UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA
FACULTAD DE RECURSOS NATURALES RENOVABLES
ESCUELA PROFESIONAL DE INGENIERIA AMBIENTAL
INFORME FINAL
REDES NEURONALES ARTIFICIALES PARA LA PREDICCIÓN DE LA
CONCENTRACIÓN DE PM10 EN EL DISTRITO DE ATE
EJECUTOR : MEDINA DIONICIO, Elvis Anthony.
ASESOR : Ing. ORE CIERTO, Luis Eduardo.
SUPERVISORA : Mv. REUPO FARRO, Gaby.
INSTITUCIÓN : MUNICIPALIDAD DE ATE-SENAMHI.
FECHA DE INICIO : 11 de enero del 2016.
FECHA DE CULMINACIÓN : 11 de abril del 2016.
TINGO MARIA-PERÚ
2016
DEDICATORIA
A Dios, por ser mi aliado
en momentos difíciles y
por permitirme llegar a
este momento de mi
formación profesional.
A mis queridos
viejos, VIGBERTO ANTONIO
MEDINA ROJAS Y JUDITH
DIONCIO MACHARI por su
amor incondicional, por la
motivación constante y por la
confianza para lograr mis
aspiraciones profesionales.
A mis familiares, a mi
hermano KEVIN MEDINA,
por ser ejemplo de
hermano mayor y por
enseñarme a levantarme
en momentos difíciles; a
mis pequeños hermanos
LUIS ANGEL MEDINA y
ENRIQUE MEDINA, por
ser el motivo y fortaleza
para seguir adelante en
cumplir este objetivo a
ustedes muchachos… ¡ya
falta poco ¡
AGRADECIMIENTOS
A Dios por ser mi aliado en innumerables batallas, por manifestarse en
las personas las que me apoyaron en todo momento, y por guiarme en
el sendero correcto de la vida, cada día en el transcurso de mi camino
e iluminándome en todo lo que realizo de mi convivir diario.
A mi tío Renán Dionicio, por los consejos y apoyo en todo momento de
formación profesional.
A la Ing. Maritza Solís Cáceres, por el apoyo económico y la
oportunidad de desarrollarme como profesional.
A los miembros del Área de Saneamiento Ambiental de la
Municipalidad distrital de Ate, a la Doctora Gaby Reupo Farro y
Rosanna Castro, a los señores Ronny Wong y Leopoldo Zambrano,
por haberme brindado la oportunidad de realizar mis prácticas, y por
sus valiosos consejos para superarme como profesional.
A los miembros de la Dirección de Investigación y Asuntos Ambientales
del SENAMHI, Ing.Jose Silva Cotrina, Ing.Jhojan Rojas, Ing.Jose,
Ing.Carol Ordoñez, Ing.Cora, a los técnicos Rosalina y Carlos Pardave,
y la secretaria Sra. Rebeca, por facilitarme la información
indispensable para la realización de mis prácticas y los consejos e
indicaciones para mejorar mi investigación, asimismo por los
momentos de euforia en las olimpiadas en las que participamos.
Al Ing. Olimpio Solis Caceres, por sus consejos desde el primer
momento en el que llegue, y por los momentos gratos junto a su familia.
A mis compadres y hermanos de batallas, Cristhian Yacha y Jhojan
Rojas, por la oportunidad de conocer a sus familias y por estar en los
momentos más importantes de mi vida profesional y por contar con su
apoyo en todo momento.
A mis compadres y comadres, Kevin, Yeshua, Ader, Ahnel, Valery,
Jack, Bryan (Chulls), Albert, Dalina, Esau, Daygolo y Angela (Angi)
amigos que estuvieron siempre disponibles para la culminación de este
trabajo.
ÍNDICE
I. INTRODUCCIÓN ....................................................................................... 1
1.1.Objetivo general ....................................................................................... 2
1.2.Objetivos específicos ............................................................................... 2
II. REVISIÓN DE LITERATURA .................................................................... 3
2.1.Contaminación atmosférica ...................................................................... 3
2.1.1. Fuentes de contaminación atmosférica ........................................... 3
2.1.2. Contaminantes criterio ..................................................................... 5
2.1.3.Comportamiento, y correlación de las concentraciones del del del del
del contaminante criterio ................................................................. 6
2.1.4. Normativa para calidad de aire ........................................................ 7
2.1.5. Transporte y dispersión de contaminantes atmosféricos ................. 8
2.2.El PM10 ..................................................................................................... 9
2.2.1. Definición ......................................................................................... 9
2.2.2. Factores de formación del PM10 .................................................... 10
2.2.3. Principales características del PM10 .............................................. 10
2.2.4. Efectos del PM10 ............................................................................ 12
2.3.Técnicas para la predicción de la calidad deAire ................................... 15
2.3.1. Climatológicos ............................................................................... 15
2.3.2. Métodos estadísticos ..................................................................... 15
2.3.3. Modelos tridimensionales .............................................................. 16
2.4.Redes neuronales artificiales ................................................................. 17
2.4.1. Definición ....................................................................................... 17
2.4.2. Modelos neuronales ...................................................................... 17
2.4.3. Funciones de activación ................................................................ 19
2.5.Arquitecturas neuronales ....................................................................... 20
2.5.1. Según el número de capas ............................................................ 20
2.5.2. Según el tipo de conexiones .......................................................... 22
2.5.3. Según el grado de conexiones ...................................................... 22
2.6.Métodos de aprendizaje ......................................................................... 23
2.6.1. Aprendizaje de algoritmos supervisados ....................................... 23
2.6.2. Aprendizaje de algoritmos no supervisados .................................. 23
2.7.Perceptrón simple .................................................................................. 23
2.8.Perceptrón multicapa ............................................................................. 26
2.8.1. Arquitectura típica .......................................................................... 26
2.9.Algoritmo de aprendizaje backpropagation ............................................ 28
III. MATERIALES Y MÉTODOS ................................................................... 29
3.1.Lugar de estudio .................................................................................... 29
3.1.1. Ubicación política ........................................................................... 29
3.1.2. Ubicación geográfica ..................................................................... 30
3.1.3. Población ....................................................................................... 30
3.1.4. Fuentes de contaminación ............................................................. 30
3.2.Materiales y equipos .............................................................................. 34
3.3.Metodología ........................................................................................... 35
3.3.1. Recolección y depuración de los datos de material particulado PM2.5
PM2.5 y PM10, y los parámetros meteorológicos del distrito Ate ... 35
3.3.2. Análisis de comportamiento temporal del material particulado PM2.5-
PM2.5 y PM10 en el Distrito de Ate periodo 2010-2015 .................. 35
3.3.3. Análisis de los porcentajes de captura de datos de los parámetros
parámetros meteorológicos ........................................................... 36
3.3.4. Análisis de correspondencia del PM10 con sus factores de dispersión
dispersión y formación .................................................................. 36
3.3.5. Diseño y entrenamiento de la Red Neuronal Artificial para la para la
para la estimación de las concentraciones de PM10 ...................... 37
3.3.6. Validación de red neuronal para la estimación de PM10 ................ 41
IV. RESULTADOS ........................................................................................ 42
4.1. Análisis de comportamiento temporal de las partículas PM2.5-y PM10 en el
PM2.5-y PM10 en el Distrito de Ate periodo 2010-2015: .......................... 42
4.2. Análisis de los porcentajes de captura de datos de los parámetros
parámetros meteorológicos en el Distrito de Ate periodo 2010-2015: ... 43
4.3. Análisis de comportamiento del PM10 con sus factores de formación ... 45
4.4. Arquitectura óptima de la red neuronal para la estimación de la de lla del
la concentración de PM10 ...................................................................... 48
4.5. Validación de la Red Neuronal Artificial ................................................. 50
V. DISCUSIÓN: ............................................................................................ 51
5.1. Análisis de comportamiento temporal de las partículas PM2.5 y PM10 en el
en el Distrito de Ate periodo 2010-2015 ................................................ 51
5.2. Análisis de los porcentajes de captura de datos de los parámetros
parámetros meteorológicos ................................................................... 52
5.3. Análisis de correspondencia del PM10 con sus factores de dispersión y
disperción y formación ........................................................................... 52
5.4. Arquitectura óptima de la red neuronal para la estimación de la de la de la
de la concentración de PM10.................................................................. 53
5.5. Validación de la Red Neuronal Artificial ................................................. 54
VI. CONCLUSIÓNES .................................................................................... 55
VII. RECOMENDACIONES ............................................................................ 56
VIII. REFERENCIA BIBLIOGRÁFICA ............................................................. 57
IX. ANEXOS: ................................................................................................. 60
INDICE DE FIGURAS
Figura Página
1. El PM10 ...................................................................................................... 9
2. Representación de las diversas regiones del aparato respiratorio
respiratorio.humano ................................................................................. 12
3. Interacción entre el material particulado atmosférico y el clima, y el clima
el clima considerando la influencia del factor antropogénico. ............. 14
4. Esquema de un Modelo Neuronal. .......................................................... 18
5. Esquema de la red neuronal monocapa ............................................... 21
6. Esquema de la Red Neuronal Multicapa ............................................... 21
7. Esquema de la red neuronal recurrente .................................................. 22
8. Esquema del perceptrón simple ............................................................ 24
9. Representación de un perceptrón multicapa ........................................ 27
10. Ubicación de la EMCA. Ate y EMA. Alexander Von Humboldt ............ 29
11. Comparación de fuentes de área identificadas en el 2005 y 2011. ..... 31
12. Tramos con mayor flujo vehicular de transporte público en hora pico –
pico-AM. Año 2001-2002. ...................................................................... 33
13. Tramos con mayor flujo vehicular de transporte público en hora pico –
pico-PM. Año 2001-2002. ...................................................................... 34
14. Esquema final de la red diseñada. ........................................................ 40
15. Comportamiento temporal de las partículas PM2.5 y PM10 en el distrito
en el distrito de Ate 2010-2015. ............................................................. 43
16. Comportamiento temporal de los parámetros meteorológicos en el en el
en el distrito de Ate 2010-2015. ............................................................. 45
17. Correlación del PM10 y sus factores de formación en el mes de octubre
de octubre del año 2014 ........................................................................ 46
18. Correlación del PM10 y sus factores de formación en el mes de noviembre
de noviembre del año 2014 ..................................................................... 46
19. Correlación del PM10 y sus factores de formación en el mes de diciembre
de diciembre del año 2014. ..................................................................... 47
20. Dinámica de la función del error cuadrado medio, para la etapa de la etapa
de entrenamiento (Train), validación (Validation) y prueba de de de de de
de simulación (Test). ............................................................................... 49
21. Correlación de los datos obtenidos y los valores esperados. .................. 50
22. Ensamblaje de los analizadores de gases. .............................................. 68
23. Estación de calidad de aire del distrito de Ate. ..................................... 68
24. Capacitación en manejo de los muestreadores de partículas ............. 69
25. Visita estación automática de calidad de aire campo de marte ........... 69
INDICE DE CUADROS
............................................... 7
permanencia en la atmosfera. ................................................................. 11
Año 2007. ................................................................................................ 13
................................................................. 30
...... 44
Humboldt. ................................................................................................ 44
......................................................... 63
Cuadro Página
1. Contaminantes Criterio .............................................................................. 6
2. Estándares de calidad ambiental para aire.
3. Procesos de formación de las partículas. ................................................ 10
4. Componentes químicos de las partículas. ............................................... 11
5. Principales características de las partículas que influyen en su permanencia
6. Principales causas de mortalidad en el departamento de Lima, AñoLima;
7. Fuente área del distrito de Ate
8. Fuente fijas del distrito de Ate. ................................................................ 32
9. Calculo del desempeño anual e histórico ................................................ 36
10. Porcentaje de Captura de Datos de los parámetros meteorológicos.
11. Desempeño Histórico de la estación meteorológica Alexander Von Von
12. Pruebas con diferentes arquitecturas de la R.N.A. .................................. 48
13. Arquitectura final para la R.N.A. .............................................................. 49
14. Patrones de entrada para la R.N.A.
1
I. INTRODUCCIÓN
Los problemas de contaminación del aire en las principales ciudades
del mundo están relacionados principalmente al crecimiento no planificado de las
ciudades, ocasionando que las diversas actividades del hombre en su gran
mayoría generen impactos negativos en la atmósfera. Existen diversas
investigaciones, que determinan que el contaminante de mayor peligrosidad para
la salud de la población está constituido por partículas en suspensión con su
fracción respirable menor a 10 micras PM10 (CGIALLC, 2004).
Las principales fuentes del PM10 en el distrito de Ate son el gran
parque automotor, como también la industria de la construcción. La dispersión
del PM10 es influenciada por las condiciones meteorológicas como la
temperatura, velocidad y dirección del viento, etc. Según los reportes del Servicio
Nacional de Meteorología e Hidrología (SENAMHI), Ate en los últimos cinco años
de monitoreo es considerado como uno de los distritos que registra las mayores
concentraciones de material particulado. Según SILVA (2015) indica que en los
últimos años en el distrito de Ate se ha disminuido en un 10% las
concentraciones de PM10, sin embargo, aún se superan los estándares de calidad
ambiental para aire. Estimar la concentración del PM10, es importante pues
ayudara en la toma de decisiones futuras y medidas de mitigación.
Las Redes Neuronales Artificiales son modelos de procesamiento de
información, inspirados en el funcionamiento del cerebro. Estas tienen la
capacidad de aprender de la experiencia. Las redes neuronales han demostrado
eficiencia en el estudio de distintos problemas en los cuales métodos
tradicionales no han tenido buenos resultados. En el año 2013 en el distrito de
Ate, se desarrolló una red neuronal para la predicción de Ozono troposférico en
la que se utilizó un perceptron multicapa y el algoritmo de retropropagación. En
2
el siguiente estudio se proporcionará una red neuronal artificial que permitirá
predecir la concentración de PM10 en el distrito de Ate.
1.1. Objetivo general
Diseñar una Red Neuronal Artificial para la predicción de la
concentración de PM10 en el Distrito de Ate.
1.2. Objetivos específicos
Analizar el comportamiento temporal de las concentraciones
registradas de PM10 y PM2.5 del Distrito de Ate en el periodo 2010-
2015.
