan los eigenvectores
asociados a cada eigenvalor: V1,V2,,VN.

Metodologa

Se calcula la falta de
ajuste
estadstico
(residuos), que puede
calcularse por medio de
la suma de cuadrados de
cada fila de la matriz E.

Metodologa

El lmite de
confianza para Q
residual puede
establecerse de la
siguiente manera.

Resultados

Tabla 1. Porciento de
varianza capturada por el
modelo PCA

Resultados

Tabla 2.
Eigenvectores de la
matriz de correlacin

Residuos
del modelo

Nuevos
residuos

Contribucin de las
variables para la
muestra 21

Contribucin de
las variables
para la muestra
22

Prediccin para el CO

Prediccin para O3

Prediccin para NO2

Prediccin para PM1

Conclusiones
El PCA logr reducir la dimensionalidad del conjunto de datos, y a
pesar de ello se siguen describiendo los datos en su mayor parte,
puesto que con 4 PCs se representa el 72% de la varianza de las 11
variables originales. Ninguna de las variables sobrepas los
estndares de calidad del Aire establecidos en las Normas Oficiales
Mexicanas, por tanto es necesario tener una base de datos mayor
para generar un mejor modelo que abarque todas las condiciones
posibles en los valores de cada una de las variables contaminantes.
Es necesario desarrollar ms trabajo de anlisis sobre la base de
datos para mejorar la prediccin de las variables utilizando PCA.