evaluación de la variabilidad espaciotemporal de la

Evaluación de la variabilidad espaciotemporal de la profundidad

óptica de aerosoles en la zona carbonífera del Cesar a partir de

observaciones satelitales

Ana María Llorente Valbuena

Universidad Nacional de Colombia

Facultad de Ciencias Agrarias

Bogotá D.C., Colombia

2017

Evaluación de la variabilidad espaciotemporal de la profundidad

óptica de aerosoles en la zona carbonífera del Cesar a partir de

observaciones satelitales

Ana María Llorente Valbuena

Tesis presentada como requisito para optar al título de:

Magíster en Geomática

Director:

Ph.D., Omar Torres Codirector:

Ph.D., Rodrigo Jiménez Pizarro

Línea de Investigación: Geoinformación para el uso sostenible de los recursos naturales

Universidad Nacional de Colombia

Facultad de Ciencias Agrarias

Bogotá D.C., Colombia

2017

Haré de mis miedos, fortalezas

De mis manos, melodías

De mis angustias, una algarabía.

Haré de tu amor, poesía.

En memoria de Nicolás Cuadros Rubio.

Te adoro Nico.

Agradecimientos

A Omar Torres y a Rodrigo Jiménez por su confianza, apoyo y paciencia, tres elementos

fundamentales para poder culminar este trabajo. A Nicolás Cuadros Rubio por su tiempo,

sus consejos, sus aportes académicos y su brillantez. A Álvaro Cáceres y a Edwin López

por su tiempo e invaluables aportes académicos. A mi madre por su apoyo incondicional;

su confianza en mí. A Gabriela, el amor más grande.

Resumen y Abstract IX

Resumen

Este estudio evaluó la Profundidad Óptica de Aerosoles (AOD) recuperada del producto

MODIS - Aqua 3 km (MYD04_3K - Colección 6) sobre cuatro regiones en Colombia:

Medellín, Puerto Gaitán, Bogotá y la Zona Carbonífera del Cesar (ZCC). Las

recuperaciones de MODIS fueron comparadas con observaciones AERONET (AErosol

RObotic NETwork por sus siglas en inglés) El análisis arrojó que existe una

sobreestimación de los valores de AOD de MODIS de alrededor del 21 % en las

observaciones en Medellín, 37 % en UNC - Puerto Gaitán y 77 % en UNC – Bogotá y una

sobreestimación de los valores de AOD recuperados por el fotómetro en la ZCC del 8 %.

Los coeficientes de correlación fueron del orden de 0.867 para UNC - Puerto Gaitán,

seguido de la ZCC con 0.724 y Medellín con 0.537, y la correlación más baja para UNC -

Bogotá con 0.248 en una ventana espacial de 25 km y una ventana temporal de 30

minutos antes y después del paso del satélite. Se observaron valores similares de AOD

en la zona minera y en la zona no perturbada por minería, lo que sugiere que la pluma de

contaminación se conserva solo que no está impactando en superficie (distribución

vertical). Esto significa que si bien puede no haber impacto significativo en la calidad del

aire en la zona no perturbada por minería, sí pueden existir impactos asociados en

aspectos como el clima y el ciclo hidrológico.

Palabras clave: AOD, MODIS, AERONET, sensores remotos, zona minera del Cesar

X Evaluación de la variabilidad espaciotemporal de la profundidad óptica de aerosoles

en la zona carbonífera del Cesar a partir de observaciones satelitales

Abstract

This study has evaluated the Aerosol Optical Depth (AOD) recovered from the product

MODIS - Aqua 3 km (MYD04_3K - Collection 6) on four regions of Colombia: Medellín,

Puerto Gaitán, Bogotá, and the coal-mining area in Cesar. The MODIS recoveries

have been compared to observations of the AErosol RObotic NETwork (AERONET).

The analysis has shown an overestimation of the MODIS AOD values of about 21

percent in the observations in Medellín, 37 percent in UNC - Puerto Gaitán, and 77

percent in UNC - Bogotá; and an overestimation of 8 percent of the AOD values

recovered by the photometer on the coal-mining area in Cesar. The correlation

coefficients were 0.867 to UNC - Puerto Gaitán, followed by 0.724 to the coal-mining

area in Cesar and 0.537 to Medellín; the lowest correlation accounted for 0.248 to

UNC - Bogota in a space window of 25 km, and a window of ± 30 minutes before and

after the satellite. The AOD has been significantly related to the mining zone and the

undisturbed zone by mining; suggesting that the pen of contamination remains, and is

not impacting on the surface (vertical distribution). Which means that while there may

not be a significant impact on air quality in the undisturbed area, whether there may be

associated impacts in other aspects such as climate and the hydrological cycle.

Keywords: AOD, MODIS, AERONET, remote sensing, coal-mining area of Cesar

Contenido XI

Contenido

1. Marco teórico .......................................................................................................... 19 1.1. Aerosoles .......................................................................................................... 19 1.2. Profundidad óptica de aerosol (AOD) ................................................................ 21 1.3. AERONET: medición de aerosoles mediante observación directa del sol ......... 22

1.3.1 Descripción del algoritmo de medición de aerosoles a nivel de superficie ..... 24 1.4. MODIS: instrumento de medición de aerosoles mediante teledetección pasiva 25

1.4.1. Misión y descripción del instrumento ............................................................. 25 1.4.2. Algoritmo de recuperación de MODIS ............................................................ 29 1.4.3. Algoritmo del producto de 3 km de MODIS sobre la tierra ............................. 30

2. Materiales y métodos ............................................................................................. 33 2.1 Área de estudio .................................................................................................. 33 2.2 Datos MODIS ..................................................................................................... 34

2.2.1. Adquisición, lectura y preprocesamiento ........................................................ 34 2.2.2. Procesamiento de datos ................................................................................ 35

2.3 Datos AERONET ............................................................................................... 37 2.4 Análisis de datos ................................................................................................ 38

2.4.1. Datos coincidentes en tiempo y espacio ........................................................ 38 2.4.2. Análisis de regresión ..................................................................................... 43

2.5 Variabilidad temporal y distribución espacial del AOD de MODIS ...................... 44 2.5.1 Identificación de parámetros condicionantes del comportamiento de AOD para la selección de la ventana espacial de análisis ......................................................... 44 2.5.2 Ventana espacial de análisis.......................................................................... 45 2.5.3 Análisis de varianza para la selección de la ventana espacial de análisis (zona minera y zona no minera) ......................................................................................... 47 2.5.4 Aplicación del método Kriging en el análisis de la distribución espacial ......... 48

3. Resultados y discusión .......................................................................................... 49 3.1. Variabilidad temporal de datos AERONET ........................................................ 49 3.2. Análisis de regresión en ventanas espaciales de 7.5, 15, 25 y 50 km ............... 51 3.3. Análisis de regresión en ventanas espacio temporales definitivas .................... 55 3.4 Evaluación de la variabilidad temporal y la distribución espacial del AOD de MODIS en la ZCC con relación a zonas no perturbadas por minería .......................... 60

3.4.1. Variabilidad temporal del AOD en la zona de estudio .................................... 61 3.4.3 Distribución espacial del AOD en la zona de estudio ..................................... 67

4. Conclusiones .......................................................................................................... 71

5. Recomendaciones .................................................................................................. 73

XII Evaluación de la variabilidad espaciotemporal de la profundidad óptica de aerosoles


