Sistemas de pronóstico de calidad del aire

Sistemas de Pronóstico de

Calidad del Aire, Experiencias

Internacionales y Nacionales

Desafíos Futuros

Claudio Cortés

Jefe del Laboratorio de Informática Ambiental

Centro Nacional del Medio Ambiente

Agosto 12, 2011

Herramienta/Sistema de

Pronóstico Recursos técnicos

Recursos tecnológicos

Recursos en infraestructura

Recursos humanos

Sistema de pronóstico : La suma de

todo lo anterior.

Modelos de pronóstico

Herramientas

de pronóstico

Entornos micro (pronóstico a corto

plazo, zona puntual)

Entornos macro (pronóstico a

mediano-largo plazo, región extensa)

Modelos numéricos

de pronóstico (determinísticos)Subjetivos Objetivos

Estadísticos: Regresión(LR, MOS, ARIMA, etc.)

Estadísticos: Clasificación

Persistencia

Auto-Organizativos: Neuronal(Determinístico)

Climatología

Criterio

Auto-Organizativos: Bayesiano

(Probabilístico)Experiencia

Herramientas de pronóstico

Entornos micro (pronóstico a corto

plazo, zona puntual)

Entornos macro (pronóstico a

mediano-largo plazo, región extensa)

Modelos numéricos

de pronóstico (determinísticos)Cualitativas Cuantitativas

Estadísticos: Regresión(LR, MOS, ARIMA, etc.)

Estadísticos: Clasificación

Persistencia

Auto-Organizativos: Neuronal(Determinístico)

Climatología

Criterio

Auto-Organizativos: Bayesiano

(Probabilístico)Experiencia

Persistencia

Asume estado estático o

relativamente sin cambios

Herramienta de pronóstico básico

Genera condiciones de inicio para

otras herramientas

Persistencia

Fortalezas

◦ Aplicable a periodos donde hay poco

cambio (por ejemplo verano)

◦ No requiere experiencia para su

implementación y operación

◦ Las mediciones, como condiciones de

inicio se pueden obtener por observación

Persistencia

Debilidades

◦ No es posible temporalizar el fenómeno a

pronosticar

◦ Aplicable a fenómenos de escasa

variabilidad

◦ No se puede obtener un resultados

determinado, solo rangos

Análisis de series de tiempo

Basada en análisis de series de

tiempo

Caracteriza la zona, muestra ciclos

típicos

Se debe analizar una extensa base de

datos, por lo menos 5 años

Análisis de series de

tiempo, climatología Fortalezas

◦ Herramienta básica para el conocimiento

del comportamiento de fenómenos en la

zona

◦ No requiere herramientas ni

conocimientos estadísticos avanzados

para su uso o implementación

Análisis de series de tiempo,

climatología Debilidades

◦ No es considerada una herramienta de

pronóstico, sino mas bien la base de ellas

◦ No toma en consideración componentes

dinámicas

◦ Requiere un historial extenso de

mediciones

Criterio

Utilizar valores umbrales para

caracterizar configuraciones típicas

Son usualmente las llamadas “reglas

de oro”

Reglas construidas en base a un

análisis estadístico acabado.

Criterio

Fortalezas


conocimientos estadísticos avanzadas

◦ Disminuye los sesgos causados por la

aplicación de otras técnicas como la

Persistencia.

Criterio

Debilidades

◦ La selección de valores umbrales se

puede considerar como un proceso

subjetivo

◦ No aplicable a valores determinados,

aplicable a rangos

Arboles de clasificación

(CART) Clasifica datos en grupos disímiles

Se aplica análisis estadístico

Similar al Criterio, pero CART es

100% objetivo


(CART)


(CART) Fortalezas


conocimientos estadísticos avanzadas

◦ Permite identificar condiciones similares,

cuando estas condiciones con el

resultados de diferentes procesos


(CART) Debilidades

◦ Requiere experiencia teórico/práctica

para su desarrollo

◦ Peligra con valores de entrada muy

cercanos a los umbrales.

Ecuaciones de regresión

Herramienta más analizada en la

literatura y mas aplicada

Se determina un predictando, en base

a éste se analizan las variables que

pueden influir de mayor manera en su

comportamiento


Fortalezas

◦ No requiere de herramientas estadísticas

avanzadas, ni de mayores conocimientos

◦ Herramienta objetiva, muy documentada,

ampliamente utilizada en una variedad de

disciplinas


Debilidades

◦ Requiere un cierto nivel de experiencia

teórico/práctica para su desarrollo y

actualización, no así para su operación

◦ Tiende a presentar mejor acierto en

valores ubicados en torno a la media de

la distribución

◦ Requieren actualización periódicas de

los coeficientes, para incorporar cambios

en el patrón de las condiciones de

entrada

Modelos auto-organizativos

Algoritmos computacionales que

simulan el procesamiento cerebral de

los organismos biológicos en términos

de reconocimiento de patrones

(Redes Neuronales)

Debe ser entrenados con el fin de

poder identificar patrones en un

complicado escenario de datos

relacionados de manera no lineal.


