Beruflich Dokumente
Kultur Dokumente
ATMOSFERICA DE LA
CALIDAD DEL AIRE
MODELO ATMOSFERICO
TIPOS DE MODELOS
ATMOSFERICOS
1.-Fsicos
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
1.1ISC3
1.3CTDMPLUS
1.5CALPUFF
1.7CAL3QHC/CAL3QHCR
1.8CALINE-3
2.-Alternativos de la EPA
2.2AFTOX
2.3ASPEN
2.5DEGADIS
2.7HGSYSTEM
2.8HOTMAC/RAPTAD
2.9Panache
2.11HYSPLIT
2.12ISC-PRIME
2.13OBODM
2.14OZIPR
2.15PLUVUEII
2.18SLAB
2.19Breeze
3Fotoqumicos
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
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.
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.
Metodologa
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
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.