6. Bibliografía ..............................................................................................................77

Contenido XIII

Lista de figuras

Figura 1-1: Sistema de medida de AERONET ............................................................ 23 Figura 2-1: Sistema de escaneo Aqua – MODIS ........................................................ 26 Figura 3-1: Ángulo de visión del sensor MODIS ......................................................... 27 Figura 4-2: Zona Carbonífera del departamento del Cesar, Colombia ........................ 34 Figura 5-2: Homogenización espacial de datos MODIS. En azul capa base y en negro

lecturas de tres orbitas de MODIS durante 2013 ............................................................ 36 Figura 6-2: Ventanas espaciales: 7.5, 15 y 25 km en Medellín ................................... 41 Figura 7-2: Ventanas espaciales: 7.5, 15 y 25 km en Puerto Gaitán ........................... 41 Figura 8-2: Ventanas espaciales: 50 km en Bogotá .................................................... 42 Figura 9-2: Ventanas espaciales: 7.5, 15 y 25 km en UPC-GEAM Valledupar (ZCC) . 42 Figura 10-3: Ventanas espaciales basadas en criterios climáticos, topográficos y de

concentración de material particulado ............................................................................ 46 Figura 11-3: Variabilidad temporal horaria del AOD de AERONET de datos Nivel 2.0 en

Medellín (A), UNC - Gaitán (B) y UNC - Bogotá (C). Y datos nivel 1.5 en UPC – GEAB-

Valledupar (D) 49 Figura 12-3: Comparaciones de AERONET - MODIS a 550 nm en Medellín

empleando un radio de coincidencia espacial de 25 km en una ventana temporal de ± 30

minutos. La línea azul representa el ajuste de los datos, la línea negra la recta 1:1 y las

líneas punteadas representan el EE ± (0.05 + 15 %) ...................................................... 56 Figura 13-3: Comparaciones de AERONET - MODIS a 550 nm en Puerto Gaitán



líneas punteadas representan el EE ± (0.05 + 15 %) ...................................................... 57 Figura 14-3: Comparaciones de AERONET - MODIS a 550 nm en UPC-Valledupar



líneas punteadas representan el EE ± (0.05 + 15 %) ...................................................... 58 Figura 15-3: Promedios mensuales de AOD (2012 – 2015). Grupo 1: Sectores La

Loma (ZM07- zona minera) y Minguillo (ZM11- zona no minera) .................................... 62 Figura 16-3: Promedios mensuales de AOD (2012 – 2015). Grupo 2: Sectores La

Jagua (ZM09 – zona minera) y Casacará (ZM22 – zona no minera) .............................. 62 Figura 17-3: Promedios mensuales multianuales de AOD (2012 – 2015). .................. 64 Figura 18-3: Promedios estacionales de AOD (épocas seca y húmeda) (2012 – 2015).

64 Figura 19-3: Distribución espacial del AOD durante el 2012 en la ZCC ...................... 68 Figura 20-3: Distribución espacial del AOD durante el 2013 en la ZCC ...................... 69

XIV Evaluación de la variabilidad espaciotemporal de la profundidad óptica de aerosoles


Figura 21-3: Distribución espacial del AOD durante el 2014 en la ZCC ....................... 69 Figura 22-3: Distribución espacial del AOD durante el 2015 en la ZCC ....................... 70

Lista de tablas

Tabla 1-3: Resumen estadístico de la validación de las observaciones MODIS 3 km en

Medellín para radios de coincidencia espacial de 7.5, 15 y 25 km. (Periodo evaluado:

2012 - 2014) 51 Tabla 2-3: Resumen estadístico de la validación de las observaciones MODIS 3 km.

UNC-Gaitán. (Periodo evaluado: 2015) ........................................................................... 52 Tabla 3-3: Resumen estadístico de la validación de las observaciones MODIS 3 km.

UNC-Bogotá. (Periodo evaluado: 2013, 2015) ................................................................ 53 Tabla 4-3: Resumen estadístico de la validación de las observaciones MODIS 3 km.

UPC- GEAM-Valledupar ................................................................................................. 54

Introducción 15

Introducción

Los aerosoles son partículas sólidas y líquidas suspendidas en la atmósfera. Pueden ser

vistos como neblina amorfa que reduce la visibilidad en días contaminados, o plumas

bien definidas de partículas en suspensión. Su origen puede ser natural (áreas

desérticas, polvo, sal marina, emisiones volcánicas y emisiones biogénicas), o

antropogénicas (emisiones industriales, quemas de biomasa en agricultura y cambios en

el uso de la tierra que aceleran la erosión y la evaporación de lagos). Como la mayoría

de aerosoles son producidos en la superficie de la tierra, estos están generalmente

concentrados en la parte más baja de la atmósfera y cerca de las fuentes de producción

(Lenoble J., Remer L. A., y Tanré D., 2013). La tropósfera es la capa más baja de la

atmósfera terrestre y se extiende a una altura de 8 a15 km, dependiendo de la latitud

(NASA, 1994).

Las propiedades ópticas de los aerosoles atmosféricos están determinadas por la

composición, la concentración, el tamaño, la forma y la estructura interna; todas estas

características varían en el espacio y en el tiempo. Dependiendo del tipo de aerosol se

puede identificar entre las partículas diferentes minerales; sulfatos, nitratos, partículas

biológicas como bacterias y polen, partículas orgánicas, hollín y sal marina. Estas

partículas son diminutas con tamaños típicos alrededor de los 100 nm (Kokhanovsky, A.,

2008).

Los aerosoles atmosféricos impactan el balance radiativo de la tierra, los procesos

hidrológicos y los ciclos globales del carbono, nitrógeno y azufre (Remer L. A., Tanré D. y

Kaufman Y. J., s.f). Los efectos climáticos de partículas de aerosol dependen de su

distribución atmosférica, junto con su higroscopicidad y propiedades ópticas. Tanto para

las propiedades ópticas de los aerosoles como la formación de nubes son determinantes

la distribución de tamaño de partículas, la composición química y el estado y la

morfología de la mezcla. Estas propiedades están determinadas por una compleja

16 Evaluación de la variabilidad espaciotemporal de la profundidad óptica de aerosoles


interacción entre sus fuentes, los procesos de transformación y su eliminación de la

atmósfera (IPCC, 2013).

Recientemente, la medición por satélite de la profundidad óptica de aerosoles (AOD por

sus siglas en inglés), se ha convertido en una herramienta importante para caracterizar

los patrones de aerosol en el espacio y el tiempo (Xiao Q. et al., 2016). El AOD

recuperado mediante observación satelital, se define como la integral en la vertical de la

extinción del aerosol desde el suelo hasta la parte superior de la atmósfera (Dinoi A.,

Perrone M. R. y Burlizzi P., 2010); dicho de otra forma, indica el grado en que los

aerosoles impiden la transferencia de luz en toda la columna atmosférica. El parámetro

leído indica la atenuación de un haz de luz o radiación a medida que atraviesa la capa

atmosférica.

Para la medición del AOD, existen además de un gran número de instrumentos de

observación satelital tales como AVHRR-2, SeaWiFS, POLDER, MODIS, MISR; otros

instrumentos basados en tierra como los empleados por AERONET (AErosol RObotic

NETwork). Estos últimos, utilizados a menudo para la validación de las consultas

basadas en satélites (Xu Q., et al., 2006).