Analizar el porcentaje de captura de los parámetros meteorológicos
de la estación meteorológica Alexander Von Humboldt en el periodo
2010-2015.
Analizar el comportamiento correlacional del PM10 con respecto a los
parámetros meteorológicos.
Describir la estructura y la forma de aprendizaje de la Red Neuronal
Artificial para la predicción de PM10.
Validar la Red Neuronal Artificial diseñada.
3
II. REVISIÓN DE LITERATURA
2.1. Contaminación atmosférica
Se entiende por contaminación atmosférica a la presencia en la
atmósfera de sustancias en una cantidad que implique molestias o riesgo para
la salud de las personas y de los demás seres vivos, vienen de cualquier
naturaleza, así como que puedan atacar a distintos materiales, reducir la
visibilidad o producir olores desagradables. El nombre de la contaminación
atmosférica se aplica por lo general a las alteraciones que tienen efectos
perniciosos en los seres vivos y elementos materiales (NAGA, 2009).
2.1.1. Fuentes de contaminación atmosférica
La contaminación de la Atmosfera incluye elementos de origen
natural y emisiones resultantes de actividades humanas. Los contaminantes
atmosféricos pueden ser compuestos gaseosos, aerosoles o material
particulado. Entre los contaminantes gaseosos se encuentran el ozono, los
óxidos de azufre y de nitrógeno, monóxido de carbono, dióxido de carbono y
compuestos volátiles orgánicos e inorgánicos. El material particulado se
caracteriza, a su vez, por partículas suspendidas totales, partículas suspendidas
menores a 10 micras y partículas suspendidas con diámetro menor a 2.5 micras.
Entre las diferentes fuentes de emisiones a la atmósfera podemos distinguir dos
grandes tipos: las fuentes fijas y las móviles (INE, 2010).
2.1.1.1. Fuentes fijas
Existen tres tipos de fuentes fijas generadoras de emisiones (INE,
2010):
4
a) Fuentes puntuales
Derivadas de la generación de energía eléctrica y de actividades
industriales como son: la química, textil, alimentaria, maderera, metalúrgica,
metálica, manufacturera y procesadora de productos vegetales y animales, entre
otras. Las emisiones derivadas de la combustión utilizada para la generación de
energía o vapor, dependen de la calidad de los combustibles y de la eficiencia
de los quemadores, mantenimiento del equipo y de la presencia de equipo de
control al final del proceso (filtros, precipitadores y lavadores, entre otros). Los
principales contaminantes asociados a la combustión son partículas SO2, NOx,
CO2, CO e hidrocarburos (VELASCO, 2001).
b) Fuentes de área
Incluyen la generación de aquellas emisiones inherentes a
actividades y procesos, tales como el consumo de solventes, limpieza de
superficies y equipos, recubrimiento de superficies arquitectónicas, industriales,
lavado en seco, artes gráficas, panaderías, distribución y almacenamiento de
gas GLP, principalmente. Esta fuente también incluye las emisiones de
actividades como son: el tratamiento de aguas residuales, plantas de composteo,
rellenos sanitarios, entre otros. En este tipo de emisión se encuentra un gran
número de contaminantes, de muy variado nivel de impacto en la salud
(VELASCO, 2001).
c) Fuentes naturales
Se refiere a la generación de emisiones producidas por volcanes,
océanos, plantas, suspensión de suelos, emisiones por digestión anaerobia y
aerobia de sistemas naturales. En particular a todo aquello emitido por la
vegetación y la actividad microbiana en suelos y océanos, que se les denomina
emisiones biogénicas, cuyo papel es importante en la química de la troposfera al
participar directamente en la formación de ozono. Las emisiones biogénicas
incluyen óxido de nitrógeno, hidrocarburos no metanogénicos, metano, dióxido y
monóxido de carbono y compuestos nitrogenados y azufrados (VELASCO, 2001)
5
2.1.1.2. Fuentes móviles
Si bien la definición de fuente móvil incluye prácticamente a todos
los vehículos. Los motores de los vehículos son los responsables de las
emisiones de CO, de compuestos orgánicos volátiles, SO2, y NOx, producidos
durante la combustión. (INE, 2010).
2.1.2. Contaminantes criterio
Los contaminantes del aire se han clasificado como contaminantes
criterio y contaminantes no criterio. Los contaminantes criterios se han
identificado como perjudiciales para la salud y el bienestar de los seres humanos.
Se les llamó contaminantes criterio porque fueron objeto de evaluaciones
publicadas en documentos de calidad del aire en los Estados Unidos (EU), con
el objetivo de establecer niveles permisibles que protegieran la salud, el medio
ambiente y el bienestar de la población. Actualmente el término “contaminantes
criterio” ha sido adoptado en muchos países (CORTINA, 2012).
Los contaminantes criterios son las sustancias emitidas
directamente a la atmósfera desde las fuentes, ya sean naturales o
antropogenicas. Su naturaleza y composición, como se ha indicado, son muy
variadas, si bien pueden agruparse por su estado físico, como serían partículas
sólidas y líquidas o sustancias gaseosas, o pueden agruparse porque comparten
un mismo elemento químico, como óxidos de azufre o fluorocarbonados. Los
contaminantes secundarios no se emiten directamente a la atmósfera desde
focos emisores, sino que se forman en el seno de la misma a través de los
procesos químicos y/o fotoquímicos que sufren los contaminantes primarios, y
en varios casos son los causantes directos de los problemas de contaminación
más acuciantes, como es el caso del ozono troposférico (CORTINA, 2012).
Para cada contaminante criterio se han desarrollado guías y normas.
Las guías son recomendaciones que establecen los niveles de exposición a
contaminantes atmosféricos, a fin de reducir los riesgos o proteger de los efectos
nocivos. Las normas establecen las concentraciones máximas de los
contaminantes atmosféricos que se permiten durante un periodo definido. (ver
6
Cuadro 1) Estos valores límite son diseñados con un margen de protección ante
los riesgos y tienen la finalidad de proteger la salud humana. A continuación, se
presenta a los contaminante criterios (CORTINA, 2012).
Cuadro 1 Contaminantes Criterio
Contaminante Efecto en la salud
1. Bióxido de azufre (SO2) Irritación ocular
2. Bióxido de nitrógeno (NO2)
Formación de carboxihemoglobina
ocasionando apnea
3. Material particulado (PM10 Y PM2.5)
Acumulación crónica en sistema
hematopoyético y alteración en el
desarrollo del sistema nervioso central.
4. Plomo (Pb)
Irritación en los tejidos respiratorios,
fibrosis, asma,
5. Monóxido de carbono (Co) Irritante (garganta y bronquios)
6. Ozono (O3)
Disminución en la capacidad de difusión
pulmonar.
Fuente: INE (2010)
2.1.3. Comportamiento, y correlación de las concentraciones del
.contaminante criterio
El valor de la concentración del PM10 siempre debería ser mayor que
el de PM2.5 y el valor del NOx, siempre debe ser mayor que el NO2 y el NO. Con
respecto a la relación a sus concentraciones entre sustancias, se establece que
debería de presentarse una correlación negativa entre la concentración de O3 y
NO2, dada las reacciones químicas en las que participan estas especies en la
atmosfera. Así mismo, establece una correlación positiva entre el valor de la
concentración del SO2 y el PM10, dada la naturaleza de sustancias precursoras
del SO2 para el PM10, así como una correlación positiva entre el NOx, y el CO,
dadas sus fuentes comunes (GARCÍA, 2013).
7
2.1.4. Normativa para calidad de aire
En el año 2008 se aprueban los estándares de calidad ambiental
para aire, mediante el D. S N°003-2008-MINAM.Los cuales establecen los
niveles permitidos señalados en el cuadro 2
Cuadro 2 Estándares de calidad ambiental para aire.
Contaminante Periodo ECA
Dióxido de Azufre(SO2) 24 horas 80/20 ppb
Material Particulado (PM10)
anual 50 µg/m3
24 horas 150 µg/m3
Material Particulado (PM2.5) 24 horas 50 µg/m3
Monóxido de Carbono (CO)
8 horas 10000 ppb
1 hora 30000 ppb
Dióxido de Nitrógeno (NO2)
anual 100 ppb
1 hora 200 ppb
Ozono (O3) 8 horas 120 ppb
Plomo Pb anual 0.5 ppb
mensual 1.5 ppb
Benceno anual 2 µg/m3
HT (Hexano) 24 horas 100 mg/m3
Hidrógeno Sulfurado (H2S) 24 horas 150 µg/m3
Fuente: MINAM (2015)
8
2.1.5. Transporte y dispersión de contaminantes atmosféricos
En general, la concentración de contaminantes disminuye a medida
que se alejan del punto de descarga y son dispersados por el viento y otras
fuerzas naturales. Las variaciones del clima influyen en la dirección y dispersión
general de los contaminantes. (NAGA, 2009).
La dispersión y transporte de contaminantes pueden estar afectados
por factores climáticos y geográficos. Un ejemplo es la inversión térmica. La
inversión térmica es una condición atmosférica causada por una interrupción del
perfil normal de la temperatura de la atmósfera. (NAGA, 2009).
La inversión térmica puede retener el ascenso y dispersión de los
contaminantes de las capas más bajas de la atmósfera y causar un problema
localizado de contaminación del aire. (NAGA, 2009).
La dispersión de contaminantes de una fuente depende de la
cantidad de turbulencia en la atmósfera cercana. La turbulencia puede ser
creada por el movimiento horizontal y vertical de la atmósfera. El movimiento
horizontal es lo que comúnmente se llamamos viento. (NAGA, 2009).
La velocidad del viento puede afectar en gran medida la
concentración de contaminantes en un área. Mientras mayor sea la velocidad del
viento, menor será la concentración de contaminantes en una zona determinada.
El viento diluye y dispersa rápidamente los contaminantes en el área circundante
(NAGA, 2009)
El viento es causado por las diferencias en la presión atmosférica.
La presión es el peso de la atmósfera en un punto dado. La altura y temperatura
de una columna de aire determinan el peso atmosférico. Debido a que el aire frío
pesa más que el caliente, la masa de alta presión está constituida de aire frío y
pesado. Por el contrario, una masa de baja presión de aire está formada por aire
más caliente y liviano. Las diferencias de presión hacen que el aire se mueva de
las áreas de alta presión a las de baja presión, lo que da lugar al viento (NAGA,
2009).
9
2.2. El PM10
2.2.1. Definición
El PM10 se puede definir como las partículas con menos de 10
micrones de diámetro. Éstas se conocen comúnmente como partículas gruesas
y contienen polvo solido o liquido proveniente de los caminos, las industrias,
hollín, polen, excretas, cemento, así como partículas generadas por la
combustión. Están formadas principalmente por compuestos inorgánicos como
silicatos y aluminatos, metales pesados entre otros, y material orgánico asociado
a partículas de carbono (hollín). Se caracterizan por poseer un pH básico debido
a la combustión no controlada de materiales (EPA, 2011).
Las partículas tienen en una amplia gama de tamaños y se clasifican
en función de su diámetro aerodinámico en PM10 (partículas con un diámetro
aerodinámico inferior a 10 micras) o PM2.5 (diámetro aerodinámico inferior a 2,5
micras). Estos últimas son más peligrosas, ya que, al ser inhaladas, pueden
alcanzar las zonas periféricas de los bronquiolos y alterar el intercambio
pulmonar de gases (EPA, 2011).
Fuente: EPA (2011)
Figura 1.El PM10
10
2.2.2. Factores de formación del PM10
El diámetro aerodinámico está en función de los procesos de
formación de las partículas; frecuentemente se utiliza una clasificación que
constituye una combinación de los procesos de formación y del tamaño de las
partículas, y las distingue en diversas modas (ver cuadro 3) que se conocen
como moda de nucleación, Aitken, de acumulación y gruesa (NEGRAL, 2008).
Cuadro 3 Procesos de formación de las partículas.
Tipo de partículas
Ultrafinas (PM0.1) Finas (≤ PM2.5) Gruesas (PM2.5-PM10)
Pro
ce
so
de
Fo
rma
ció
n
- Nucleación de gases atmosféricos, incluidos H2SO4, NH3 y algunos compuestos orgánicos. - Condensación de gases.
- Condensación de gases. - Coagulación de partículas pequeñas. - Reacción de gases en o sobre las partículas. - Evaporación de neblina y gotas de agua en las que los gases se han disuelto y reaccionado.
- Procesos mecánicos (prensa-do, molienda, abrasión, rompimiento de sólidos/gotas. - Evaporación de aerosoles. - Suspensión de polvos. - Reacción de gases en o sobre partículas.
Fuente: NEGRAL (2008)
2.2.3. Principales características del PM10
Las partículas suspendidas tienen características únicas entre los
contaminantes atmosféricos. Las partículas varían en cuanto a su forma,
tamaño, composición química, permanencia en la atmósfera, proceso de
remoción y distancia de transporte (NEGRAL, 2008).
En los siguientes cuadros se detallan, las características físicas,
químicas y factores que influyen en la permanencia en la atmosfera de las
partículas:
11
Cuadro 4. Componentes químicos de las partículas.
Composición de Partículas
Ultrafinas (PM0.1) Finas (≤ PM2.5) Gruesas (PM2.5-PM10)
- Sulfato. - Carbón elemental - Compuestos metálicos. - Compuestos orgánicos con baja saturación de presión de vapor a temperatura ambiente
- Sulfato, nitrato, amonio, iones de hidrógeno - Carbón elemental. - Gran variedad de compuestos orgánicos. - Metales: compuestos de Pb, Cd, V, Ni, Cu, Zn, Mn, Fe, etc. Agua ligada a las partículas - Bacterias, virus
- Nitratos, cloruros, sulfatos de reacciones de HNO3, HCI y SO2 con partículas gruesas. - Óxidos de elementos de la corteza terrestre (Si, Al, Ti, Fe) - CaCO3, CaSO4, NaCl - Bacterias, polen, moho, esporas de hongos, detritos de plantas y animales
Fuente: NEGRAL (2008)
Cuadro 5. Principales características de las partículas que influyen en su permanencia en la atmosfera.
