Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia

Libardo Antonio Londoño Ciro; Julio Eduardo Cañón Barriga

doi:10.24050/reia.v15i30.1217

Cómo citar

Londoño Ciro, L. A., & Cañón Barriga, J. E. (2018). Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia. Revista EIA, 15(30), 113–132. https://doi.org/10.24050/reia.v15i30.1217

PDF

FLIP

Publicado: Dec 1, 2018

https://doi.org/10.24050/reia.v15i30.1217

Palabras clave:

Contaminación del Aire

Análisis Espacial

Regresión Geográficamente Ponderada

Modelos Autorregresivos de Rezago Distribuido

Número

Vol. 15 Núm. 30 (2018)

Sección

Artículos

Términos de la licencia (VER)

Declaración del copyright

Los autores ceden en exclusiva a la Universidad EIA, con facultad de cesión a terceros, todos los derechos de explotación que deriven de los trabajos que sean aceptados para su publicación en la Revista EIA, así como en cualquier producto derivados de la misma y, en particular, los de reproducción, distribución, comunicación pública (incluida la puesta a disposición interactiva) y transformación (incluidas la adaptación, la modificación y, en su caso, la traducción), para todas las modalidades de explotación (a título enunciativo y no limitativo: en formato papel, electrónico, on-line, soporte informático o audiovisual, así como en cualquier otro formato, incluso con finalidad promocional o publicitaria y/o para la realización de productos derivados), para un ámbito territorial mundial y para toda la duración legal de los derechos prevista en el vigente texto difundido de la Ley de Propiedad Intelectual. Esta cesión la realizarán los autores sin derecho a ningún tipo de remuneración o indemnización.

La autorización conferida a la Revista EIA estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo en el Sistema Open Journal Systems de la Revista EIA, así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.

Todos los contenidos de la Revista EIA, están publicados bajo la Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional

Licencia

Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional

Libardo Antonio Londoño Ciro

http://orcid.org/0000-0002-4109-2568

Julio Eduardo Cañón Barriga

Universidad de Antioquia

Resumen

Se propone una metodología para caracterizar espacio temporalmente la concentración de PM2.5 que integra interpolación espacial, estadística espacial y econometría. Se implementa con sistemas de información geográfica y datos de concentración promedia mensual de PM2.5, temperatura y velocidad del viento; medidos en 8 sitios de monitoreo durante 2013-2014 en la ciudad de Medellín. Primero se hace una caracterización espacial multivariada de PM2.5 con regresiones geográficamente ponderadas (GWR) y luego la caracterización temporal con algoritmos econométricos. El modelo con variables explicativas temperatura, gradiente espacial del viento, dominio espacial de PM2.5 calculado con GWR y la concentración de PM2.5; con un rezago de orden 1; explica en un 87% la variabilidad de PM2.5. El desempeño de los algoritmos se calcula con validación cruzada. Finalmente se ajustan los mapas de caracterización espacio-temporal con un modelo de proximidad espacial que usa la distancia a fuentes de emisión y de mitigación de PM2.5

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a (VER)

Julio Eduardo Cañón Barriga, Universidad de Antioquia

Ingeniero Civil, MSc. Recursos Hídricos, Ph.D. en Hidrología

Referencias (VER)

Alam, M., & McNabola, A. (2015). Exploring the modeling of spatiotemporal variations in ambient air pollution within the land use regression framework: Estimation of PM10 concentrations on a daily basis. J. Air Waste Manag. Assoc, 65, 628–640.

Chen, L., Bai, Z., Kong, S., Han, B., You, Y., Ding, X., y otros. (2010). A land use regression for predicting NO2 and PM10 concentrations in different seasons in Tianjin region, China. J. Environ. Sci, 22, 1364–1373.

Deligiorgi, D., & Philippopoulos, K. (2011). Spatial Interpolation Methodologies in Urban Air Pollution Modeling: Application for the Greater Area of Metropolitan Athens, Greece, Advanced Air Pollution. Athens: Dr. Farhad Nejadkoorki.

Dickey, D., & Fuller, W. (1979). Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association, 74, 427-431.

Diebold, F. (1971). Elements of Forecasting, 2a. ed. South Western.

Dons, E., Van Poppe, M., Panis, L., De Prins, S., Berghmans, P., Koppen, G., y otros. (2014). Land use regression models as a tool for short, medium and long term exposure to traffic related air pollution. Science of The Total Environment, 476–477, 378-386.

Fotheringham, A., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Chichester: John Wiley & Sons, Ltd.

Frees E. W. Longitudinal and Panel Data: Analysis and Applications in the Social Sciences, Cambridge University Press, Nueva York, 2004.

Gass, S., & Fu, M. (2013). Saaty, T. Analytic Hierarchy Process Encyclopedia of Operations Research and Management Science. Springer.

Goyal, P., Chan, A., & Jaiswal, N. (2006). Statistical models for the prediction of respirable suspended particulate matter in urban cities. Atmos. Environ, 40, 2068–2077.

Granger, C. (1969). Investigating Causal Relations by Econometric Models and Cross-Spectral Methods. Econometrica, 424-438.