Como resultado de varias investigaciones, se ha encontrado que el uso de información

satelital para el análisis de aerosoles, han presentado resultados satisfactorios y por

tanto despiertan mayor interés en dar continuidad a investigaciones similares. Por

ejemplo, Alam K., Qureshi S. y Blaschke T. (2011), encontraron una fuerte correlación

entre los dos conjuntos de datos MODIS y MISR con las mediciones AERONET en

Pakistán. Así como Tripathi S. N. et al., (2005) encontraron buena correlación entre

MODIS y AERONET con R = ~ 0.71 en la ciudad de Kanpur India, y Munchak L. A. et al.,

(2013) un R > 0.90 sobre el corredor de Baltimore-Washington DC, EE.UU.

El uso cada vez más frecuente de información satelital para el análisis de los aerosoles y

otras variables atmosféricas, ha sido empleado también para proporcionar una medida de

la abundancia de material particulado (PM por su siglas en inglés). En particular, el AOD

derivado de MODIS se ha comparado con mediciones de PM en superficie en varios

Introducción 17

estudios debido a la capacidad de MODIS para proporcionar una cobertura global diaria y

una buena resolución espacial (Dinoi A., Perrone M. R. y Burlizzi P., 2010).

Es por ello que investigaciones como la de Liu Y., Franklin M., Kahn R. y Koutrakis P.

(2006), han explorado la capacidad de medición de AOD de instrumentos satelitales

como MODIS y MISR en la predicción de concentraciones de material particulado menor

a 2.5 micras (PM2.5) a nivel del suelo en el área de St. Louis, Estados Unidos. Los

resultados mostraron que tanto MODIS como MISR fueron predictores significativos de

las concentraciones de PM2.5, y tienen previsibilidad global comparable de las

concentraciones de PM2.5 a nivel del suelo. En este trabajo MISR explica el 62 % de la

variabilidad de PM, mientras MODIS solo explica el 51 %. Otros investigadores han

obtenido una relación empírica entre AOD derivado de MODIS y la masa de PM2.5,

cuyos resultados muestran que existe una correlación de 0.96 entre la medición diaria de

satélite y los valores de PM2.5 en seis ciudades (Gupta P. et al., 2006).

En la actualidad, muchas ciudades alrededor del mundo cuentan con redes de monitoreo

ambiental en superficie destinadas a la medición de la concentración de PM y gases

contaminantes, gran parte de estas con observación continua. No obstante, dichas redes

presentan limitaciones asociadas a cobertura geográfica y costos de instalación y

mantenimiento. De lo anterior, y acorde con lo mencionado por Wang C. et al., (2003)

citado en Wang C., et al., (2013), el limitado monitoreo de las estaciones no puede

reflejar exhaustivamente la distribución espacial de las partículas de aerosol, ni

proporcionar alertas sanitarias a grandes escalas espaciales, especialmente cuando los

contaminantes vienen de fuentes fuera de la ciudad.

Es allí donde surgen los datos de teledetección por satélite para el estudio de la

distribución de aerosoles atmosféricos. Estos pueden proporcionar un espectro más

amplio en el análisis de la distribución espacial y temporal de los aerosoles, con

observación continua y fácil acceso a la información. En ese sentido, se convierte en un

nuevo método para la evaluación y análisis del contenido de aerosoles en la atmósfera,

que puede complementar la información de las redes de monitoreo en superficie y su

relación con actividades antropogénicas y los impactos derivados de este, especialmente

en el clima global.



Por lo anterior, esta investigación presenta un análisis y validación de las recuperaciones

del AOD de MODIS y AOD de AERONET en un periodo total de medición de cuatro años

(2012 – 2015) en cuatro regiones de Colombia: Medellín, Puerto Gaitán, Bogotá y Zona

Carbonífera del Cesar (ZCC). Estas regiones se caracterizan por ser diversas en cuanto

a condiciones geográficas y climáticas y además, por albergar diferentes tipos de fuentes

de emisión de aerosoles atmosféricos.

Objetivos

General

Validar observaciones satelitales MODIS mediante mediciones de superficie AERONET y

evaluar la distribución espacial y la variabilidad temporal de la profundidad óptica de

aerosoles en la Zona Carbonífera del Cesar (ZCC) a partir de observaciones satelitales.

Específicos

• Validar observaciones satelitales de la profundidad óptica de aerosoles

recuperadas de MODIS empleando observaciones de superficie AERONET para

condiciones de topografía y nubosidad prevalecientes en Colombia.

• Evaluar la variabilidad temporal y la distribución espacial de la profundidad óptica

de aerosoles en la Zona Carbonífera del Cesar (ZCC) con relación a zonas no

perturbadas por minería.

Marco teórico 19

1. Marco teórico

1.1. Aerosoles

Los aerosoles son pequeñas partículas suspendidas en el aire. Algunos se producen de

forma natural procedentes de los volcanes, tormentas de polvo desértico, incendios

forestales y de pastizales y sal marina. Las actividades humanas como la quema de

combustibles fósiles y la alteración de la cubierta de la superficie natural también generan

aerosoles. En promedio en el mundo, los aerosoles generados por las actividades

humanas actualmente representan aproximadamente el 10 % de la cantidad total de los

existentes en la atmósfera (Hardin M. y Kahn R., 2010).

El término aerosol atmosférico abarca una amplia gama de tipos de partículas que tienen

diferentes composiciones, tamaños, formas y propiedades ópticas. La carga de aerosol o

su cantidad en la atmósfera, se identifican generalmente por la concentración de masa o

por una medida óptica; la profundidad óptica de aerosoles (Aerosol Optical Depth por sus

siglas en inglés). El AOD se define como la integral vertical a través de toda la altura

atmosférica de la fracción de la luz incidente, ya sea dispersada o absorbida por las

partículas en suspensión. Por lo general, los modelos numéricos y las observaciones in

situ utilizan la concentración de masas como la principal medida de la carga de

aerosoles, mientras que la mayoría de los métodos de teledetección miden AOD (Remer,

L. A. et al., 2009).

Esta última (AOD), es medida por la Red Robótica de Aerosoles (AERONET) y de

Instrumentos como MODIS (Moderate Resolution Imaging Spectrometer), MISR (Multi-

angle Imaging Spectro Radiometer), Parasol (Polarization and Anisotropy of Reflectances

for Atmospheric science coupled with Observations from a Lidar), AVHRR (Advanced

Very High Resolution Radiometer) y ATSR (Along Track Scanning Radiometer) (Boucher

O. et al., 2013).



Como la mayoría de aerosoles son producidos en la superficie de la tierra, estos están

generalmente concentrados en la parte más baja de la atmósfera y cerca de las fuentes

de producción. Sin embargo, las partículas pueden alcanzar niveles más altos y pueden

ser transportadas grandes distancias. Su remoción en la atmósfera puede ser por

deposición seca, lavado por precipitación y por evaporación. Al nivel estratosférico, estos

son abundantes después de grandes erupciones volcánicas y se forman principalmente

mediante la conversión de gas a partícula. Aunque mucho menos numerosos que los

aerosoles troposféricos, estos pueden tener un impacto importante debido a su larga

permanencia en la atmósfera y su propagación alrededor de la Tierra (Lenoble J., Remer