Característica Ultrafinas (PM0.1) Finas (≤PM2.5) Gruesas (PM2.5-
PM10)
Solubilidad. No está bien
caracterizadas.
Muy solubles, higroscópicas y delicuescentes.
Muy insolubles y no higroscópicos.
Vida media atmosférica.
Minutos a horas. Días a semanas. Minutos a horas.
Proceso de remoción.
Crecen en la moda de acumulación.
Se difunden en gotas de lluvia y otras superficies.
Formación de nubes y
lluvia.
Precipitación seca.
Precipitación seca.
Eliminación por gotas de
lluvia.
Distancia de transporte
De menos de uno a decenas de kilómetros.
De cientos a miles de kilómetros.
De menos de un kilómetro a decenas de kilómetros (de cientos a miles de kilómetros en tormentas de arena para la fracción de tamaños pequeños)
Fuente: NEGRAL (2008)
12
2.2.4. Efectos del PM10
2.2.4.1. Efectos sobre la salud humana
El sistema respiratorio constituye la principal vía de entrada del
material particulado en el organismo. La deposición de las partículas en
diferentes partes del cuerpo humano depende del tamaño, forma y densidad de
las partículas, así como de la respiración del individuo (nasal u oral).
Posteriormente, los efectos que puede inducir el material particulado en el
organismo dependen de la granulometría, la morfología y la composición química
de las partículas, el tiempo de exposición y la susceptibilidad de cada persona.
Todas las partículas de diámetro <10 µm (PM10, partículas torácicas) tienen un
tamaño suficiente para penetrar en la región traqueobronquial (Figura 2), pero
sólo aquellas de diámetro <2.5 µm (PM2.5, partículas alveolares) pueden alcanzar
la cavidad alveolar y, por tanto, provocar mayores afecciones (NEGRAL, 2008).
Fuente: EPA (2002)
Figura 2. Representación de las diversas regiones del aparato respiratorio humano.
13
Según el Ministerio de Salud las principales enfermedades en Lima
Metropolitana, son las Infecciones Respiratorias Agudas (IRA). En el Cuadro 6
se muestran las 15 primeras causas de mortalidad en el Departamento de Lima,
siendo las infecciones respiratorias agudas la primera causa de mortalidad.
Cuadro 6. Principales causas de mortalidad en el departamento de Lima; Año 2007.
ORDEN GRUPO DE CAUSAS TOTAL
N°
20,946
1 (C00-C97) Tumores (neoplasias) 6101
2 (J10-J18) Influenza (gripe) y neumonía 2777
3 (A30- A49) Otras enfermedades bacterianas
1989
4 (120-125) Enfermedades isquémicas del corazón
1575
5 (160-169) Enfermedades cerebrovasculares
1390
6 (N17-N19) Insuficiencia Renal 945
7 (j80-j84) enfermedades respiratorias que afectan principalmente al intersticio
934
8 (K70-k77) Enfermedades del Hígado 924
9 (110-115) Enfermedades Hipertensivas 913
10 (130-152) Otras Formas de enfermedades del corazón.
870
11 (E10 - E14) Diabetes mellitus 675
12 (J40 - J47) Enfermedades crónicas de las vías respiratorias inferiores
656
13 (w00 -v99) Accidente de transporte 610
14 (A15-A19) Tuberculosis 547
15 (R00- R99) Síntomas, signos y hallazgos anormales clínicos y de laboratorios no clasificados en otra parte.
40
Fuente: Ministerio de Salud (2007)
14
2.2.4.2. Efectos sobre el clima
Las partículas atmosféricas juegan un papel fundamental en la
regulación del clima del planeta, ya que ejercen un cierto grado de influencia
sobre la formación de nubes y el balance radiactivo global. El material particulado
atmosférico posee la capacidad de dispersar y absorber radiación de onda larga
y corta, y consecuentemente puede llegar a perturbar el balance energético del
sistema Tierra-atmósfera. La retro-alimentación es un factor de gran importancia
en el sistema Tierra-atmósfera (ARIMOTO, 2001).
Fuente: ARIMOTO (2001).
Figura 3.Interacción entre el material particulado atmosférico y el clima,
considerando la influencia del factor antropogénico.
2.2.4.3. Efectos sobre los materiales
El material particulado puede deteriorar los materiales de
construcción y recubrimientos, debido al depósito de las partículas en la
superficie de los materiales y su iteración con ellos. La transformación de estos
materiales puede estar relacionada tanto con las partículas principales como con
los principales gases asociados (SO2, NOX), la reacción de las partículas
15
depositadas con el substrato puede dar lugar a graves problemas de corrosión
de los materiales especialmente en el caso de estructuras metálicas (BERG
,1989).
2.3. Técnicas para la predicción de la calidad de Aire
Una amplia variedad de técnicas, que van desde lo simple a lo
complejo, se han utilizado para generar predicciones de calidad del aire. Hasta
la fecha, la mayoría de estos esfuerzos se han centrado en la producción de
pronósticos de ozono de 3 días. Las técnicas que se han utilizado para producir
estas previsiones son descritas en un informe reciente. Las técnicas utilizadas
para pronosticar el ozono concentraciones son de los que puede o podría ser
utilizado para otros contaminantes. Ellos se dividen en tres grandes categorías
(CENR ,2001):
2.3.1. Climatológicos
El uso de la climatología para predecir la calidad del aire se basa en
la suposición de que el pasado es un buen predictor del futuro. Este enfoque se
basa en la asociación de los niveles de contaminación elevados con condiciones
meteorológicas específicas. La aplicación puede ser tan simple como asumiendo
persistencia (es decir, si los niveles de contaminación son altos hoy que también
sean alta mañana) o puede implicar el desarrollo de sistemas de escritura
complejos del tiempo (es decir, la identificación de los patrones climáticos que
se acompañan de altos niveles de contaminación) al recurrente previsión de la
calidad del aire. Estos enfoques se suelen utilizar para predecir las superaciones
de concreto no los umbrales de las concentraciones ambientales. Estos
enfoques, sin embargo, tienen la ventaja de ser razonablemente sencilla y
económica de implementar y operar (CENR ,2001).
2.3.2. Métodos estadísticos
La asociación entre los parámetros meteorológicos específicos y aire
calidad puede cuantificarse usando una variedad de técnicas estadísticas. De
hecho, estos son probablemente las técnicas más comunes en uso para la
16
predicción de ozono. En su estudio, EPA (1999) ha identificado tres enfoques
estadísticos que están en uso (CENR ,2001).
2.3.2.1. Árbol de clasificación y regresión (CART)
Esta técnica utiliza especializado software para identificar aquellas
variables (calidad de meteorología o aire) que la mayoría son fuertemente
correlacionada con los niveles de contaminación del ambiente. Estas variables
se utilizan entonces para predecir futuros niveles de contaminación basado en la
calidad del aire actual y prevista meteorología (CENR ,2001).
2.3.2.2. Análisis de regresión
La asociación entre los niveles de contaminantes y variables
meteorológicas se pueden cuantificar mediante el análisis histórico de conjuntos
de datos usando paquetes estándar de análisis estadístico. La ecuación
resultante multi- variante de regresión lineal se puede utilizar para pronosticar
los futuros niveles de contaminación (CENR ,2001).
2.3.2.3. Redes neuronales artificiales
Otra forma de analizar los datos históricos es identificar los
parámetros atmosféricos que influyen en la calidad del aire y cuantificar dicha
asociación a través de la aplicación de aprendizaje adaptativo y de
reconocimiento de patrones técnicas, tales como las redes neuronales. Las
redes neuronales tienen la intención de imitar la forma en que el cerebro humano
reconoce patrones recurrentes. Las redes han sido desarrolladas que identificar
los patrones de tiempo que están asociados con niveles elevados de ozono
niveles. Presumiblemente, la misma técnica podría aplicarse a otros
contaminantes (CENR ,2001).
2.3.3. Modelos tridimensionales
Aunque las técnicas descritas anteriormente tienen muchos puntos
fuertes, tienen una debilidad común. Suponen una cierta cantidad de estabilidad
en términos de los procesos que afectan a la calidad del aire. Cualquier cambio
en las emisiones o el clima (A corto y largo plazo) servirá para disminuir la
habilidad de estas técnicas. De una sola mano para evitar este problema es
17
emplear un enfoque más determinista a la predicción de aire calidad. modelos
de calidad del aire deterministas 3-D tratan de representar matemáticamente la
totalidad de los procesos importantes que afectan los niveles de contaminación
del ambiente. Estos modelos son en realidad compuesto por varios submodelos
que trabajan juntos para simular la emisión, el transporte, y la transformación de
la contaminación del aire (CENR ,2001).
2.4. Redes neuronales artificiales
2.4.1. Definición
La inteligencia artificial (IA) es un área del conocimiento compuesta
por un conjunto de técnicas que se basan en imitar computacionalmente las
distintas habilidades relacionadas con la inteligencia del ser humano, como por
ejemplo: reconocimiento de patrones, diagnostico, clasificación, entre otros. Una
de estas técnicas imita, específicamente el comportamiento de las neuronas en
el cerebro humano, por lo cual se le han denominado Redes Neuronales
Artificiales (RNA).
Las RNA son modelos matemático-computacionales que poseen
una elevada capacidad de generalización y de tratamiento de problemas tanto
lineales como no lineales, no requieren un conocimiento exhaustivo de la
distribución de las variables en estudio (CORTINA, 2012).
2.4.2. Modelos neuronales
Según MARTIN et al. (2009) En todo modelo artificial se tiene
cuatro elementos básicos:
1) Un conjunto de conexiones, pesos o sinapsis que determinan el
comportamiento de la neurona. Estas conexiones pueden ser
excitadoras (presentan un signo positivo), o inhibidoras
(conexiones negativas).
2) Un sumador que se encarga de sumar todas las entradas
multiplicadas por las respectivas sinapsis.
18
3) Una función de activación no lineal para limitar la amplitud de la
salida de la neurona.
4) Un umbral por encima del cual la neurona se activa.
Esquemáticamente un Neurona Artificial queda representada como
en la siguiente figura 4:
Figura 4. Esquema de un Modelo Neuronal.
Matemáticamente la explicación de la figura 4 seria:
Un=∑Wnj.x(i)
k
i=1
salida= ρ(Un-umbral)
donde ρ es una función no lineal conocida como función de
activación. Normalmente se asocia el umbral a la salida Un mediante una entrada
(que vale -1) y un peso adicional asociado. Es decir:
umbral=-Wn0 ⇒{Un=∑Wnj.X(i)
k
i=0
⟹salida=ρ(Un)
X(0)=1
P1
P2
P3
∑
Wn1
Wn2
WnK
Función no lineal Salida
Umbral
Un
Entradas
19
El modelo descrito es el más usual, sin embargo, aparecen otros
modelos que no realizan un promedio de las entradas directamente, sino que,
antes de multiplicar por los pesos se plantea una transformación de dichas
entradas. Así, se tiene:
a) Transformación cuadrática
Un=∑Wnj
k
j=1
.X2(j)
b) Transformación polinómica
Un =∑∑Wns
k
s=1
. X(j). X(S)
k
j=1
c) Transformación esférica
𝐔𝐧 =𝟏
𝛒𝟐∑(X(j) −Wnj
k
s=1
)
El modelo planteado es el más común, pero hay que destacar que
es estático: uno más general consideraría anteriores: tendríamos un modelo
dinámico. La neurona definida de esta forma tendría memoria. Este hecho lo
expresaríamos:
Es decir, la salida en el instante n depende no solo de las entradas
como en el caso anterior, sino que ahora aparece una dependencia con las
salidas anteriores.
2.4.3. Funciones de activación
En cuanto a las funciones de activación existe un gran número
inspiradas, todas ellas, en modelos biológicos. Algunas de esas funciones son
(MARTIN et al., 2009):
a) Función signo o umbral
La cual tiene una salida binaria [0,1], y está definida por la siguiente
condición:
20
salida = {1, Un ≥ 00, Un < 0
b) Función sigmoidal
Su característica más importante es el de acortar la amplitud de la
salida a un número comprendido entre 0 y 1.
salida =1
1 + 𝑒(−a.Un)
c) Función Hiperbólica
La salida de esta función está comprendida entre -1 y 1.
salida =𝑒Un − 𝑒−Un
𝑒Un + 𝑒−Un
d) Función lineal
En el cual la salida de la función es igual a la entrada.
salida = Un
2.5. Arquitecturas neuronales
Los elementos básicos se pueden conectar entre sí para dar lugar a
las estructuras neuronales o modelos conexionistas que podríamos clasificar de
diferentes formas según el criterio usado, así se tendría (SERRANO et al., 2009):
2.5.1. Según el número de capas
a) Redes neuronales monocapas
Es la red neuronal más sencilla ya que tiene una capa de neuronas
que proyectan las entradas a una capa de neuronas de salida donde se realizan
diferentes cálculos. La capa de entrada, por no realizar ningún calculo, no se
cuenta de ahí el nombre de redes neuronales con una sola capa. Una aplicación
típica de este tipo de redes es como memorias asociativas (SERRANO et al.,
2009).
21
Figura 5. Esquema de la red neuronal monocapa
b) Redes neuronales multicapa
Es una generalización de la red neuronal monocapa, existiendo un
conjunto de capas intermedias entre la entrada y la salida denominadas capas
ocultas. Este tipo de red puede estar total o parcialmente conectada (SERRANO
et al., 2009).
Figura 6. Esquema de la Red Neuronal Multicapa
22
2.5.2. Según el tipo de conexiones
a) Redes neuronales no recurrentes (feedforward)
En esta red la propagación de las señales se produce en un sentido
solamente, no existiendo la posibilidad de realimentaciones. Estas estructuras
no tienen memoria (MARTIN et al., 2009).
b) Redes neuronales recurrentes (feedback)
Esta red está caracterizada por la existencia de lazos de
realimentación. Estos lazos pueden ser entre neuronas de diferentes capas,
neuronas de la misma capa o, más sencillamente, entre una misma neurona.
Esta estructura recurrente la hace especialmente adecuada para estudiar la
dinámica de sistemas no lineales (MARTIN et al., 2009).