Lee, M., Brauer, M., Wong, P., Tang, R., Tsui, T., Choi, C., y otros. (2017). Land use regression modelling of air pollution in high density high rise cities: A case study in Hong Kong. Science of the Total Environment, 592, 306–315.

Li., J., & Heap., D. (2014). Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling & Software, 53, 173 – 189.

Liu, B., Wu, J., Zhang, J., Wang, L., Yang, J., Liang, D., y otros. (2017). Characterization and source apportionment of PM2.5 based on error estimation from EPA PMF 5.0 model at a medium city in China. Environmental Pollution, 222, 10-22.

Londoño, L., & Cañon, J. (2015). Metodología para la aplicación de modelos de regresión de usos del suelo en la estimación local de la concentración mensual de pm10 en Medellín – Colombia. Revista Politécnica, 11(21), 29-40.

Londoño, L., Cañón, J., & Giraldo, J. (2017). Modelo de proximidad espacial para definir sitios de muestreo en redes urbanas de calidad de aire. Revista Facultad Nacional de Salud Pública, 35(1), 111-122.

Londoño, L., Cañón, J., Villada, R., & López, L. (2015). Caracterización espacial de PM10 en la ciudad de Medellín mediante modelos geoestadísticos. Revista Ingenierías USBMED, 6(2), 26-35.

MinAmbiente (2017). Contaminación Atmosférica en Colombia. Recuperado el 23 de agosto de 2017, de Ministerio de Ambiente y Desarrollo Sostenible: http://www.minambiente.gov.co/index.php/component/content/article/1801-plantilla-#1-1-normativa

Paschalidou, A., Karakitsios, S., Kleanthous, S., & Kassomenos, P. (2011). Forecasting hourly PM10 concentration in Cyprus through artificial neural networks and multiple regression models: Implications to local environmental management. Environ. Sci. Pollut. Res, 18, 316-327.

Pilsung, K. (2013). Locally linear reconstruction based missing value imputation for supervised learning. Neurocomputing, 118, 65-78.

Ramsay, J., Ramsay, T., & Sangalli, L. (2011). Spatial functional data analysis. Recent Advances in Functional Data Analysis and related topics. (págs. 269-275). Springer.

RedAire. (2015). Laboratorio de Calidad del Aire (CALAIRE). Universidad Nacional de Colombia Sede Medellín, Facultad de Minas. Medellin, Colombia.

Şahin, Ü., Bayat, C., & Uçan, O. (2011). Application of cellular neural network (CNN) to the prediction of missing air pollutant data. Atmospheric Research, 101(1–2), 314-326.

Sangalli, L., Ramsay, J., & Ramsay, T. (2013). Spatial splines regressions models. J. Roy. Statisc. Soc. Ser. B, 75, 681-803.

Sanhueza, P., Torreblanca, M., Diaz-Robles, L., Schiappacasse, L., Silva, M., & Astete, T. (2009). Particulate air pollution and health effects for cardiovascular and respiratory causes in Temuco, Chile: A wood-smoke-polluted urban area. J. Air Wate Manag. Assoc., 59, 1481-1488.

Sayegh, A., Munir, S., & Habeebullah, T. (2014). Comparing the performance of statistical models for predicting PM10 concentrations. Aerosol and Air Quality Research, 14(3), 653 - 665.

Scott, L., Rosenshein, L., & Janikas, M. (2011). Modeling Spatial Relationships using Regression Analysis. ESRI International User Conference. Technical Workshops. San Diego, CA.

Shahraiyni, H., & Sodoudi, S. (2016). Statistical Modeling Approaches for PM10 Prediction in Urban Areas; A Review of 21st-Century Studies. Atmosphere, 7(2)(15).

SIATA. (2016). Sistema de Alerta Temprana de Medellín y el Valle de Aburrá. Sistema de Alerta Temprana de Medellín y el Valle de Aburrá. Medellín, Colombia.

Singh, N., Murari, V., Kumar, M., Barman, S., & Banerjee, T. (2017). Fine particulates over South Asia: Review and meta-analysis of PM2.5 source apportionment through receptor model. Environmental Pollution, 223, 121-136.

Stadlober, E., Hörmann, S., & Pfeiler, B. (2008). Quality and performance of a PM10 daily forecasting model. Atmos. Environ, 42, 1098–1109.

Taheri Shahraiyni, H., Sodoudi, S., Cubasch, U., & Kerschbaumer, A. (2015). The influence of the plants on the decrease of air pollutants (Case study: Particulate matter in Berlin). In Presented at the Euro-American Conference for Academic Disciplines. Paris, France.

Taheri, H., & Sodoudi, S. (2016). Statistical Modeling Approaches for PM10 Prediction in Urban Areas; A Review of 21st-Century Studies. Atmosphere, 7(15).

Wang, P., Zhang, H., Qin, Z., & Zhang, G. (2017). A novel hybrid-Garch model based on ARIMA and SVM for PM2.5 concentrations forecasting. Atmospheric Pollution Research, In Press, Corrected Proof.

Wiener, N. (1956). The Theory of Prediction. Modern Mathematics for Engineers. New York: McGraw-Hill.

Woolridge, J. (2002). Econometric Analysis of Cross Section and Panel Data. Massachusetts: MIT Press.

Zhang, G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175.

Barra lateral del artículo