L. A. y Tanré D., 2013).

Dependiendo del tipo de aerosol se pueden identificar entre partículas diferentes

minerales; sulfatos, nitratos, partículas biológicas como bacterias y polen, partículas

orgánicas, hollín y sal marina. Estas partículas son diminutas con tamaños típicos

alrededor de los 100 nm (Kokhanovsky A., 2008). El aerosol cercano al suelo puede

también ser llamado material particulado atmosférico (PM) (Pope C. et al., 1995 citado en

Wang C. et al., (2013),

Los aerosoles afectan el balance de energía de la Tierra por la dispersión y la absorción

de la radiación (lo que se conoce como "efecto directo") y modificando las propiedades

microfísicas y radiativas de las nubes ("efectos indirectos"). Los aerosoles influyen en las

nubes a través de su papel como núcleos de condensación. Los aumentos en la

concentración de partículas de aerosol pueden aumentar la concentración ambiental de

dichos núcleos, afectando así las propiedades y duración de las nubes. Los aerosoles

también pueden afectar a las nubes mediante la absorción de la energía solar y alterando

el entorno en el que se desarrolla la nube, cambiando de este modo sus propiedades sin

llegar a servir como núcleos de condensación. Tales efectos pueden cambiar los

patrones de precipitación, así como su extensión y propiedades ópticas (Remer L. A. et

al., 2009).

El principal efecto directo de los aerosoles es un brillo en la atmósfera cuando se ve

desde el espacio, ya que gran parte de la superficie de la Tierra es océano (superficie

oscura en la región visible e infrarroja cercana), y la mayoría de los aerosoles dispersan

más del 90 % de la luz visible que incide en ellos. Los efectos indirectos primarios del

Marco teórico 21

aerosol en las nubes incluyen un aumento en el brillo de las mismas, una reducción de la

precipitación y, posiblemente, un aumento de la permanencia en la atmósfera; así el

impacto global neto de aerosoles es un aumento de la reflectancia de la Tierra (albedo de

onda corta). Esto reduce la luz solar que alcanza la superficie de la Tierra produciendo un

enfriamiento climático neto, así como una redistribución de la energía de calor radiante y

latente depositado en la atmósfera. Estos efectos pueden alterar la circulación

atmosférica y el ciclo del agua, incluyendo los patrones de precipitación (Remer L. A. et

al., 2009).

El creciente interés científico en los aerosoles atmosféricos se debe a su gran

importancia para la política medioambiental. De hecho, las partículas se constituyen

como uno de los problemas más desafiantes tanto para la calidad del aire como para las

políticas de cambio climático. A su vez, tienen una influencia importante a nivel mundial

en temas de salud humana (Fuzzi S. et al., 2015). La evidencia emergente de efectos

sobre la salud cardiovascular está relacionado con el PM y el conocimiento cada vez

mayor con respecto a vías fisiopatológicas generales interconectadas que vinculan la

exposición a PM con morbilidad y mortalidad cardiopulmonar (Pope C. y Dockery D. W.,

2006).

La caracterización de la distribución global de aerosoles y los cambios en el tiempo son

necesarios para la comprensión de las futuras condiciones climáticas. Para alcanzar

estos objetivos, la NASA ha desplegado un conjunto de satélites conocidos como el

Sistema de Observación de la Tierra (EOS) para supervisar una serie de propiedades

importantes del clima, incluidos los aerosoles (Levy R.C. et al., 2013); y MODIS hace

parte de este sistema.

1.2. Profundidad óptica de aerosol (AOD)

El AOD es la medida en que los aerosoles reducen la transmisión de la luz (ya sea por

efecto de dispersión o absorción) debido a partículas en suspensión presentes en toda la

columna atmosférica. Formalmente, el AOD es una cantidad adimensional; es la integral

del producto de la concentración del número de partículas y la sección transversal de

extinción de partículas (que representa la dispersión de la partícula individual y la

absorción), a lo largo de una determinada trayectoria a través de la atmósfera, medida



verticalmente. Además del AOD, el tamaño de partícula, la composición y estructura,

están determinadas tanto por el tipo de fuente y el procesamiento atmosférico posterior, y

cómo estas interactúan con la energía radiante e influyen en el balance de calor del

planeta. El tamaño y la composición también determinan la capacidad de las partículas

para servir como núcleos para la formación de nubes. Esto proporciona un medio

indirecto para interactuar con la energía radiante mediante la modificación de

propiedades de las nubes (Remer L. A. et al., 2009).

1.3. AERONET: medición de aerosoles mediante

observación directa del sol

Con el lanzamiento del sensor MODIS a bordo de los satélites Terra y Aqua, nuevos

conjuntos de datos de la distribución global y propiedades de los aerosoles están siendo

recuperados y necesitan ser validados y analizados. Dichos datos se validan con

observaciones de fotómetros solares en superficie, en particular los de la Red Robótica

de Aerosol (AERONET) (Ichoku C. et al., 2002). Los datos de la profundidad óptica de

aerosoles se calculan para tres niveles de calidad: Nivel 1.0 (sin filtro o eliminación de

observaciones afectadas por nubes), Nivel 1.5 (filtro de nubes) y Nivel 2.0 (filtro de nubes

y control de calidad) (NASA, 2010).

AERONET, iniciado en el proyecto EOS de la NASA y ampliada por muchas otras

instituciones, es una red de radiómetros espectrales distribuida globalmente y controlada

robóticamente. Cada instrumento mide la intensidad del sol y la luz del cielo a lo largo de

las horas del día desde el ultravioleta a través del infrarrojo cercano. El programa

proporciona una base de datos de dominio público accesible de valores de profundidad

óptica de aerosol, microfísica, y propiedades de radiación para el desarrollo de diversas

investigaciones (NASA, s.f).

El fotómetro hace tres tipos de medición: directa al sol o al cielo, planos principales y

almucantar dentro de varias secuencias programadas. Las mediciones directas al sol se

hacen en ocho bandas espectrales que requieren aproximadamente 10 segundos

(depende de la configuración del instrumento). Ocho filtros de interferencia a longitudes

de onda de 340, 380, 440, 500, 670, 870, 940 y 1020 nm se encuentran en una rueda de

filtros que se hace girar por un motor paso a paso de accionamiento directo. Una

Marco teórico 23

secuencia preprogramada de las mediciones se toma por estos instrumentos a partir de

una masa de aire de 7 de la mañana y que termina en una masa de aire de 7 de la tarde.

La profundidad óptica se calcula a partir de la extinción espectral de la radiación directa

del haz en cada longitud de onda basada en la Ley de Beer-Lambert-Bouguer (NASA,

2007).

La atenuación debida a la dispersión de Rayleigh y la absorción por el ozono y los

contaminantes gaseosos son estimados y se eliminan matemáticamente para el cálculo

del AOD. Durante los períodos de grandes masas de aire se realizan mediciones directas

al sol en intervalos de 0.25, mientras que en masas de aire más pequeñas se realizan

mediciones en intervalos de 15 minutos. La variación en el tiempo de las nubes es por lo

general mayor que la de los aerosoles que provocan una variación observable en los

tripletes que se pueden utilizar para detectar nubes en muchos casos. Además, el

intervalo de 15 minutos permite una comprobación de la frecuencia temporal de

contaminación por nubes (NASA, 2007).