Figura 7. Esquema de la red neuronal recurrente
2.5.3. Según el grado de conexiones
a) Redes neuronales totalmente conectadas
Las neuronas de una capa se encuentran conectadas con la capa
siguiente (redes no recurrentes) o con las de la anterior (redes recurrentes).
b) Redes parcialmente conectadas
En esta red no se da la conexión total entre neuronas de diferentes
capas.
23
2.6. Métodos de aprendizaje
De acuerdo a ROJAS (1995) citado por SERRANO et al (2009),
menciona que los métodos de aprendizajes se pueden dividir en las siguientes
categorías
2.6.1. Aprendizaje de algoritmos supervisados
El aprendizaje supervisado presenta a la red las salidas que desea
proporcionar ante las señales que se le presentan. Se observa la salida de la red
y se determina la diferencia entre esta y la señal deseada. Posteriormente, los
pesos de la red son modificados de acuerdo con el error cometido. Este
aprendizaje admite dos variantes (MARTIN et al., 2009):
a) Aprendizaje por refuerzo
En este aprendizaje solo se conoce la salida de la red se
corresponde o no con la señal deseada, es decir, nuestra información es de tipo
booleana (verdadero o falso).
b) Aprendizaje por corrección
En este aprendizaje conocemos la magnitud del error y esta
determina la magnitud en el cambio de pesos.
2.6.2. Aprendizaje de algoritmos no supervisados
En los algoritmos no supervisados no se conoce la señal que debe
dar la red neuronal (señal deseada) La red en este caso se organiza ella misma
agrupando, según sus características, las diferentes señales de entrada. Estos
sistemas proporcionan un método de clasificación de las diferentes entradas
mediante técnicas de agrupamientos o clustering (MARTIN et al., 2009).
2.7. Perceptrón simple
El modelo más sencillo de red neuronal es el perceptrón simple, se
trata de una red de propagación hacia adelante, monocapa (no contiene capas
ocultas) con función de activación limitador fuerte o limitador fuerte simétrico. Las
entradas a la red pueden ser binarias o continuas, mientras que las salidas
siempre son binarias debido a su función de activación; el valor de salida de una
24
neurona es uno cuando la suma de sus entradas multiplicadas por sus pesos
sinápticos es mayor que cero, en caso contrario su salida es cero (CASTRO
,2006).
Un perceptrón simple puede contener varias neuronas, pero éstas
deben estar agrupadas en una sola capa y tener la misma función de activación,
así las señales de entrada son aplicadas a todas las neuronas y las salidas son
obtenidas de estas mismas neuronas. El perceptrón simple es un asociador de
patrones; es capaz de asociar, durante el proceso de aprendizaje, patrones de
entrada, representados por arreglos de valores numéricos continuos, con una
salida binaria. Cuando a la red se le presenta un patrón de entrada utilizado en
el aprendizaje, ésta responde con la salida asociada a este patrón de entrada.
Si se le presenta una entrada diferente a las utilizadas durante el aprendizaje, la
red responde con la salida asociada al patrón de entrada más parecido, siendo
capaz de generalizar. Al estar formado solamente por una capa, el perceptrón
simple tiene una capacidad bastante limitada, ya que son necesarias más capas
para asociar y generalizar patrones de entrada complejos; a pesar de esto, el
perceptrón es una red de gran importancia, pues en base a su estructura se han
desarrollado otros modelos de redes neuronales (CASTRO ,2006).
Figura 8. Esquema del perceptrón simple
P1
P2
Pn
∑ n a
W11
W12
W1n
Entradas
Salidas
25
El Perceptrón es un tipo de red de aprendizaje supervisado; necesita
conocer los valores esperados, para cada una de las entradas. En el aprendizaje
o entrenamiento, el perceptrón se expone a un conjunto de pares entrada-salida
y los pesos de la red son ajustados, de forma que al final del entrenamiento se
obtengan las salidas esperadas para cada una de estas entradas (CASTRO
,2006).
A continuación, se detalla el proceso de aprendizaje del Perceptron
(SERRANO et al., 2009):
1. Inicialización de los pesos.
2. Determinación de la salida:
𝑦 =∑𝑝𝑖 ∗ 𝑤1𝑖
𝑛
𝑖=1
3. Comparación con el umbral:
𝑛 = 𝑦 − 𝑏𝑖
4. Aplicación de la función de activación.
𝑎 = 𝑓(𝑛)
5. Comparación con la señal deseada.
6. Actualización de los coeficientes si existe error.
𝑤1𝑗 = 𝑤1𝑖 − 𝛼. (𝑑 − 𝑎) ∗ 𝑝
Donde:
𝑤1𝑗 : peso corregido.
𝑤1𝑖 : peso inicial sin corregir.
𝛼: Tasa de aprendizaje.
(𝑑 − 𝑎) :diferencia entre la salida deseada “d” y la salida obtenida“a”.
𝑝: entrada.
26
2.8. Perceptrón multicapa
Entre los diversos modelos que existen de RNA el más utilizado
como aproximador universal de funciones resulta el perceptrón multicapa
asociado al algoritmo de aprendizaje backpropagation error (propagación del
error hacia atrás), también denominado método de gradiente decreciente
(CASTRO, 2006).
Este tipo de red exhibe la capacidad de “aprender” la relación entre
un conjunto de entradas y salidas a través del ajuste de los pesos de manera
iterativa en la etapa de aprendizaje y posteriormente aplica esta relación a
nuevos vectores de entrada que el sistema no ha visto nunca en su etapa de
entrenamiento dando una salida activa si la nueva entrada es parecida a las
presentadas durante el aprendizaje. Esta capacidad de generalización convierte
a las redes perceptrón multicapa en herramientas de propósito general, flexibles
y no lineales (CASTRO, 2006).
2.8.1. Arquitectura típica
Un perceptrón multicapa está compuesto por una capa de entrada,
una de salida y una o más capas ocultas; en la figura 6 podemos observar una
red de este tipo. Para identificar la estructura de una red multicapa se utiliza la
notación R:S1:S2 donde el número de entradas (R) va seguido por el número de
neuronas en cada capa (S) y el exponente indica la capa a la cual la neurona
corresponde (LAUREANO, 2012).
En esta disposición, los elementos del vector de entrada P están
conectados solo hacia delante sin que exista retroalimentación por lo que
comúnmente se les clasifica en el grupo de redes con arquitectura feedforward.
Las entradas se vinculan a través de la matriz de pesos (W) a cada una de las
neuronas donde se transforman en una suma ponderada con valores limitados
por los biases (b) o umbrales de la neurona, el cual puede verse como un
número que indica a partir de qué valor de potencial possináptico la neurona
produce una salida significativa, este término es añadido a la suma ponderada
para formar el vector modificado “n” de S elementos (uno por cada neurona) de
27
la red , los que finamente son afectados por la función de activación para formar
el vector columna de las salidas “a”; si existe más de una capa estas salidas se
pueden convertir en entradas de la próxima sobre las que se repite nuevamente
el proceso. La relación matemática que describe el proceso anterior para el
ordenamiento de la figura 10 queda expresada en la ecuación (LAUREANO,
2012).
Según BONILLA et al. (2006), al no haber una metodología o regla
que nos del número óptimo de neuronas que se debe utilizar para solucionar
cada problema, se hace necesario experimentar con múltiples redes neuronales,
variando la cantidad neuronas entre sus capas ocultas, las funciones de
activación y sus métodos de entrenamiento. Aparte de las neuronas de entrada
y las de salida que están supeditadas a las variables, la dimensión de la red
neuronal está sujeta a un rango mínimo de una capa oculta y un rango máximo
de dos capas ocultas, suficiente para generar una aproximación a cualquier
relación entre variables.
Figura 9. Representación de un perceptrón multicapa
𝑎2 = 𝑓2(𝑤1𝑓1(𝑤1𝑝 + 𝑏1) + 𝑏2)
∑
∑
∑
∑
ƒ
ƒ
ƒ
ƒ
n11
n12
n13
n1s
P1
P2
P3
PR
b11
b12
b13
b1S
1
1
1
1
a11
a12
a13
a1S
.
.
.
.
.
.
.
.
.
W11,1
W1R,S
CAPA DE ENTRADA 1 CAPA OCULTA
∑
∑
∑
∑
b21
b22
b23
b2S
W21,1
W2R,S
ƒ
ƒ
ƒ
ƒ
∑
∑
∑
∑
b31
b32
b33
b3S
W31,1
ƒ
ƒ
ƒ
ƒ
a21
a22
a23
a2S
n21
n22
n23
n2s
2 CAPA OCULTA 3 CAPA OCULTA
a31
a32
a33
a3S
n31
n32
n33
n3sW3R,S
a1=ƒ(W1P-b1) a2=ƒ(W2a1-b2) a3=ƒ(W3a2-b3)
28
2.9. Algoritmo de aprendizaje backpropagation
El algoritmo de aprendizaje backpropagation es un algoritmo de
descenso por gradiente que retropropaga las señales desde la capa de salida
hasta la capa de entrada optimizando los valores de los pesos sinápticos
mediante un proceso iterativo que se basa en la minimización de la función de
coste. Por ello, puede dividirse el algoritmo en dos fases (SERRANO et al.,
2009):
1. Propagación hacia delante: se propagan las señales desde la
capa de entrada hasta la de salida, determinándose la salida de la red y el error
cometido al comparar ésta con el valor de la salida deseada que se le facilita a
la red durante la etapa de aprendizaje (SERRANO et al., 2009).
2. Propagación hacia atrás: En función de los errores cometidos en
la capa de salida, el algoritmo se encarga de optimizar los valores de los pesos
sinápticos que determinan las conexiones entre las neuronas mediante la
retropropagación del error desde la capa de salida a la de entrada a través de
las sucesivas capas ocultas. Para la descripción de este algoritmo se tiene en
cuenta el esquema de una neurona y el error como la diferencia existente entre
la salida deseada y la salida observada. (SERRANO et al., 2009).
29
III. MATERIALES Y MÉTODOS
3.1. Lugar de estudio
La presente práctica pre profesional se realizó en el área de
saneamiento ambiental de la Municipalidad del distrito de Ate, la cual cuenta con
una estación automática de calidad de aire, que registra las concentraciones de
gases y partículas, dicha información se utilizó en esta investigación. Asimismo,
con respecto a la información meteorológica que también se utilizó, fueron de la
estación meteorológica Alexander Von Humboldt que se encuentra ubicada en
el distrito de la Molina.
Figura 10 Ubicación de la EMCA. Ate y EMA. Alexander Von Humboldt
3.1.1. Ubicación política
El distrito de Ate se encuentra políticamente en el departamento de
Lima y la provincia de Lima.
30
3.1.2. Ubicación geográfica
El distrito se ubica geográficamente en las coordenadas -76° 55’ 07”
y -12° 01’34”, con una altura promedio de 355 m.s.n.m.
3.1.3. Población
La población de Ate cuenta con 478 278 habitantes, teniendo
4.3% de crecimiento promedio anual para el periodo 1993-2007 y con una
densidad poblacional de 6 154 hab/km2 (INEI, 2007).Los jóvenes de 19 a 34
años representan el mayor número de población del distrito de Ate,
alcanzando un 32.3% del total, los adultos representan el 27.4%, los niños el
24.1%, los adolescentes el 11.8% y los adultos mayores el 4.4%
3.1.4. Fuentes de contaminación
3.1.4.1. Fuentes área
En el año 2005, se publicó el Inventario de Emisiones de Fuentes
Fijas en la Cuenca Atmosférica de la Ciudad de Lima – Callao, que basados
en Técnicas para el Inventario Rápido de la Contaminación Ambiental” de
Alexander P. Economopoulos, se logró identificar las fuentes de área por
distrito, tal como se puede ver en el cuadro 7:
Cuadro 7 Fuente área del distrito de Ate
Nota: CIIU es el código según la Clasificación Industrial Internacional Uniforme de todas las
actividades económicas.
Fuente: Inventario de Emisiones de Fuentes Fijas en la Cuenca Atmosférica de
la Ciudad de Lima – Callao
CIIU AREA DISTRITO DE ATE
1541 Panadería 217 1721 Textiles (tintorería) 20 2010 Aserrado 5 2022 Carpinterías 96 2221 Imprentas 30 2693 Ladrilleras 6 2731 Fundición de hierro y acero 5 2732 Fundición metales no ferrosos 3
Pollerías 118 Grifos 32
TOTALES 532
31
Hasta la fecha no hay un inventario actualizado, sin embargo, los
datos del Registro de Empresas Manufactureras de Lima Metropolitana a julio
del 2011, de la Dirección General de Industrias del Ministerio de la
Producción, nos indican que las fuentes de área han aumentado
significativamente en el distrito de Ate, Villa María del Triunfo, como se puede
ver en la Figura 11, donde se hace un comparativo de las actividades
consideradas en el Inventario del 2005.
Figura 11 Comparación de fuentes de área identificadas en el 2005 y 2011.
3.1.4.2. Fuentes fijas
En el año 2000, la Municipalidad Metropolitana de Lima, con
apoyo del Grupo GENIVAR, con financiamiento de la Embajada de Canadá
desarrolló el Estudio sobre “Caracterización del Sector Industrial de Lima
Metropolitana”. De acuerdo al estudio el 93% de las industrias se ubican en
la Provincia de Lima y el 7% en la Provincia del Callao.
Los Sectores Industriales que generaban más Residuos
Industriales Peligrosos-RIP, fueron: Químicos, Fundición, Metal-Mecánica,
Pinturas y Tinta y las Industrias que generaban más Contaminación
Atmosférica-CAT, eran: Productos Textiles, Sustancias y Productos
Químicos, incluyendo los Farmacéuticos y Productos de Metal. En esa época
0
50
100
150
200
250
300
1541 1721 2010 2022 2221 2693 2731 2732
N°estab
lecimientos
CIIU
2005
2011
32
los distritos que generaron más RIP y CAT fueron: Cercado de Lima, Ate y
Callao.
De acuerdo al I Plan Integral de Saneamiento Atmosférico para
Lima y Callao (CGIALLC, 2004), el número de establecimientos industriales
en el Distrito de Ate fue de 151, de los cuales los establecimientos
industriales generadores de contaminación del aire fueron 114 (ver cuadro)
Cuadro 8. Fuente fijas del distrito de Ate.