Fortalezas

◦ Encuentra relaciones difíciles de

cuantificar con alguna de las

herramientas anteriores, permite

encontrar relaciones no lineales

◦ Capaz de pronosticar valores extremos

con mayor efectividad, tomando como

precaución que los datos de

entrenamiento contengan estos datos

extremos

◦ No requiere experiencia para su

operación


Debilidades

◦ Fáciles de desarrollar, pero muy

complejas de entender

◦ Incapacidad de extrapolar, condiciones

que no fueron incluidas en los datos de

entrenamiento no serán pronosticadas.

Modelación con métodos

numéricos Consiste en representar

matemáticamente procesos físicos y

químicos

Estos procesos, en el modelo, son el

resultado de aproximaciones

numéricas

Es la herramienta mas completa y a la

vez la más compleja


numéricos Fortalezas

◦ Basadas en toda la teoría conocida

◦ Aplicable a una extensa área geográfica,

no sólo a un punto

◦ Pronostica para zonas donde no se

tienen mediciones

◦ Puede ser usado para mejorar el

entendimiento de los procesos que

afectan el resultado


numéricos Debilidades

◦ Su implementación requiere mucho

esfuerzo, mala implementación puede

reducir drásticamente el resultado

◦ Siempre hay errores en las condiciones

de inicio (monitoreo, inventarios) que

pueden influir en los resultados

◦ Requiere personal muy especializado y

grandes recursos computacionales

Análisis fenomenológico

Se basa en la experiencia y en las

capacidades del personal a cargo del

pronóstico

Consiste en la síntesis de la

información observada y pronosticada

por otras herramientas


Fortalezas

◦ Integración de nuevas fuentes de

información, adaptable a nuevos

descubrimientos, técnicas y herramientas

◦ Integración de información cuantitativa a

cualitativa

◦ Integración y el tratamiento selectivo de

gran cantidad de información en poco

tiempo

◦ Permite reducir el sesgo de las

herramientas cuantitativas.


Debilidades

◦ Requiere un alto nivel de experiencia

para su aplicación, personal experto

Análisis preliminar

Herramientasde pronóstico

Persistencia

Climatología

Criterio

Estadísticos

Auto-organizativos

Modelación Numérica

Fenomenológica

Herramientasde pronóstico

Persistencia

Climatología

Criterio

Estadísticos

Auto-organizativos

Modelación Numérica

Fenomenológica

Menos recursos,Menor desempeño

Mas recursos,Mayor desempeño

Experiencia nacional

Conama:

◦ Modelo Cassmassi: Regresión Lineal

Múltiple, PM10, MACAM(RM)

USACH:

◦ Modelo USACH: Modelo basado en

redes neuronales, PM10 y PM2.5,

MACAM(RM)

UNAB:

◦ Modelo WRF-OIWA: Modelo

determinístico WRF/Chem, MACAM(RM)


Cenma:◦ Modelo Cenma-MOS: Regresión Lineal

Múltiple con autoajuste de coeficientes, PM10, MACAM(RM)

◦ Modelo Cenma-Neuronal: Modelo basado en Redes Neuronales, PM10, MACAM(RM)

◦ Modelo Cenma-Rancagua: Regresión Lineal Múltiple, PM10, Rengo Rancagua y San Fernando

◦ Modelo Cenma-Temuco: Regresión Lineal Múltiple, PM10, Temuco y Padre Las Casas


◦ Modelo WRF-Cenma: Modelo

determinístico de características físico-

químicas, en implementación. Macrozona

Central.

◦ Sistema integrado de pronóstico

fenomenológico: Basado en la decisión

del personal experto.

Experiencia internacionalLocalidad, país Tipo de

herramienta

Herramienta Implementado

durante

Acierto

Sao Paulo, Brasil Modelo

determinístico

BRAMS-CATT 2002-2003 R2=0,7 (Subestima)

ZMCM, México Modelo

determinístico,

ajustes estadísticos,

análisis

fenomenológico

MM5-CIT 2002 No evaluado

Distintas

localidades, USA

Modelo

determinístico,

ajustes estadísticos,

análisis

fenomenológico

MM5- MAQSP RT-

SMOKE-BEIS3-

CMAQ

2002 Evaluado de

acuerdo a la

aplicación y

reglamentación

vigente de cada

localidad

Hong Kong,

Beijing, China

Modelo

determinístico,

sistemas acoplados.