Figura 1-1: Sistema de medida de AERONET

Fuente: Alegría D., 2015

Respecto a las mediciones indirectas, estos instrumentos miden el resplandor del cielo

en cuatro bandas espectrales (440, 670, 870 y 1020 nm) a lo largo del plano principal

solar (es decir, con ángulo de acimut constante, con variados ángulos de elevación hasta

nueve veces al día y a lo largo del almucantar solar (es decir, en el ángulo de elevación



constante, con variados ángulos de acimut) hasta seis veces al día. El enfoque es

adquirir observaciones de radiancias de la aureola y el cielo a través de una amplia gama

de ángulos de dispersión del sol a través de un perfil de aerosol constante para recuperar

la distribución de tamaño, y la función de fase de aerosol. Más de ocho secuencias

almucantar se realizan todos los días a una masa de aire óptico de 4, 3, 2 y 1.7 por la

mañana y por la tarde (NASA, 2007).

1.3.1 Descripción del algoritmo de medición de aerosoles a nivel de superficie

De acuerdo con Wehrli C. J. (2008), un fotómetro solar mide la radiación solar directa en

el haz de una o varias bandas de longitud de onda estrechas en unidades arbitrarias. La

ley de Beer-Lambert-Bouguer aplica para calcular el flujo radiante espectral recibido por

el instrumento de la siguiente forma:

𝑆(𝜆𝑚𝑅) = 𝑆0(𝜆) 𝑒−𝑚𝛿(𝜆)𝑅−2 + 휀 (1)

Donde S0 es la señal exoatmosférica en una longitud de onda λ y distancia estándar de

Sol-Tierra de 1 unidad astronómica, m es la masa de aire óptica a lo largo de la línea de

visión hacia el Sol, δ es la profundidad óptica total, R = r / r0 es el la distancia Sol-Tierra

en unidades astronómicas, y ε representa la radiancia circumsolar del cielo en el campo

de visión del fotómetro.

La profundidad óptica total mδ incluye varios términos δ, que describen la extinción por

diferentes componentes atmosféricos: la dispersión molecular, la absorción del gas y la

extinción del aerosol. A medida que estos componentes tienen diferentes estructuras

verticales, la masa de aire óptica a lo largo de un trayecto oblicuo refractada por la

atmósfera suele ser ligeramente diferente. Por lo tanto, la profundidad óptica total se

define como τ = mδ = Σ miδi

Con base en la ley de Beer-Lambert-Bouguer y la reorganización de los términos para la

determinación de la profundidad óptica de aerosoles δA se presenta la siguiente

ecuación:

Marco teórico 25

𝛿𝐴= −𝑙𝑛 (𝑆0)𝑙𝑛 (𝑆− )−2 ln(𝑅)−∑ 𝛿𝐼𝑚𝑖

𝑛−1𝑖=1

𝑚𝐴 (2)

Donde los subíndices A indican términos específicos en aerosol.

En la ecuación (2) la señal S es la única cantidad medida, todos los otros términos se

basan en modelos de extinción atmosférica o del proceso de medición que se aproxima

por expresiones relativamente simples para el uso práctico.

1.4. MODIS: instrumento de medición de aerosoles

mediante teledetección pasiva

1.4.1. Misión y descripción del instrumento

La órbita polar del Espectrómetro de Imágenes de Resolución Moderada (MODIS) con su

alta resolución espacial y amplio rango espectral, fue el instrumento clave para el control

de las propiedades globales de los aerosoles. MODIS es un instrumento que hace parte

del Sistema de Observación de la Tierra (EOS) a bordo de los satélites Terra y Aqua.

Ambos satélites están en órbita polar; Terra en una órbita descendente (hacia el sur)

sobre el ecuador alrededor de las 10:30 hora local solar, y Aqua en una órbita

ascendente (hacia el norte) sobre el ecuador a las 13:30 hora local solar; observando con

ello casi todo el mundo sobre una base diaria, y las órbitas de repetición cada 16 días

(Levy R.C. et al., 2009).



Figura 2-1: Sistema de escaneo Aqua – MODIS

Fuente: Platnick S. E. y Xiong X., 2014

MODIS ha estado observando la Tierra a bordo de Terra desde principios del 2000 y

desde Aqua desde mediados de 2002 (Levy R.C. et al., 2010). Fue diseñado para

escanear a través del nadir en un plano perpendicular al vector de velocidad, con un

máximo de escaneado que se extiende hasta 55 ° a cada lado del nadir (110 ° de la

abertura). A una altitud orbital nominal de la nave espacial EOS AM-1 de 705 km, se

produce un ancho de barrido de 2330 km. En el concepto de línea de base, la Tierra

emite y refleja radiación solar la cual incide sobre un espejo de escaneo de doble cara

que gira continuamente alrededor de un eje alineado con la dirección de vuelo (King M.D.

et al., 1997).

Marco teórico 27

Figura 3-1: Ángulo de visión del sensor MODIS

Fuente: Mas F. J., 2011

El instrumento MODIS cuenta con una alta sensibilidad radiométrica (12 bit) en 36

bandas espectrales en un rango de longitud de onda que va de los 0.4 µm a los 14.4 µm.

Dos bandas son tomadas a una resolución nominal de 250 m al nadir, cinco bandas a

500 m y las 29 bandas restantes a 1 km. MODIS posee además una alta calidad

geométrica que permite el monitoreo preciso de las alteraciones de la superficie terrestre

(error RMS inferior a 50 m) (Mas F. J., 2011).

De acuerdo con Mas F. J. (2011), existen cinco niveles de productos MODIS en función

del grado de procesamiento realizado. El Nivel 0 son los datos sin ningún tratamiento. El

Nivel L1 corresponde a datos de geolocalización que contiene coordenadas geodésicas,

información sobre la elevación del terreno, máscara de tierra/agua, ángulo de elevación,

cenit y acimut del satélite y del sol. El Nivel 1A son los productos utilizados para la

geolocalización, la calibración y el procesamiento, mientras que los datos de Nivel 1B

contienen las radiancias calibradas y con geolocación para las 36 bandas generadas por

el Nivel 1A. Es por lo tanto una imagen radiométricamente corregida y calibrada a

unidades físicas.

Por su parte, los datos de Nivel L2 son los productos que contienen variables geofísicas.

Estos productos se generan a partir del producto Nivel L1B aplicando correcciones

atmosféricas y algoritmos. Estos productos generados pueden ser almacenados en



gránulos, que corresponden a 5 minutos de datos colectados por MODIS, de tal forma

que cada gránulo es de aproximadamente 2340 x 2330 km.

Finalmente, los productos Nivel 3 y Nivel 4; el primero es de valor agregado y se deriva

de variables geofísicas mapeadas. En algunos casos se realiza un remuestreo a una

menor resolución espacial que las bandas originales y se elaboran compuestos de

intervalos de tiempo establecidos (1, 8, 16 y 30 días). Los de Nivel 4, son los productos

generados por la incorporación de los datos MODIS en modelos para así estimar

variables geofísicas.

Los datos MODIS están organizados por colecciones. Una colección se compone de

productos que se generaron de la misma forma, pero no necesariamente con la misma

versión del algoritmo (Levy R.C. et al., 2009). A medida que se perfeccionan o se

corrigen los algoritmos de elaboración, se generan versiones (o colecciones) mejoradas.