Nota: * No se identificaron industrias grandes.
Fuente: CGIALLC (2004)
3.1.4.3. Fuentes móviles
En el año 2000, se estimó que la población de Lima y Callao fue
de 7.5 millones de habitantes que requerían de 10.5 millones de viaje por día,
es decir de una tasa de 1.4 viajes/hab/día, para movilizarse cotidianamente.
Los propósitos del transporte obedecían a:
Trabajo: 46%
Estudio: 15%
Compras: 11%
Otros: 28%
Siendo un 81% por transporte público y un 19% en transporte
privado. Las principales vías se clasificaron de acuerdo a los sectores de la
ciudad:
DESCRIPCIÓN CIIU DISTRITO DE
ATE
Elaboración de productos alimenticios y bebidas 28
Fabricación de productos de caucho y plástico 14
Fabricación de productos de metal, excepto maquinaria y equipo
8
Fabricación de productos textiles 49
Fabricación de sustancias y productos químicos 15
Fabricación de metales comunes 0* Fabricación de muebles, industrias manufactureras 0*
TOTALES 114
33
Sector Norte: Avenidas: Túpac Amaru, Universitaria y Carretera
Panamericana Norte
Sector Noreste: Avenidas: 9 de Octubre, Próceres de la
Independencia y Canto Grande.
Sector Este: Avenidas: Nicolás Ayllón, Carretera Central y Autopista
Ramiro Prialé
Sector Sur: Avenidas: Paseo de la Republica, Arequipa y Vía
Evitamiento
Sector Oeste: Avenidas; Argentina, Colonial, Venezuela, Morales
Duarez, La Marina y La Paz.
El distrito de Ate corresponde al Sector Este, por tanto como se
puede apreciar en los estudios realizados por la Municipalidad Metropolitana
de Lima, durante el 2001 al 2002, identifican a la Av. Nicolás Ayllón como
uno de los Tramos con mayor carga de vehículos en horas pico, tal como se
aprecian en las Figuras 12 y 13.
Figura 12 Tramos con mayor flujo vehicular de transporte público en hora
pico – AM. Año 2001-2002.
Fuente: CGIALLC (2004)
34
Figura 13 Tramos con mayor flujo vehicular de transporte público en hora
pico –PM. Año 2001-2002.
Fuente: CGIALLC (2004)
3.2. Materiales y equipos
Carta Nacional del Instituto Geográfico Nacional empalme 25 j , Zona 18 S
Base de datos de PM10 y PM2.5 periodo 2010-2015 (SENAMHI)
Base de datos de las condiciones meteorológicas periodo 2010-2015
(SENAMHI)
Software Arc GIS v.10.2.1
Software R v.3.2.3 y su paquete de análisis de calidad de aire openair.
Software Microsoft Excel v.2016.
Software Matlab2014a
35
3.3. Metodología
3.3.1. Recolección y depuración de los datos de material particulado
PM2.5 y PM10, y los parámetros meteorológicos del distrito de Ate
Para la recolección de datos horarios de la concentración del
material particulado, y los parámetros meteorológicos del distrito de Ate, se
presentó un oficio al Servicio Nacional de Meteorología e Hidrología SENAMHI.
(ver Anexo 1)
En la etapa de depuración de la base de datos, se utilizó la
herramienta Macro del Excel v.2016 que permitió automatizar las tareas que se
realizaron, como el de clasificar los días y los años que contaban con información
valida mayor a del 75% criterio estipulado en el protocolo de calidad de aire de
DIGESA.
En esta etapa también, como lo recomienda CORTINA (2012) con la
finalidad de obtener la mayor cantidad de patrones de entrada y así aprovechar
la capacidad de generalización de la red neuronal, se calculó el índice de
dirección de viento aplicando la siguiente formula.
WDI = 1 + sin (WD +π
4)
Donde WDI representa el índice de dirección del viento, y WD es la
dirección del viento en grados sexagesimales.
3.3.2. Análisis de comportamiento temporal del material particulado
PM2.5-y PM10 en el Distrito de Ate periodo 2010-2015
En esta etapa de se utilizó la función SummaryPlot, que se encuentra
implementada en el software R y su librería Openair, la cual permitió observar
las tendencias del material particulado, y sus estadísticos históricos más
importantes como son la media, mediana, valores mínimos y máximos.
Asimismo, permitió reconocer los periodos en los cuales no existían registros de
datos, representándose en la gráfica, con color celeste si existían datos o color
rojo si había ausencia, también se obtuvo el porcentaje y la cantidad total de
36
datos perdidos en los en los 6 años, representándola en la gráfica con la etiqueta
missing (FOLLOS, 2012).
3.3.3. Análisis de los porcentajes de captura de datos de los
.parámetros meteorológicos
Con la finalidad de obtener los porcentajes de captura de datos por
año de los contaminantes se utilizó la función SummaryPlot, cuyos porcentajes
se encuentran en color verde en la parte superior de las franjas celeste y roja
respectivamente las cuales indican la existencia o no existencia de datos, se tuvo
en consideración los criterios de cálculo del desempeño anual e histórico
planteados por INE (2010), los cuales se muestran a continuación:
Para calificar como un desempeño anual bueno, el porcentaje de
datos validos debe de ser mayor al 75%, asimismo se califica a una estación
meteorológica en tres categorías según su desempeño histórico: regular cuando
es del 50% o más sin llegar al 75% de los años, y malo cuando es menor del
50% de los años.
Cuadro 9 Calculo del desempeño anual e histórico
Número
de años
de
operación
Número de
años con
desempeño
anual
bueno
Porcentaje
de años
con
desempeño
anual
bueno
Desempeño Histórico
Malo Regular Bueno
N m 100*m
N <50% >=50% y<75% >=75%
Fuente: Protocolo de manejo de datos de calidad de aire INE (2010)
3.3.4. Análisis de correspondencia del PM10 con sus factores de
dispersión y formación
Para el análisis se seleccionó los periodos en los que existía
registros en común para todos los factores de formación y dispersión del PM10,
como es el contaminante PM2.5 (µg/m3) y los parámetros meteorológicos,
dirección del viento (grados sexagesimales), velocidad del viento (m/s),
37
Humedad Relativa (%), Precipitación (mm), y Presión atmosférica (hPa).Los
cuales inician en octubre del año 2014 hasta diciembre del 2015.Asimismo, se
utilizó el coeficiente centesimal de correlación de Pearson graficado en una
matriz de doble entrada para cada uno de los meses del periodo seleccionado.
Para este fin se utilizó el software R y su librería Openair, el cual tiene una función
llamada CorPlot de la que obtuvo las matrices de correlación de Pearson
(FOLLOS, 2012).
3.3.5. Diseño y entrenamiento de la Red Neuronal Artificial para la
estimación de las concentraciones de PM10
En esta etapa se utilizó la línea de comandos del software Matlab
R2014a para crear la red neuronal personalizada. En el diseño de nuestra red
se tuvieron las siguientes consideraciones:
3.3.5.1. Tipo de red
Se utilizó la red Perceptrón Multicapa del tipo Backpropagation o de
retro propagación en su variante Levenberg-Marquardt (TRAINLM) ya que
diversos estudios han demostrado que se puede aproximar cualquier función si
se escoge una adecuada configuración y cantidad apropiada de neuronas en la
capa oculta (SUAREZ, 2012).
3.3.5.2. Variables de entrada
Se utilizó el método más laborioso de ensayo y error que consistía
en entrenar a red con todas las variables e ir eliminando una variable de entrada
cada vez y reentrenar la red. La variable cuya eliminación causaba el menor
decremento en la ejecución de la red era eliminada. Este procedimiento se repitió
sucesivamente hasta que llegamos a un punto, en el que error era aceptable
(SUAREZ, 2012). A continuación, se representan los patrones de entrada y
salida, mediante vectores de entrada y salida:
Vinp = [PM2.5; Tm; Pmm; PhPa; HR%; VVm/s;WD°; Rwattsm2
; IDW]
Vout = [PM10]
38
Vinp representa el vector de ingreso, PM2.5 es la concentración del
contaminante, Tm es la temperatura media horaria, Pmm es la precipitación diaria
total, PhPa es la presión atmosférica, HR% es la humedad relativa media diaria,
VVm/s es la velocidad del viento media horaria, WD° dirección del viento, R watts/m2
es la radiación solar, IDW es el índice de dirección del viento, vout vector de salida,
PM10 , es la concentración media horaria del contaminante.
3.3.5.3. Cantidad capas ocultas y neuronas en la capa oculta
CORTINA (2012) recomienda comenzar el entrenamiento con una
capa oculta. Asimismo, en esta etapa se hicieron varias pruebas, iniciando con
10 neuronas en la capa oculta, hasta llegar al doble de la cantidad de patrones
de entrada (20 neuronas en la capa oculta) como lo recomienda (HECHT-
NIELSON, 1987)
3.3.5.4. Funciones de Activación
Con la finalidad de aprovechar la capacidad de las redes neuronales
artificiales de aprender relaciones complejas, se utilizaron dos tipos de funciones
de activación. La función sigmoidea en las neuronas de la capa oculta, y la lineal
en la neurona de la capa de salida (SUAREZ, 2012).
Luego de establecer las características de la red, se inició con el
entrenamiento teniendo también algunas consideraciones:
a) Estandarización de los datos
Antes de entrenar la Red Neuronal Artificial se realizó la
normalización de los valores para que se encuentren en el intervalo de 0 y 1 pues
las funciones de activación que se utilizaran se encuentran acotadas en ese
rango. Para este fin se utiliza la siguiente ecuación:
x′ =x − xminxmax − xmin
Donde x’ es el valor normalizado, x es el valor de la variable sin
normalizar, xmax y xmin son el valor máximo y mínimo respectivamente de la
variable sin normalizar.
39
b) Datos de entrenamiento, validación y test
Para controlar el sobreaprendizaje de nuestra red utilizo la técnica
de validación cruzada o cross-validation, que consiste en dividir los datos en
diferentes grupos:
Entrenamiento (Train): fueron los datos empleados en el
ajuste de los parámetros de la red neuronal.
Validación (validation): se emplearon después de cada
iteración en el proceso de entrenamiento, para comprobar si
se produce el sobreaprendizaje.
Test: se emplearon una vez finalizado el entrenamiento.
La división de los datos para la red fue de 70 % de datos de
entrenamiento, un 15% para datos de validación y un 15% para el test.
c) Técnica para evitar la pérdida de generalización
A partir del empleo de la división de los datos, se aplicó la técnica
early-stopping. En el proceso iterativo de optimización de los parámetros de la
red, se compararon los errores obtenidos con los datos de entrenamiento y con
los datos de validación. En los casos de que, durante sucesivas iteraciones, el
error con los datos de entrenamiento disminuyo, mientras que el error con los
datos de validación aumento, se detuvo el proceso de ajuste (FIGUERES, 2010).
d) Esquema final de la red neuronal diseñada y su
funcionamiento
El esquema del perceptron multicapa diseñado se muestra en la
siguiente figura. El vector de ingreso estuvo conformado por variables que
influyen en la formación y dispersión del PM10.El software busca los pesos más
adecuados para cada entrada en una respectiva capa, el número de pesos total
en una red depende de las capas ocultas y de las neuronas presentes en cada
capa, la operación de cada vector de ingreso por cada vector de pesos
correspondiente a una capa se describe a continuación (ROJAS, 2014)
40
[𝑝1 𝑝2 𝑝3 𝑝4 … 𝑝𝑅] ∗
(
𝑤11,1 𝑤12,1 𝑤13,1 𝑤14,1 . 𝑤1𝑆,1𝑤11,2 𝑤12,2 𝑤13,2 𝑤14,2 . 𝑤1𝑆,2𝑤11,3 𝑤12,3 𝑤13,3 𝑤14,3 . 𝑤1𝑆,3. . . . . .
𝑤11,R 𝑤12,R 𝑤13,R 𝑤14,R . 𝑤1𝑆,𝑅)
=
{
[(𝑝1∗ 𝑤11,1) + . … (𝑝𝑅 ∗ 𝑤11,𝑅)] [(𝑝1∗ 𝑤12,1) + …. (𝑝𝑅 ∗ 𝑤12,𝑅)]
[(𝑝1∗ 𝑤13,1) + . . . (𝑝𝑅 ∗ 𝑤13,𝑘)] [(𝑝1∗ 𝑤14,1) + … (𝑝𝑅 ∗ 𝑤14,𝑅)]
…………… ……………………. . [(𝑝1∗ 𝑤1𝑠,1) + … (𝑝𝑅 ∗ 𝑤1𝑠,𝑅)]
}
El resultado de este producto es de orden 1*S.
[n11 n12 n13 n14 . . n1𝑠]
Esta nueva matriz fila es convertida por la función de activación, la
cual resultaría en otra matriz como se muestra:
[a11 a12 a13 a14 … a1𝑠]
Esta matriz conforman las nuevas entradas para la siguiente capa,
este proceso se repite hasta llegar a la capa final de salida. Una vez que el
software obtiene la salida estimada la compara con la salida deseada, si esta
tiene error, utiliza el algoritmo de retropropagación (ROJAS, 2014)
Figura 14 Esquema final de la red diseñada.
41
3.3.6. Validación de red neuronal para la estimación de PM10
Con el objetivo de verificar la capacidad de generalización de la red,
se comparó los datos simulados, y los datos de entrenamiento. Este proceso de
comparación llamado validación cruzada, representó gráficamente el ajuste de
bondad de la red neuronal (FIGUERES, 2010).
42
IV. RESULTADOS
4.1. Análisis de comportamiento temporal de las partículas PM2.5-y PM10 en
el Distrito de Ate periodo 2010-2015:
A continuación, se detalla el comportamiento temporal de las
partículas PM2.5 y PM10 monitoreado en la estación de calidad de aire del distrito
de Ate. En la figura 15 se puede observar los estadísticos históricos más
importantes para el periodo 2010-2015 de cada una de las fracciones, tales
como: la media, mediana, valor máximo y mínimo, el percentil P95 y un
histograma. Asimismo, se puede observar gráficamente la representación de los
datos existentes y faltantes, representadas por las franjas en celeste y rojo
respectivamente.