MM5-CAMx-

CMAQ-

Polyphemus-

NAQPMS,WRF-

Chem

2008 No evaluado


herramienta


durante

Acierto

Graz, Austria Modelos

estadísticos.

Regresión Lineal

Múltiple, Arbol de

decisiones.

2003 PM10<75μg/m3

82,8%

PM10≥75μg/m3

17,2%

Península

Arábica, Emiratos

Árabes Unidos

Modelo

determinístico

WRF-Chem 2000-2004

(WRF-Chem en

2007)

70% (Subestima)

Atenas, Grecia Modelo

determinístico

MM5-NMVOCs-

CAMx

S/I

West Macedonia,

Grecia

Modelo

determinístico,

análisis

fenomenológico

MM5-CMAQ 2002 100% en AQI (error

medio 9μg/m3)

Torino, Italia Modelo

determinístico

RAMS-EMMA-FARM 2002 S/I

Italia Modelo

determinístico

MM5-SMOKE-

CMAQ

2003 ±30% de error

(Subestima)


herramienta


durante

Acierto

Columbia Británica,

Canadá

Modelo Estadístico Regresión Lineal

Múltiple

2005 En promedio:

Bias: 0,056 μg/m3

MAE: 3,976 μg/m3

RMSE: 5,128 μg/m3

Thessaloniki,

Grecia

Regresión Lineal,

Arboles de decisión,

Componentes

principales, Redes

Neuronales

LRA

CART

PCA

NN

2000 LRA: R2= 0,54

CART: R2=0,62

PCA: R2= 0,49

NN: R2= 0,50

Milan, Italia Redes Neuronales Redes Neuronales 2003 R2=0,75

Distintas

localidades, Irlanda

Ensamblado

Determinístico,

Estadístico

EURAD-MOS 2004-2007 Rural : R2=0,19

Urbano: R2=0,32

Temuco, Chile Modelo estadístico,

análisis

fenomenológico

Cenma-Regresión

Lineal Múltiple

2006 80%

Rancagua, Chile Modelo estadístico,

análisis

fenomenológico

Cenma- Regresión

Lineal Múltiple

2010 En evaluación

Santiago, Chile Modelo estadístico,

análisis

fenomenológico

CASSMASSI

Regresión Lineal

Múltiple, Cenma

MOS, Cenma

Neuronal

2000 80%

Conclusiones

Los sistemas de pronóstico en otros lugares del mundo, han sido implementados después del sistema que opera actualmente en RM.

No es correcto someterlas a comparación, si bien persiguen un mismo fin, sus principios son totalmente distintos. Además, para compararlas, deben gozar de las condiciones de aplicabilidad óptimas para competir al máximo de sus posibilidades (imposible en la práctica).

Toda herramienta de pronóstico tiene sus debilidades y fortalezas, no existe técnica infalible.

Conclusiones

Modelos estadísticos, 100% objetivos,

presentan buen acierto con poco

tiempo de desarrollo e

implementación, buen balance entre

costo/efectividad

La correcta aplicación de una

herramienta de pronóstico, se debe

basar en definir un indicador objetivo

que represente el problema que se

desea solucionar

Recomendaciones Generales

•La Fenomenología consiste en

tratar cada herramienta como

unidad de información,

sometidas a discusión por parte

de los expertos, con el fin de

llegar a una decisión

consensuada.

•Esto permite integrar dentro del

proceso del pronóstico variables

tanto cuantitativas como

cualitativas, estas últimas,

variables de muy difícil

tratamiento en las herramientas

cualitativas de pronóstico.

Desafíos Futuros Densificar la red de monitoreo local, velar por la

correcta operación. Mediciones son la base de toda herramienta de pronóstico.

Desarrollar herramientas de pronóstico de PM2.5, como también profundizar el conocimiento de la génesis, transporte, transformación, deposición e impacto de los mismos.

Mejora continua de inventarios de emisiones.

Monitoreo en altura a fin de identificar perfiles verticales

Implementación de herramientas de pronóstico complementarias (modelos basados en distintas técnicas).

Lograr mayor anticipación a los eventos, capacidad de respuesta ante episodios.

Mejorar el Indicador de Calidad del Aire.

Medidas estructurales de descontaminación más eficaces.

Sistemas de pronóstico de calidad del aire

Documents

Transcript of Sistemas de pronóstico de calidad del aire