Todos los productos archivados se reprocesan, incluyendo los productos de fechas

anteriores, por lo cual las colecciones más recientes brindan un mejor desempeño.

Actualmente, la mayoría de los productos se encuentran en la versión 5 (Mas F. J.,

2011). En la Colección 5 (C5), el algoritmo recupera la profundidad óptica de aerosoles

sobre la mayor parte del planeta sobre una base diaria (Levy R.C. et al., 2009).

Recientemente fue introducida la Colección 6 (C6) para recuperar la profundidad óptica

de aerosol y los parámetros de tamaño de aerosol de MODIS. Aunque no es una revisión

principal de la colección anterior (versión C5), existen suficientes cambios que generan

un impacto significativo de los productos y su interpretación. La C6 fue creada a partir de

tres algoritmos de recuperación independientes que operan en diferentes tipos de

superficie. Son dos los algoritmos: Dark Target (DT por sus siglas en inglés) u "objetivo

oscuro" para la recuperación sobre el océano (oscuro en el visible y longitudes de onda

larga) y a través de las tierras con vegetación (oscura en el visible); más el algoritmo de

Deep Blue "Azul profundo" (DB por sus siglas en inglés), desarrollado originalmente para

la recuperación sobre el desierto y tierras áridas (brillante en el visible). En respuesta a

las necesidades de la comunidad de calidad del aire, además del producto estándar de

10 Km, la C6 incluyó el producto DT Land y DT ocean de 3 km (Levy R. C. et al., 2013).

Marco teórico 29

1.4.2. Algoritmo de recuperación de MODIS

El algoritmo de recuperación de aerosol "objetivo oscuro" de MODIS está diseñado para

inferir de un cielo despejado (sin nubes), las propiedades de los aerosoles sobre

superficies de tierra que tienen valores bajos de reflectancia (por ejemplo, "oscuras") en

la franja del visible (VIS) e infrarrojo de onda corta (SWIR) del espectro electromagnético.

Generalmente, la vegetación y regiones oscuras del suelo son ejemplos de tales

"objetivos oscuros", proporcionando una superficie de contraste para observar

relativamente más brillante la reflectancia del aerosol. El algoritmo básico utiliza dos

bandas en el visible (0.47 y 0.65 μm) y una de onda corta (2.1μm), bandas que son casi

transparentes para el CO2 y el H2O y demuestra una relación espectral constante en las

superficies de tierra con vegetación (Kaufman Y. J. et al., 1997). Longitudes de onda

adicionales en otras partes del espectro se utilizan para enmascarar las nubes, desiertos,

nieve y superficies de hielo, condiciones que no corresponden al objetivo oscuro. Una

superficie de vegetación no es "oscura" en la longitud de onda de la banda verde de

MODIS (por ejemplo 0.55 μm), y por lo tanto, el canal de 0.55 μm no puede ser utilizado

directamente (Levy R. C. et al., 2010).

La medición satelital de la profundidad óptica de los aerosoles en tierra se desarrolló a

partir de la reflectancia aparente terrestre (ρ*) en la parte superior de las observaciones

atmosféricas enlazadas por el satélite (Kaufman et al., 1998; Ma Jinji et al., 2005 citado

en (Wang C. et al., 2013):

𝜌∗ =𝜋𝐿

𝐹𝑠𝜇𝑠 (3)

Donde L es la luminosidad en la parte alta de la atmosfera, Fs es el flujo solar

extraterrestre y μs es el coseno del ángulo cenital solar. La recuperación es la relación

entre ρ* observado y la característica de la superficie de reflectancia bidireccional. El

supuesto de la superficie terrestre de las observaciones es una superficie uniforme

Lambert, y en la atmosfera cambios verticales uniformes, sin considerar el impacto de los

otros factores tales como el gas de absorción. La reflectancia aparente (ρ*λ (θ0, θ, φ))

que se observa por satélite puede ser expresada como (Levy et al., 2007; Kaufman et al.,

1997, 1998; Remer et al., 2006 citado en Wang C. et al., 2013):

rl

* (q0,q,j) = rl

a(q0,q,j)+Fl (q0 )Tl (q )rl

s(q0,q,j)

1- Slrl

s(q0,q,j) (4)



En la fórmula (4), θ0 es el ángulo de visión, θ es el ángulo cenital solar y φ es el acimut

de la radiación dispersa desde el haz de luz solar. ρaλ (θ0, θ, j ) es la ruta de reflectancia,

Fl (q0 ) es el flujo total normalizado para una superficie de reflectancia cero, equivalente

a la transmisión total hacia abajo. Su valor es inferior a 1.0 debido a los aerosoles, la

absorción molecular y a la retrodispersion de la luz solar al espacio. Tλ (θ) es la

transmitancia total desde arriba en la dirección del campo de la visión del satélite, Sl es

el radio de retrodispersion atmosférica y rl

s(q0,q,j) es el promedio de reflectancia de la

superficie dentro de la visión y los ángulos de iluminación. En la aproximación de

dispersión, rl

a(q0,q,j) se puede expresar por la relación entre la función de fase del

aerosol de dispersión simple Pl

a(q0,q,j)y el albedo de dispersión simple (w0).

rl

a(q0,q,j) = rl

m(q0,q,j)+w0t

aPl

a(q0,q,j)

4mm0

(5)

Donde rl

m(q0,q,j) es el camino óptico de la radiación debido a la dispersión molecular,

μ y μ0 son los cosenos de los ángulos de visión e iluminación, respectivamente. La

reflectancia aparente rl

* (q0,q,j) observada por el satélite es, o la función de la

profundidad óptica de los aerosoles o la función de la reflectividad de la superficie

subyacente. Por lo tanto, si se conoce la reflectividad de la superficie subyacente

rl

s(q0,q,j) y de acuerdo con las diferentes regiones de las características de los

aerosoles, será determinado el modelo atmosférico de aerosoles (Remer L. A. et al.,

2006 citado en Wang C. et al., 2013).

1.4.3. Algoritmo del producto de 3 km de MODIS sobre la tierra

De acuerdo con lo descrito en (Munchak L. A. et al., 2013), el método de recuperación

del aerosol de MODIS 3 km proviene de la metodología de recuperación denominada

“objetivo oscuro” y está basada en que en las longitudes de onda visibles los aerosoles

son luminosos y la superficie vegetal tiende a ser oscura. El contraste espectral entre los

aerosoles y la superficie puede ser empleada para recuperar cuantitativamente la

información sobre las propiedades de los aerosoles. El algoritmo crea N por N cajas de

recuperación de píxeles con el fin de filtrar el subconjunto que no se desea para la

Marco teórico 31

recuperación del aerosol. Así, el algoritmo a 3 km funciona con cajas de recuperación de

6 X 6 píxeles (36 píxeles). Algunos píxeles están enmascarados por nubes, por

sedimentos en el agua, hielo y nieve, y superficies que son muy brillantes para la

recuperación. Los píxeles restantes son ordenados de acuerdo a su reflectancia y el 50

% de los más brillantes y el 20 % de los más oscuros son descartados. Esto significa que

en el algoritmo de 3 km quedan como máximo 11 píxeles de los cuales se debe

recuperar el aerosol. Las reflectancias de estos píxeles restantes se promedian, dando

como resultado un conjunto de valores de reflectancia espectral para impulsar la

recuperación del aerosol. Estos valores de reflectancia espectral se corrigen

adicionalmente por absorción de gases.