El valor de porcentaje de captura del contaminante para cada año
se encuentra en color verde en parte superior de cada franja. La cantidad de
datos faltantes para los seis años está representada por la etiqueta missing en
la figura, el cual fue de 9376 datos lo que representa el 17.8 % del total por parte
del PM10, en el caso del PM2.5 el monitoreo se inició a fines del 2014 motivo por
el cual existe poca cantidad de datos.
También, se observa una tendencia a aumentar las concentraciones
en los meses de primavera y verano, para que posteriormente disminuya y
alcance sus valores mínimos en la estación invernal. Los picos más
representativos se observan en los últimos meses. Asimismo, se puede observar
que los datos registrados de PM2.5 iniciaron a fines del año 2014 por lo que se
cuenta con aproximadamente datos de un año lo cual representan un 69.1 % de
datos de captura, cuya media anual es de 33 µg/m3
43
Figura 15.Comportamiento temporal de las partículas PM2.5 y PM10 en el
distrito de Ate 2010-2015.
4.2. Análisis de los porcentajes de captura de datos de los parámetros
meteorológicos en el Distrito de Ate periodo 2010-2015
A continuación, se detalla el comportamiento temporal de los
parámetros meteorológicos registrados por estación meteorológica Alexander
Von Humboldt. En el cuadro 10 se presentan los porcentajes de captura de datos
por año de cada uno de los parámetros, indicando en negrita solo los años que
cumplen con una cantidad de 75% de datos válidos. Siendo el año 2010 el único
año que no cumple con dicho criterio, esto se puede explicar pues la estación de
meteorológica Alexander Von Humboldt empezó a monitorear en abril del año
2010.
Asimismo, en el cuadro 11 se presenta el resultado del cálculo del
desempeño anual e histórico de la estación, como se puede observar todas las
condiciones meteorológicas, tanto en su desempeño anual como histórico son
considerados con buenos. También en la figura 16 se detallan los estadísticos
históricos más importantes como la media, mediana, el percentil, el valor
máximo, el valor mínimo, como también la cantidad de datos perdidos
representada por la etiqueta mising y un histograma de distribución.
Años
2010 2011 2012 2013 2014 2015
missing = 9376 (17.8%)
min = 0.4
max = 765.4
mean = 110.6
median = 103.6
95th percentile = 205.9
72.6 % 76 % 73.5 % 94.9 % 94.7 % 81.4 %
PM
10
missing = 44357 (84.4%)
min = 1.5
max = 193.6
mean = 37.4
median = 33
95th percentile = 76.1
0 % 0 % 0 % 0 % 24.8 % 69.1 %
PM
2.5
Histograma
Pe
rce
nt o
f T
ota
l
0
5
10
0 50 100150200250
0
5
10
15
0 20 40 60 80
ComportamientoHistóriCO
44
Cuadro 10 Porcentaje de Captura de Datos de los parámetros meteorológicos.
Parámetro
Meteorológico
Porcentaje de captura de datos por año
2010 2011 2012 2013 2014 2015
Temperatura (T) 19.90% 91.90% 95.20% 84.30% 89.20% 98.30%
Humedad (H) 19.90% 92.80% 95.20% 84.20% 98.30% 98.30%
Presión (P) 19.90% 92.80% 95.20% 84.20% 89.20% 98.20%
Radiación (R) 19.90% 92.90% 93.50% 83.20% 86.50% 98.30%
Velocidad del
Viento (Wind Spd.) 19.90% 92.80% 95.20% 84.20% 88.90% 98.20%
Dirección del Viento
(Wind dir.) 19.90% 92.80% 95.20% 84.20% 88.90% 98.20%
Los porcentajes en negrita tienen un valor ≥ 75%
Cuadro 11 Desempeño Histórico de la estación meteorológica Alexander Von Humboldt.
Parámetro
meteorológico
Número
de años
de
operación
Número de
años con
desempeño
anual
bueno
Porcentaje
de años
con
desempeño
anual
bueno
Desempeño histórico
Malo
<50%
Regular
>=50%
y
<=75%
Bueno
>=75%
Temperatura (T) 6 5 83% x
Humedad (H) 6 5 83% x
Presión (P) 6 5 83% x
Radiación (R) 6 5 83% x
V. Viento (Wind Spd.) 6 5 83% x
D.Viento (Wind dir.) 6 5 83% x
45
Figura 16 Comportamiento temporal de los parámetros meteorológicos en el
distrito de Ate 2010-2015.
4.3. Análisis de comportamiento del PM10 con sus factores de formación
Para el análisis se seleccionó los periodos en los que existía
registros en común para todos los factores de formación del PM10, como es el
contaminante PM2.5 (µg/m3) y los parámetros meteorológicos, dirección del
viento (grados sexagesimales), velocidad del viento (m/s), Humedad Relativa
(%), Precipitación (mm), y Presión atmosférica (hPa).Los cuales inician en
octubre del año 2014 hasta diciembre del 2015.Asimismo, se utilizó el coeficiente
centesimal de correlación de Pearson graficado en una matriz de doble entrada
para cada uno de los meses del periodo seleccionado
Este procedimiento se realizó con la finalidad de reconocer a las
variables que influyen en la formación del PM10.Como se puede observar en las
gráficas los coeficientes, la variable que presento una buena correlación fue el
PM2.5, sin embargo, las demás variables no presentaron un valor significativo.
A continuación, se presentan las matrices de correlación para la
temporada de primavera, pues en este periodo las condiciones meteorológicas
como los contaminantes particulados tenían registros horarios:
Años
2010 2011 2012 2013 2014 2015
missing = 10626 (20.2%)min = 7.5max = 35.8
mean = 19.4median = 18.6
95th percentile = 27.2
19.9 % 91.9 % 95.2 % 84.3 % 89.2 % 98.3 %
T
missing = 10544 (20.1%)min = 29max = 100
mean = 79median = 83
95th percentile = 96
19.9 % 92.8 % 95.2 % 84.2 % 89.2 % 98.3 %
H
missing = 10557 (20.1%)min = 98max = 10272.5
mean = 975.3median = 984.7
95th percentile = 988.2
19.9 % 92.8 % 95.2 % 84.2 % 89.2 % 98.2 %
P
missing = 11020 (21%)min = 0max = 131071
mean = 540.1median = 42
95th percentile = 3882.6
19.9 % 92.9 % 93.5 % 83.2 % 86.5 % 98.3 %
R
missing = 10582 (20.1%)min = 0max = 10.7
mean = 2.6median = 2.2
95th percentile = 6.3
19.9 % 92.8 % 95.2 % 84.2 % 88.9 % 98.2 %
win
d s
pd.
missing = 10584 (20.1%)min = 0max = 360
mean = 237.5median = 252
95th percentile = 312
19.9 % 92.8 % 95.2 % 84.2 % 88.9 % 98.2 %
win
d d
ir.
Histograma
Pe
rce
nt o
f T
ota
l
0
10
10 15 20 25
010
40 60 80 100
060
200 400 600 800 1000
040
0 1000 3000 5000
010
0 2 4 6
015
0 100 200 300
Gráfica Histórica
46
Figura 17 Correlación del PM10 y sus factores de formación en el mes de
octubre del año 2014
Figura 18 Correlación del PM10 y sus factores de formación en el mes de
noviembre del año 2014
MATRIZ DE CORRELACION DE
CONTAMINATES ATMOSFÉRICOS Y PARÁMETROS METEROLOGICOS
Parámetros
Par
amet
ros
PM10
PM2.5
T
H
PP
P
R
ws
wd
PM
10
PM
2.5 T H
PP P R ws
wd
100 68 1 4 -20 12 -10 -8 2
68 100 -12 20 -13 19 -17 -19 0
1 -12 100 -97 -13 -18 93 76 12
4 20 -97 100 17 17 -90 -74 -9
-20 -13 -13 17 100 11 -9 -5 0
12 19 -18 17 11 100 -24 -23 -16
-10 -17 93 -90 -9 -24 100 74 17
-8 -19 76 -74 -5 -23 74 100 -5
2 0 12 -9 0 -16 17 -5 100
octubre
PM10
PM2.5
T
H
PP
P
R
ws
wd
PM
10
PM
2.5 T H
PP P R ws
wd
100 79 7 -7 -7 6 10 -5 -5
79 100 -4 7 -4 11 0 -13 -9
7 -4 100 -95 -3 -11 88 77 11
-7 7 -95 100 6 18 -88 -78 -9
-7 -4 -3 6 100 9 -3 -3 2
6 11 -11 18 9 100 -17 -22 0
10 0 88 -88 -3 -17 100 74 16
-5 -13 77 -78 -3 -22 74 100 -1
-5 -9 11 -9 2 0 16 -1 100
noviembre
PM10
PM2.5
T
H
PP
P
R
ws
wd
PM
10
PM
2.5 T H
PP P R ws
wd
100 77 6 -3 -12 -5 2 -11 0
77 100 -5 9 -9 0 -5 -19 -3
6 -5 100 -96 -7 -8 90 80 3
-3 9 -96 100 8 16 -86 -79 1
-12 -9 -7 8 100 7 -4 -4 -10
-5 0 -8 16 7 100 -17 -17 -4
2 -5 90 -86 -4 -17 100 78 6
-11 -19 80 -79 -4 -17 78 100 -9
0 -3 3 1 -10 -4 6 -9 100
diciembre
MATRIZ DE CORRELACION DE
CONTAMINATES ATMOSFÉRICOS Y PARÁMETROS METEROLOGICOS
Parámetros
Para
met
ros
PM10
PM2.5
T
H
PP
P
R
ws
wd
PM10
PM2.
5 T H PP P R ws wd
100 68 1 4 -20 12 -10 -8 2
68 100 -12 20 -13 19 -17 -19 0
1 -12 100 -97 -13 -18 93 76 12
4 20 -97 100 17 17 -90 -74 -9
-20 -13 -13 17 100 11 -9 -5 0
12 19 -18 17 11 100 -24 -23 -16
-10 -17 93 -90 -9 -24 100 74 17
-8 -19 76 -74 -5 -23 74 100 -5
2 0 12 -9 0 -16 17 -5 100
octubre
PM10
PM2.5
T
H
PP
P
R
ws
wd
PM10
PM2.
5 T H PP P R ws wd
100 79 7 -7 -7 6 10 -5 -5
79 100 -4 7 -4 11 0 -13 -9
7 -4 100 -95 -3 -11 88 77 11
-7 7 -95 100 6 18 -88 -78 -9
-7 -4 -3 6 100 9 -3 -3 2
6 11 -11 18 9 100 -17 -22 0
10 0 88 -88 -3 -17 100 74 16
-5 -13 77 -78 -3 -22 74 100 -1
-5 -9 11 -9 2 0 16 -1 100
noviembre
PM10
PM2.5
T
H
PP
P
R
ws
wd
PM10
PM2.
5 T H PP P R ws wd
100 77 6 -3 -12 -5 2 -11 0
77 100 -5 9 -9 0 -5 -19 -3
6 -5 100 -96 -7 -8 90 80 3
-3 9 -96 100 8 16 -86 -79 1
-12 -9 -7 8 100 7 -4 -4 -10
-5 0 -8 16 7 100 -17 -17 -4
2 -5 90 -86 -4 -17 100 78 6
-11 -19 80 -79 -4 -17 78 100 -9
0 -3 3 1 -10 -4 6 -9 100
diciembre
47
Dónde: Temperatura (°C) H:Humedad Relativa (%) PP:Precipitación
(mm) P:Presión (hPa), R:Radiación (watts/m2) ws:velocidad de
viento(m/s) Wd:Dirección de viento (g°) PM2.5: material
particulado con diámetro menor a 2.5 micras (µg/m3) PM10:
material particulado con diámetro menor a 10 micras (µg/m3)
Figura 19 Correlación del PM10 y sus factores de formación en el mes de
diciembre del año 2014.
MATRIZ DE CORRELACION DE
CONTAMINATES ATMOSFÉRICOS Y PARÁMETROS METEROLOGICOS
Parámetros
Par
amet
ros
PM10
PM2.5
T
H
PP
P
R
ws
wd
PM
10
PM
2.5 T H
PP P R ws
wd
100 68 1 4 -20 12 -10 -8 2
68 100 -12 20 -13 19 -17 -19 0
1 -12 100 -97 -13 -18 93 76 12
4 20 -97 100 17 17 -90 -74 -9
-20 -13 -13 17 100 11 -9 -5 0
12 19 -18 17 11 100 -24 -23 -16
-10 -17 93 -90 -9 -24 100 74 17
-8 -19 76 -74 -5 -23 74 100 -5
2 0 12 -9 0 -16 17 -5 100
octubre
PM10
PM2.5
T
H
PP
P
R
ws
wd
PM
10
PM
2.5 T H
PP P R ws
wd
100 79 7 -7 -7 6 10 -5 -5
79 100 -4 7 -4 11 0 -13 -9
7 -4 100 -95 -3 -11 88 77 11
-7 7 -95 100 6 18 -88 -78 -9
-7 -4 -3 6 100 9 -3 -3 2
6 11 -11 18 9 100 -17 -22 0
10 0 88 -88 -3 -17 100 74 16
-5 -13 77 -78 -3 -22 74 100 -1
-5 -9 11 -9 2 0 16 -1 100
noviembre
PM10
PM2.5
T
H
PP
P
R
ws
wd
PM
10
PM
2.5 T H
PP P R ws
wd
100 77 6 -3 -12 -5 2 -11 0
77 100 -5 9 -9 0 -5 -19 -3
6 -5 100 -96 -7 -8 90 80 3
-3 9 -96 100 8 16 -86 -79 1
-12 -9 -7 8 100 7 -4 -4 -10
-5 0 -8 16 7 100 -17 -17 -4
2 -5 90 -86 -4 -17 100 78 6
-11 -19 80 -79 -4 -17 78 100 -9
0 -3 3 1 -10 -4 6 -9 100
diciembre
48
4.4. Arquitectura óptima de la red neuronal para la estimación de la
concentración de PM10
Para obtener la arquitectura óptima de la R.N.A para la estimación
de la concentración de PM10, se tuvo que probar diferentes arquitecturas con
diferente número de neuronas en la capa oculta, con la finalidad de obtener
valores estimados más próximo a los reales. En el cuadro 12 se muestran las
pruebas realizadas:
Cuadro 12 Pruebas con diferentes arquitecturas de la R.N.A.