La calidad esperada de la recuperación es determinada por el número de píxeles que

permanecen después de todo el enmascaramiento y el filtrado. Si al menos 5 píxeles

permanecen (un total de 11) para 3 km, se espera inicialmente que la recuperación sea

de alta calidad (Remer L. A. et al., 2013).

Materiales y métodos 33

2. Materiales y métodos

2.1 Área de estudio

El área de estudio corresponde a la Zona Carbonífera del Cesar (ZCC) situada en la

región Caribe colombiana, cuya geografía se caracteriza predominantemente por tierras

bajas y planas, aunque parte del territorio se encuentra enmarcado por las estribaciones

de las tres cordilleras (Roca A. M. y Pérez G. J., 2006). El departamento del Cesar

comprende cuatro regiones importantes; al norte la Sierra Nevada de Santa Marta: el

sistema montañoso más alto del Caribe colombiano, con altitudes que sobrepasan los

5700 m y cuyas estribaciones llegan hasta la capital departamental. Al oriente la Serranía

del Perijá, con alturas hasta de 3700 m. Al suroccidente la región aledaña al río

Magdalena la cual se caracteriza por la presencia de numerosas ciénagas y pantanos y,

finalmente, la región formada por la planicie de los ríos Magdalena, Cesar y Ariguaní

(IGAC,1997).

En el centro del departamento del Cesar se encuentra una de las áreas de explotación de

carbón más grandes del país. Esta operación minera se realiza a cielo abierto desde

1988. En la zona se encuentran los siguientes proyectos, a saber: C.J Prodeco S.A.,

Carbones de La Jagua, Compañía carbones del Cesar, Drummond Ltda - áreas La Loma

y El Descanso, Norcarbón S.A. - área La Divisa, Carboandes S.A., Carbones El Tesoro

S.A., y Consorcio Minero Unido S.A. La extensión de la actividad carbonífera es de

aproximadamente 12000 hectáreas, incluyendo tajos, botaderos, piscinas de

sedimentación y zonas de acopio (CGR, 2014); y se encuentra en jurisdicción de los

municipios de Agustín Codazzi, Becerril, La Jagua de Ibirico, El Paso y Chiriguaná.



Figura 4-2: Zona Carbonífera del departamento del Cesar, Colombia

2.2 Datos MODIS

2.2.1. Adquisición, lectura y preprocesamiento

Los datos MODIS fueron adquiridos en el espacio web de NASA GODDARD SPACE

FLIGHT CENTER en: https://ladsweb.nascom.nasa.gov/data/search.html. Estos datos se

encuentran en el formato estándar internacional HDF - EOS. Este formato es un archivo

de varios objetos para el intercambio de datos científicos en entornos distribuidos

multiplataforma. Almacena un total de 53 parámetros reticulares como un conjunto de

datos científicos (SDS por sus siglas en inglés).

El producto empleado corresponde al MODIS Dark Target 3 km de la plataforma Aqua;

liberado en julio de 2002 y el periodo de análisis de la presente investigación es 2012 –

2015.

https://ladsweb.nascom.nasa.gov/data/search.html


La lectura y exploración del conjunto de datos HDF se enfocó en el SDS número 18

denominado: “Corrected_Optical_Depth_Land”. Este conjunto de datos corresponde a la

medición del AOD en tierra y se encuentra contenido dentro del paquete de 53 SDS

disponibles en el producto. Para su visualización se empleó la herramienta HDFView 2.1

obtenida en: https://www.hdfgroup.org/products/java/release/download.html. Entre

algunos de los metadatos explorados con el HDFView y que permitieron el

procesamiento posterior, se destacan la descripción de la lectura de AOD en longitudes

de onda de 470, 550 y 660 nm, y el factor de escala correspondiente a

0.0010000000474974513, requerido para la obtención del valor de la profundidad óptica.

Finalmente, el producto MODIS 3 km necesitó la proyección de datos del sistema

sinusoidal al Sistema Geodésico Mundial de 1984 (WGS84 por sus siglas en inglés), y

posteriormente la recuperación del SDS “Corrected_Optical_Depth_Land” a una longitud

de onda de 550 nm y el cambio de formato de HDF a un archivo con mayor facilidad de

lectura y manipulación en los diferentes sistemas informáticos de procesamiento de datos

espaciales como el formato .tif. La herramienta empleada para esta última tarea se

denomina HDFLook 8.0 y se encuentra disponible en: http://modis-

atmos.gsfc.nasa.gov/tools.html.

2.2.2. Procesamiento de datos

Una vez recuperado y reproyectado el conjunto de datos de AOD a una longitud de onda

de 550 nm fueron obtenidos más de 1460 archivos en formato .tif, correspondientes a los

años 2012 a 2015 de las mediciones de MODIS. Luego, fue seleccionada una capa o

matriz base de todo el conjunto de datos, en la cual el satélite tuviera cobertura espacial

completa del país –esto teniendo en cuenta que la órbita de MODIS es polar, y su ciclo

orbital es de 16 días–; es decir, solo durante ese periodo el satélite recorre exactamente

la misma zona. La capa base seleccionada fue la del 30 de abril de 2013 a las 1830 UTC.

Obtenida la capa base, sobre esta fueron procesados los 1460 archivos en formato .tif de

los años 2012 a 2015, cada uno representando una matriz de 674 X 785 correspondiente

a la ventana seleccionada durante la descarga inicial en la base de datos proveniente de

NASA GODDARD SPACE FLIGHT CENTER, donde la exploración inicial fue todo el

territorio colombiano. El proceso consistió en la extracción del valor de cada píxel de las

más de 1400 matrices y asignarlo a la capa base para obtener así las lecturas de MODIS

distribuidas de forma homogénea sobre el país durante todo el lapso evaluado.

https://www.hdfgroup.org/products/java/release/download.html

http://modis-atmos.gsfc.nasa.gov/tools.html

http://modis-atmos.gsfc.nasa.gov/tools.html



Figura 5-2: Homogenización espacial de datos MODIS. En azul capa base y en negro lecturas de tres orbitas de MODIS durante 2013

Los puntos distribuidos uniformemente en cada una de las matrices obtenidas empleando

la capa base y la aplicación de técnicas de remuestreo, fueron obtenidos mediante el

proceso estadístico conocido como interpolación bilineal. Esta técnica utiliza el valor de

los cuatro centros de celda de entrada más cercanos para determinar el valor en el raster

de salida; asume que cada punto de medición tiene una influencia local que disminuye

con la distancia. Se le da mayor peso a los puntos más cercanos al área de predicción, y

el peso disminuye en función de la distancia. Con esta información procesada y mediante

el uso de la calculadora raster para aplicar el factor de escala a los datos, se obtuvo una

matriz diaria de recuperaciones del AOD de MODIS en todo el país.

Finalmente, mediante el uso del lenguaje de programación R, fue posible manipular de

forma más efectiva las 1460 matrices de datos y seleccionar las regiones del país de

interés para este estudio. Esta selección se basó en dos componentes principales: i) la

selección de áreas donde se localizaran las cuatro estaciones de la red AERONET y con

ello llevar a cabo el proceso de validación de los datos MODIS con los datos en

superficie de AERONET y, ii) el análisis de la distribución espacial y la variabilidad

temporal del AOD en la ZCC en el periodo comprendido entre 2012 y 2015. El proceso


de programación ejecutado en R se basó en operaciones simples de lectura de datos y

extracción de información raster mediante una máscara o polígono de referencia.