Prueba
Número de
capas
ocultas
Número de
neuronas
en la capa
oculta
EMC R EPOCAS
1 1 8 19.47508 0.99432 28
2 1 9 16.13437 0.99953 21
3 1 10 9.739494 0.99722 27
4 1 11 3.314783 0.99908 184
5 1 12 2.734072 0.99923 229
6 1 13 0.733929 0.99982 3696
7 1 14 0.244722 0.99993 474
8 1 15 0.234835 0.99993 384
9 1 16 0.157379 0.99996 952
10 1 17 0.086268 0.99998 439
11 1 18 0.070762 0.99998 279
EMC: Error cuadrado medio R: Coeficiente de correlación EPOCAS: Periodos de aprendizaje
49
La arquitectura final de la R.N.A después de las once pruebas
realizadas se describen en el cuadro 13, asimismo en la figura 20 se muestra la
dinámica del Error Cuadrado Medio para el periodo de entrenamiento, la
validación y el test de simulación.
Cuadro 13 Arquitectura final para la R.N.A.
Arquitectura de la Red Neuronal
Tipo de red Perceptrón Multicapa- Backpropagation
Tipo de Conexión Recurrente
Capa de Entrada Patrón de 9 entradas
Capa oculta 1 capa oculta con 18 neuronas
Capa de Salida Una neurona
Función de activación Sigmoidea-capa oculta Lineal-capa de salida
Figura 20 Dinámica de la función del error cuadrado medio, para la etapa de
entrenamiento (Train), validación (Validation) y prueba de simulación
(Test).
0 50 100 150 200 250 300 350 400 450 50010
-2
100
102
104
Best Validation Performance is 0.10888 at epoch 279
Me
an
Sq
ua
red
Err
or
(m
se
)
535 Epochs
Train
Validation
Test
Best
Goal
50
4.5. Validación de la Red Neuronal Artificial
Una vez entrenada la red diseñada, se comprobó el
funcionamiento de esta, para este fin se hizo una simulación y
posteriormente se calculó el coeficiente de correlación de Pearson que se
presenta en la figura 21 la que permitió observar de manera gráfica la
bondad de ajuste de los datos obtenidos.
Figura 21 Correlación de los datos obtenidos y los valores esperados.
50 100 150 200 250 300 350
50
100
150
200
250
300
350
Target
Ou
tpu
t ~=
1*T
arg
et +
-0.0
03
: R=0.99998
Data
Fit
Y = T
51
V. DISCUSIÓN
5.1. Análisis de comportamiento temporal de las partículas PM2.5 y PM10
.en el Distrito de Ate periodo 2010-2015
Según los registros de empresas manufactureras de Lima
Metropolitana del año 2011, de la dirección general de industrias del Ministerio
de la Producción, las fuentes de área en el distrito de Ate se han incrementado
significativamente. Así mismo CGIALLC (2004), en su plan integral de
saneamiento atmosférico para Lima y Callao, menciona que el número de
establecimientos industriales en el distrito de Ate fue de 151, de los cuales los
establecimientos industriales generadores de contaminación del aire fueron 114
, como también que la Av. Nicolás Ayllon es considerada uno de los tramos con
mayor carga de vehículos en horas pico lo que vendrían a ser las fuentes
móviles. Estas fuentes de contaminación, según los estudios mencionados
podrían explicar las elevadas concentraciones registradas durante el periodo de
monitoreo de la estación de Ate, como se puede observar en la figura 15 donde
se indican los estadísticos históricos más importantes para las partículas PM2.5
y PM10 en el periodo 2010-2015.
También, se observa una tendencia a aumentar las concentraciones
en los meses de primavera y verano, para que posteriormente disminuya y
alcance sus valores mínimos en la estación invernal. Las elevadas y bajas
concentraciones en las estaciones de verano e invierno respectivamente, se
podrían explicar debido a la altura de la capa de inversión térmica como lo
menciona NAGA (2009) ya que esta condición atmosférica puede influir en la
dispersión de los contaminantes atmosféricos, pues en la estación de verano
está más próxima al suelo y en invierno lo contrario. Asimismo, estos picos más
52
representativos se observan en los últimos meses, los cuales son generados
respectivamente por la gran cantidad de juegos pirotécnicos que la población
acostumbra utilizar en estas fechas. Lo que concuerda con los reportes anuales
del SENAMHI (2015), donde indica que los contaminante particulados del distrito
de Ate se empezaron a monitorear en abril del año 2010 en su fracción
aerodinámica menor a 10 micras, asimismo con el PM2.5 que se empezó a
monitorear a partir de fines del año 2014.
5.2. Análisis de los porcentajes de captura de datos de los parámetros
.meteorológicos
Según los resultados obtenidos del análisis de los parámetros
meteorológicos se puede observar en el cuadro 10, 11 y la figura 16 los
porcentajes de captura de datos por años, en el año 2010 solo se tiene registros
de un 19,90% para todas las variables meteorológicas y en los años 2011, 2012,
2013, 2014 y 2015 superan el 75 % de datos válidos.En el cuadro N° 10 se puede
observar los porcentajes de captura de cada contaminante por año, los números
en negritas indican que ese año según las categorías de desempeño anual es
calificado como bueno, así mismo estos valores son utilizados en el cuadro N°11
para calcular el desempeño histórico de la estación meteorológica Alexander
Von Humboldt.
5.3. Análisis de correspondencia del PM10 con sus factores de dispersión
.y formación
Según GARCIA (2013) menciona que el valor de concentración de
PM10 debe de ser mayor que el de PM2.5, y cuya correlación debe de ser positiva,
lo cual coincide con los coeficientes de correlación centesimal de Pearson que
se obtuvo, pues en el periodo que se evaluó, presento una alta correlación
(R=77), sin embargo, las variables meteorológicas no presentaron correlaciones
significativas, esto se podría explicar que los datos de las condiciones
meteorológicas son de la estación Alexander Von Humboldt, la cual se encuentra
en el distrito de La Molina, lo que podría alterar los correlaciones esperadas.
53
5.4. Arquitectura óptima de la red neuronal para la estimación de la
.concentración de PM10
Según HECTH-NEILSON (1987), indica que en el entrenamiento de
una red neuronal artificial , solo es necesario que el número de neuronas en la
capa oculta requiere de ser más grande que dos veces el número de patrones
de entrada, como también que se inicie con una sola capa oculta, lo cual
coincidió con los resultados obtenidos, los resultados también concuerdan con
BONILLA.et al (2006) quien menciona que para el diseño de una red neuronal
no existe una metodología definida, para cada problema, es necesario
experimentar con distintas arquitecturas variando la cantidad de neuronas en sus
capas ocultas. En el Cuadro 12 se observa las pruebas realizadas, y se ve que
el error cuadrado medio disminuye a medida que se aumenta el número de
neuronas en la capa oculta. Siendo en la prueba 11, con 20 neuronas en la capa
oculta la que obtuvo el menor error cuadrado medio 0.07072 y una precisión de
0. 99998.
En la figura 20 se puede observar la dinámica de los errores en la
etapa de entrenamiento, la técnica de generalización early-stopping
recomendada por FIGUERES (2010), permitió reconocer en el mínimo global en
la época 279 entre todas las iteraciones realizadas. En el cuadro 13 se muestran
las características generales de la arquitectura final de la RNA diseñada,
asimismo en el anexo 2 se observa el Script de la red donde se detallan las
características de la arquitectura y los parámetros de entrenamiento de la RNA,
en el lenguaje de programación del software Matlab.
En cuanto a las funciones de activación, para aprovechar la
capacidad de las RNA en la generalización, en el estudio se utilizó funciones de
activación mixtas (ver cuadro 13) en la capa oculta se empleó la sigmoidal y en
la capa de salida la lineal, concordando con lo que menciona LAUREANO (2012)
Con respecto al algoritmo empleado Blackpropagation o de
retropropagación en su variante Levenberg-Marquardt se cumplió lo mencionado
por SUAREZ (2012), pues se tuvo una buena aproximación y presión los valores
54
esperados, esto se debe a que se escogió una adecuada configuración y
cantidad apropiada de neuronas en la capa oculta.
CORTINA (2012), en su estudio de modelamiento de contaminantes
atmosféricos implemento una red perceptron multicapa, utilizando información
de la concentración del PM10 y variables meteorológicas. Los patrones de
entrada fueron: velocidad del viento, temperatura, humedad relativa, índice de
dirección del viento y la presión atmosférica. Obteniendo un error cuadrado
medio de 0.0017 y un coeficiente de correlación de Pearson de 0.97. Referente
a esto CHIAVERTTO et al. (2008), utilizaron nueve patrones de entrada: dos
estacionales y siete meteorológicas. Obteniendo una alta correlación entre sus
datos predichos y reales. Con respecto al resultado obtenido en el estudio,
utilizando un patrón de entrada con nueve variables, se obtuvo al igual que en
los estudios mencionados una alta correlación entre nuestros datos predichos y
reales.
5.5. Validación de la Red Neuronal Artificial
FIGUERES (2010), indica que para la etapa de validación de un
modelo neuronal es recomendable utilizar la técnica de validación cruzada, lo
cual permitirá observar la capacidad de generalización de la red diseñada, lo cual
se realizó permitiendo encontrar luego 11 pruebas, una estructura la cual obtenía
un error cuadrado medio de 0.07072 y una precisión de 0.9998.
55
VI. CONCLUSIÓNES
1. La red diseñada es un perceptrón multicapa con una capa oculta, y 18
neuronas en esta. El algoritmo de aprendizaje es el Backpropagation en su
variante Levenberg-Marquardt.
2. El comportamiento temporal de las concentraciones de las partículas,
tienden a incrementarse en los meses de verano para posteriormente
disminuir en la estación invernal, asimismo las concentraciones superan los
estándares para calidad de aire aprobados en el 2008 según el D. S N°003-
2008-MINAM.
3. Se analizó el porcentaje de captura de datos de los parámetros
meteorológicos de la estación meteorológica Alexander Von Humboldt, de
los 6 años en evaluación 5 son considerados como buenos, asimismo el
desempeño histórico es bueno pues se calculó un equivalente a 83% de
captura de datos de todo el periodo en estudio.
4. La correspondencia de los parámetros de dispersión, presentaron un bajo
factor centesimal de correlación de Pearson con el PM10, sin embargo, con
el PM2.5 presento un alto factor de correlación de Pearson el cual es un
factor de formación del PM10.
5. Se realizó la validación de la red neuronal diseñada, con la finalidad de ver
la capacidad de generalización de está obteniendo un coeficiente de
correlación R de 0.99998.
56
VII. RECOMENDACIONES
1. Seguir realizando estudios de PM10 en el distrito de Ate, para poder evaluar
las posibles implicancias en la salud de las personas, sobre todo a la
población más vulnerable.
2. Implementar un manual de funcionamiento de los equipos de medición y
analizadores automáticos de la estación de monitoreo de calidad de aire.
3. Fomentar información a las personas del distrito de Ate con la finalidad que
conozcan los objetivos de la estación de monitoreo de la calidad del aire.
4. Implementar una estación meteorológica automática, la cual permitirá
trabajar con datos de la zona en futuros estudios.
57
VIII. REFERENCIA BIBLIOGRÁFICA
AIRLY QUALITY FORESCASTING.2001. Committee On Environment and
Natural Resources.1-21 pág.
ARIMOTO, L. 2001. Efectos a la salud de la fracción gruesa PM2.5 -PM10. ¨[En
Línea]:Efectos del PM10, (www.materialparticulado/salud, 15 abril 2016 )
BONILLA, J., RAMIREZ, J., RAMIREZ, O. 2006. Metodología para el diseño de
un modelo univariado de red neuronal para el pronóstico de la temperatura
mínima en la zona de Mosquera. Rev. Meteorología Colombiana,
Cundinamarca, Colombia. 10(1): 111-120.
CASTRO, J. 2006. Fundamentos para la implementación de red neuronal
perceptrón multicapa mediante software. Universidad San Carlos De
Guatemala.114, Pág.
CHIAVERTTO, L., REY, F. Y BRIGNOLE, N. 2008.Aplicacion de redes
neuronales artificiales para la predicción de la calidad de aire. Universidad
Nacional del Sur. República de Argentina.
COMITÉ DE GESTION DE LA INICIATIVA DE AIRE LIMPIO PARA LIMA-
CALLAO.I Plan de Saneamiento Atmosférico Lima-Callao.2004. ¨[En
Línea]:Inventario de emisiones, (www.pisa2004.com, 23 febrero 2016 )
CORTINA, M. 2012. Aplicación de Técnicas de Inteligencia Artificial a la
Predicción de Contaminantes Atmosféricos. Universidad Politécnica de
Madrid, Espana.210, Pág.
DIGESA. 2005. Protocolo de Monitoreo de la Calidad del Aire y Gestión de los
Datos. Perú. 80 p.
58
EPA. 2002. Efectos del material particulado en la salud y el ambiente [En Linea],
efectos del PM10, (www.epa/publicaciones/consultaPublicacion.htm, 17
abril 2016)
FIGUERES, R. 2010. Modelos Hargreaves Priestley-Taylor y redes neuronales
artificiales en la estimación de la evapotranspiración de referencia. Rev.
Ing. Investigación y Tecnología, México. 14(2): 163-176
FOLLOS, F. 2012. Lenguaje R aplicado al análisis de datos de calidad del aire.
España. 120p.
GARCÍA, P. 2013. Implementacion del software estadístico Openair para el
procesamiento y análisis de la información de la base de datos de la red
de calidad de aire de Bogotá.
HECHT, R. 1987. Counter-Propagation Networks. IEEE First International
Conference on Neural Networks. Volumen II.19-32 pág.
INE. 2010. Principios de la medición de la calidad del aire. Manual 1. Primera
edición. Mexico.43 pág.
INE. 2010. Protocolo de manejo de datos de la calidad del aire. Manual 5.
Primera edición. Mexico.38, 39, 30 pág.
MINAM. 2015. Estándares ambientales de calidad de aire. [En Línea]: ECAS
para aire, (www.minam.org.pe, 30 de enero 2016)
MINSA. 2007. Efectos de los contaminantes atmosféricos en Lima metropolitana
[En Línea]: Infecciones respiratorias agudas, (www.minsa.org.pe, 16 de
abril 2016)
NAGA, A. 2009. Contaminación Atmosférica. [En Linea]: Contaminación
Atmosférica, (www.agro.uba.ar/Atmosfera/contatmos, 20 febrero 2016)
NEGRAL, P. 2012. Atmosfera, contaminantes, tiempo y clima. Barcelona,
España. Omega. 389 p.
59
LAUREANO, J. 2012. Redes probabilísticas y neuronales en las ciencias
atmosféricas. Instituto Nacional de Meteorología, Madrid (España).
Series monográficas. 279 p.
ROJAS, J.2013.Redes neuronales artificiales para la predicción de ozono
troposférico en el distrito de Ate. [En Línea]: Redes neuronales para
predicción, (www.redesneuronales/practicapreprofesional/Ate,20 febrero
2016)
SORIA, E., SERRANO, A. y MARTÍN, J. 2009. Redes neuronales Artificiales.
Escuela Técnica Superior de Ingeniería. Valencia, España.
SUAREZ, E. 2009. Predicción de comportamientos a través de redes neuronal e
en Matlab. Cuba. 134 p.
SILVA, J. 2015. Evaluación de calidad de aire en Lima Metropolitana 2015.
SENAMHI. Lima, Perú. 68 p.
SERVICIO NACIONAL DE METEREOLOGIA E HIDROLOGIA. 2015. Criterios
establecidos para el sistema de control de calidad del SENAMHI. Lima,
Perú. QyR impresores. 33 p.
VELASCO, N. 2011. Tendencias en Ingeniería de Software e Inteligencia
Artificial, Vol. 4, Capitulo 14: Minería de datos para el análisis de datos
meteorológicos. Manizales, Colombia, Mac Graw-Hill. p. 105-114.
63
Anexo 3: Resumen de los datos de entrenamiento
Cuadro 14 Patrones de entrada para la R.N.A.
Date PM2.5 T H PP P R ws wd wdi
01/01/2013 00:00 112.9935 19.4 86 0 984.6 0 1.7 304 0.94911123
01/01/2013 01:00 125.9693 19.4 86 0 984.2 0 1.5 252 1.99364365
01/01/2013 02:00 388.3689 19.3 86 0 983.8 0 2.1 274 0.00539888
01/01/2013 03:00 286.1562 19 86 0 983.2 0 1.7 290 1.98236546
01/01/2013 04:00 273.0035 18.6 87 0 982.8 0 1.7 274 0.00539888
01/01/2013 05:00 229.8011 18.5 88 0 983.1 0 0.8 306 0.11305793
01/01/2013 06:00 179.7596 17.9 89 0 983.7 0 0 283 1.86344488
01/01/2013 07:00 128.3355 18.8 90 0 984.1 17 1.8 261 0.14105393
01/01/2013 08:00 178.8028 22.7 71 0 983.7 189 0.9 143 0.33472365
01/01/2013 09:00 93.91839 24.2 68 0 983.4 461 4 242 0.22750309
01/01/2013 10:00 175.829 25.1 64 0 984 676 5.5 257 1.17391175
01/01/2013 11:00 110.3133 26 59 0 983.7 823 4.7 267 0.3183447
01/01/2013 12:00 63.33234 26.7 58 0 982.8 621 7.3 264 1.7780874
01/01/2013 13:00 51.48737 27.1 54 0 982.1 838 6.9 255 0.03218631
01/01/2013 14:00 50.41877 28.5 49 0 981.5 861 6.7 246 1.98552128
01/01/2013 15:00 49.38854 28.8 47 0 980.7 766 6.5 245 1.67515233
01/01/2013 16:00 47.61637 26.1 55 0 980.4 580 7.4 250 0.48413752
01/01/2013 17:00 50.97702 25.1 57 0 980.4 348 7.1 266 1.24738205
01/01/2013 18:00 46.06157 23.9 61 0 981.1 136 3.5 285 1.09936905
01/01/2013 19:00 66.46094 21.6 70 0 981.9 10 3.2 303 1.81288539
63
64
01/01/2013 20:00 73.89541 21.4 72 0 982.2 0 2.8 342 0.65541289
01/01/2013 21:00 70.63733 20.1 79 0 983 0 2 301 1.19131667
01/01/2013 22:00 82.9417 20 79 0 983.6 0 3 319 0.38921431
01/01/2013 23:00 69.14237 19.2 83 0 983.8 0 2.9 279 0.81737864
02/01/2013 00:00 65.15889 18.8 85 0 983.5 0 2.9 305 0.13212396
02/01/2013 01:00 52.80046 18.5 88 0 982.9 0 2.1 259 1.82306804
02/01/2013 02:00 43.8651 18.3 88 0 982.2 0 1.8 288 0.76120383
02/01/2013 03:00 46.04056 18 89 0 982 0 1.8 307 0.90944234
02/01/2013 04:00 38.52369 18.3 90 0 981.9 0 2.3 295 1.45795082
02/01/2013 05:00 50.94478 18.4 88 0 981.9 0 0 261 0.14105393
02/01/2013 06:00 54.99839 18.4 88 0 982.3 0 1.7 251 1.44214245
02/01/2013 07:00 85.83775 19.8 83 0 982.9 40 1.5 256 0.26531691
02/01/2013 08:00 96.4453 22.2 72 0 983.2 206 2 245 1.67515233
02/01/2013 09:00 107.9045 23.1 68 0 983.6 465 3.7 262 0.10502073
02/01/2013 10:00 103.577 24.7 62 0 983.2 672 4.7 241 1.11696779
02/01/2013 11:00 94.07174 24.6 63 0 983.7 800 6.8 257 1.17391175
02/01/2013 12:00 82.45066 26.2 57 0 983.6 634 6 263 0.89182734
02/01/2013 13:00 61.8542 25.2 59 0 983.7 818 7.5 249 0.00041418
02/01/2013 14:00 73.56518 25.6 58 0 983.8 808 6.2 254 0.68885916
02/01/2013 15:00 68.98628 23.7 65 0 983.7 533 6.4 262 0.10502073
02/01/2013 16:00 54.93096 22.7 68 0 983.7 223 6 227 1.99980139
02/01/2013 17:00 51.95654 22.6 66 0 983.6 212 5.2 224 0.01301657
02/01/2013 18:00 62.8595 22.2 67 0 983.8 90 5 209 1.64521879
02/01/2013 19:00 83.00608 21.5 70 0 984.6 16 3.9 174 0.08979017
02/01/2013 20:00 91.3073 21.1 73 0 985 0 4.7 81 1.10380185
64
65
02/01/2013 21:00 118.6149 20.9 73 0 985.7 0 104 0.10304183
02/01/2013 22:00 111.9173 20.8 73 0 985.9 0 4.6 76 1.98318882
02/01/2013 23:00 95.99974 20.7 74 0 986.1 0 3.8 85 0.17943634
03/01/2013 00:00 66.51235 20.9 73 0 985.3 0 2.5 96 1.56791797
03/01/2013 01:00 60.21645 20.7 74 0 984.7 0 2.6 109 1.16952208
03/01/2013 02:00 58.64563 20.7 73 0 984.4 0 1.8 61 0.13434616
03/01/2013 03:00 43.60515 20 79 0 984.2 0 1.5 254 0.68885916
03/01/2013 04:00 44.8632 19.7 82 0 984 0 0.3 302 1.92929648
03/01/2013 05:00 39.3289 19.7 82 0 984.4 0 2.1 267 0.3183447
03/01/2013 06:00 54.14306 19.6 84 0 984.7 0 0.5 294 0.49938309
03/01/2013 07:00 62.03575 20.4 81 0 985.4 15 0.6 174 0.08979017
03/01/2013 08:00 75.8401 22 73 0 985.5 91 1.5 57 1.94471699
03/01/2013 09:00 126.61 22.5 71 0 985.7 162 1.8 239 1.85437997
03/01/2013 10:00 129.5474 23.8 65 0 985.4 215 1.6 235 0.83481149
03/01/2013 11:00 152.4013 24.3 64 0 984.9 293 3.2 275 0.3752937
03/01/2013 12:00 137.5495 25.4 60 0 984.4 425 4.6 248 0.43570543
03/01/2013 13:00 152.9271 26.3 56 0 983.8 517 4.4 242 0.22750309
03/01/2013 14:00 136.1675 26.9 52 0 983 681 5.5 257 1.17391175
03/01/2013 15:00 126.2419 25.1 59 0 982.5 552 6.8 256 0.26531691
03/01/2013 16:00 110.0357 25.7 57 0 982.4 410 5.1 267 0.3183447
03/01/2013 17:00 110.6988 24 63 0 982.4 240 4.2 283 1.86344488
03/01/2013 18:00 126.5448 23.4 65 0 983.1 126 2.5 227 1.99980139
03/01/2013 19:00 131.4981 22 69 0 983.7 10 3.6 84 1.03759462
03/01/2013 20:00 148.0448 21.4 71 0 984.3 0 1.5 31 1.36112277
03/01/2013 21:00 134.4486 19.8 78 0 985.1 0 1.6 301 1.19131667
65
66
03/01/2013 22:00 134.4986 19.1 82 0 985.4 0 2 287 0.05385089
03/01/2013 23:00 113.5681 18.5 86 0 985 0 0.7 240 1.89889285
04/01/2013 00:00 98.36309 18 88 0 984.4 0 0.8 246 1.98552128
04/01/2013 01:00 104.27 18.2 89 0 983.8 0 2.9 316 1.492935
04/01/2013 02:00 80.60354 17.4 90 0 983.4 0 0 3 0.39975651
04/01/2013 03:00 80.53081 17.4 91 0 982.9 0 0 57 1.94471699
04/01/2013 04:00 92.19327 17.1 92 0 982.8 0 0 339 1.47361567
04/01/2013 05:00 124.1542 16.8 92 0 983.4 0 0 243 0.04826848
04/01/2013 06:00 128.0184 17.1 92 0 984.2 0 1.9 266 1.24738205
04/01/2013 07:00 143.0474 18.8 92 0 984.9 54 0.7 261 0.14105393
04/01/2013 08:00 157.3815 22.7 72 0 984.8 247 1.5 197 1.13452988
04/01/2013 09:00 240.23 24.7 65 0 985 455 3.7 273 0.54993574
04/01/2013 10:00 236.1447 25.8 59 0 984.8 635 3.7 273 0.54993574
04/01/2013 11:00 153.2258 27 57 0 984.1 797 5.4 265 1.94897749
04/01/2013 12:00 139.4442 27.1 54 0 983.7 631 6.2 248 0.43570543
04/01/2013 13:00 135.5161 26.5 54 0 983.3 822 7.4 252 1.99364365
04/01/2013 14:00 106.6533 27.1 50 0 982.7 847 6.1 252 1.99364365
04/01/2013 15:00 70.07323 26.8 51 0 982.4 738 7.3 265 1.94897749
04/01/2013 16:00 59.97801 25.6 57 0 982 557 6.7 259 1.82306804
04/01/2013 17:00 65.25307 24.2 62 0 982.2 333 6.8 258 1.92261293
04/01/2013 18:00 74.04127 22.5 67 0 982.8 134 4.5 264 1.7780874
04/01/2013 19:00 103.8766 21.3 71 0 983.4 11 2.8 298 0.67208464
04/01/2013 20:00 126.0804 20.6 75 0 983.9 0 2.4 275 0.3752937
04/01/2013 21:00 127.9964 19.5 80 0 984.5 0 2.8 298 0.67208464
04/01/2013 22:00 123.7045 19.1 82 0 984.6 0 1.8 293
66
67
04/01/2013 23:00 116.3147 18.8 84 0 984.4 0 2. 9 308 1.78908505
05/01/2013 00:00 111.6975 18.5 85 0 984.2 0 3 317 0.53419851
05/01/2013 01:00 84.3999 17.7 87 0 983.2 0 1 310 1.23019158
05/01/2013 02:00 58.33915 17.5 89 0 982.8 0 1.9 265 1.94897749
05/01/2013 03:00 52.04314 17 90 0 982.5 0 1.9 270 1.57157987
05/01/2013 04:00 64.15714 16.9 91 0 982.6 0 0 154 0.2504658
05/01/2013 05:00 76.01245 16.6 91 0 982.8 0 0.4 87 0.82176136
05/01/2013 06:00 106.6292 16.7 92 0 983.2 0 0.3 164 1.98903608
05/01/2013 07:00 131.6094 18.6 91 0 983.9 52 1.7 241 1.11696779
05/01/2013 08:00 152.9444 21.1 76 0 984.1 232 1.9 236 0.0808374
05/01/2013 09:00 102.1493 22.1 72 0 984.1 454 3.7 275 0.3752937
05/01/2013 10:00 116.1215 23.9 65 0 983.9 643 5.2 281 0.18199124
05/01/2013 11:00 129.3061 25.4 58 0 983.3 807 3.7 252 1.99364365
05/01/2013 12:00 119.9476 27.3 52 0 983 628 6.1 265 1.94897749
05/01/2013 13:00 125.2913 27.8 48 0 982.5 830 5.5 257 1.17391175
05/01/2013 14:00 98.73055 27 51 0 982.2 869 5.9 220 1.76684591
05/01/2013 15:00 109.3282 26.6 54 0 981.5 774 7.1 249 0.00041418
05/01/2013 16:00 95.87914 24.9 58 0 981.2 579 7.5 249 0.00041418
Dónde: PM10 : promedio diario T: Temperatura ° C H:Humedad Relativa % PP: Precipitación (mm) P : Presión (hPa) R: Radiación (watts/m2) ws:
velocidad del viento (m/s) wd: dirección del viento (g°) wdi: índice de dirección del viento (g°)
67
68
Anexo 4: Panel fotográfico
Figura 22 Ensamblaje de los analizadores de gases.
Figura 23 Estación de calidad de aire del distrito de Ate.