2.3 Datos AERONET

Para esta investigación, los datos de la Red Robótica de Aerosoles fueron obtenidos en:

(http://aeronet.gsfc.nasa.gov/new_web/index.html) y se emplearon las mediciones

AERONET Nivel 2.0 existentes en Colombia: Medellín (N 06º15’39’’, W 75º34’40’’), UNC -

Bogotá (N 04º38’13’’, W 74º04’51’’) y UNC - Puerto Gaitán (N 04º18’39’’, W 72º21’07’’). Y

Nivel 1.5: UPC – GEAB- Valledupar; esta última ubicada en la ZCC municipio de La

Jagua de Ibirico (N 09º33’36’’, W 73º19’44’’).

AERONET proporciona AOD al menos en cuatro longitudes de onda (1020, 870, 675 y

440 nm); sin embargo, mientras que el AOD recuperado de MODIS, aunque dispone de

la información, no recupera AOD a 550 nm debido a la gran dificultad para caracterizar la

reflectancia del suelo a esa longitud de onda. La observación terrestre se realiza en las

bandas espectrales de 470 y 650 nm. El valor a 550 es obtenido por interpolación. Por

tanto, para poder validar las observaciones del AOD de MODIS con las observaciones

del fotómetro solar, fue necesario obtener los datos del AOD de AERONET en 550 nm

basándose en valores AOD de longitudes de onda adyacentes mediante el uso de la

ecuación de Ångström.

Ångström describe la dependencia de la profundidad óptica de los aerosoles con la

longitud de onda. Dependiendo del tamaño de la partícula, la dependencia espectral se

expresaría como una función de la turbidez atmosférica (β) y el exponente de Ångström

(α). La fórmula de Ångström puede ser expresada como se indica en Wang C. et al.,

(2013):

𝜏𝑎𝑒𝑟𝑜𝑠𝑜𝑙 (𝜆) = 𝛽𝜆−𝛼 (6)

El exponente (α) de la longitud de onda de Ångström puede ser calculado de la tendencia

espectral de AOD como:

𝛼𝜆1/𝜆2 =ln(𝜏𝑎(𝜆2)/(𝜏𝑎(𝜆1))

ln (𝜆1/𝜆2) (7)

http://aeronet.gsfc.nasa.gov/new_web/index.html



Donde las longitudes de onda λ1 y λ2 corresponden a los centros de longitudes de onda

de dos canales de observación; es decir, 440 nm y 675 nm, respectivamente.

2.4 Análisis de datos

2.4.1. Datos coincidentes en tiempo y espacio

La determinación de las coincidencias temporales y espaciales es fundamental para

llevar a cabo la validación de datos MODIS a partir de datos AERONET. Mientras que

MODIS alcanza una cobertura global casi completa una vez al día, las recuperaciones de

AERONET ocurren varias veces al día, cada quince minutos mientras las condiciones de

nubosidad lo permitan, pero solamente sobre localizaciones instrumentadas individuales.

Luego, el AOD recuperado de observaciones de superficie AERONET al realizar

mediciones directas al sol en intervalos de 15 minutos en promedio (NASA, 2007)

representa el componente temporal de las coincidencias, y el AOD derivado de MODIS

representa el componente espacial al tener un cubrimiento completo del país

aproximadamente a las 18 UTC.

En ese sentido, el enfoque de validación propuesto en este trabajo se basa en el

concepto desarrollado por (Ichoku C. et al., 2002) para validar y analizar los productos de

aerosol de MODIS empleando mediciones AERONET. En el método original, las

mediciones de aerosoles espaciales adquiridas a bordo de las naves espaciales Terra y

Aqua fueron muestreadas en áreas de 50 X 50 km, centradas sobre los sitios de

medición de fotómetros solares de AERONET. El píxel que contiene la estación terrestre

se determinó encontrando un píxel con la distancia euclidiana mínima entre las

coordenadas longitud/latitud del centro de este píxel y las de la estación terrestre. Luego,

se determinó la extensión del área de muestreo encontrando píxeles circundantes

situados a no más de 25 km del píxel central basados en la distancia euclidiana entre sus

coordenadas longitud/latitud. A su vez, las mediciones temporales de cada ubicación en

tierra se muestrearon en cada tiempo del paso del satélite en segmentos de muestreo de

1 hora (es decir, 30 minutos antes y 30 minutos después del paso del satélite) (Pretenko

M., Ichoku C. y G. Leptoukh, 2012).


El método de validación descrito en este documento usa un enfoque de muestreo similar

e incluye muestreo de datos de una variedad más amplia de ventanas temporales y

espaciales. Se emplearon y compararon los valores medios de las mediciones del AOD

de AERONET efectuadas 30, 60 y 120 minutos antes y después de la observación

satelital. La selección de las ventanas temporales resultó del análisis de la variabilidad

temporal horaria del AOD del fotómetro solar en las cuatro regiones evaluadas en esta

investigación y la variabilidad espacial correspondió a las observaciones de cada píxel de

MODIS localizado dentro de las ventanas espaciales de 7.5, 15, 25 y 50 km de radio,

centrados sobre cada uno de los sitios de medición de AERONET.

Según (Ichoku C. et al., 2002), las razones de no comparar únicamente valores de

píxeles MODIS individuales directamente con las mediciones de puntos AERONET son

en primer lugar, que el valor del parámetro en un píxel de MODIS representa un

promedio espacial sobre la superficie de píxeles (un área de 3 X 3 km para el aerosol de

MODIS) y no se puede equiparar justificadamente con el valor de un punto medido con

un fotómetro. En segundo lugar, aunque el píxel es lo suficientemente pequeño como

para representar un punto, es extremadamente improbable que represente las mismas

condiciones que un punto del fotómetro, ya que sus ejes de observación son diferentes y

la atmósfera está en constante movimiento. Y en tercer lugar, las nubes pueden

oscurecer un píxel de MODIS directamente sobre el sitio del fotómetro, pero puede no

afectar a los píxeles cercanos. De la misma manera, los tiempos de las medidas del

fotómetro rara vez coinciden exactamente con los tiempos del paso de MODIS.

Por lo tanto, para lograr una validación significativa y equilibrada fueron comparadas las

estadísticas espaciales de MODIS con las estadísticas temporales de AERONET. La

justificación es que, puesto que las masas de aire están constantemente en movimiento,

una masa de aire capturada por MODIS a través de cierto tramo horizontal sobre el sitio

de ubicación del fotómetro, será muestreada por este durante cierto período de tiempo

(Ichoku C. et al., 2002).

De acuerdo con (Levy et al., 2010), el proceso de validación global con AERONET

realizado por Chu et al. (2002) y confirmado por Remer et al. (2005) sugieren que el error

esperado (EE) es de ±(0.05 + 15 %). El error esperado de MODIS representó la fusión

de incertidumbres absolutas (0.05) y relativas (15%) que sugerían errores combinados en



condiciones de frontera asumidas (p.e, reflectancia superficial, calibración del

instrumento) y errores en el tipo de modelo de aerosol (como en albedo de dispersión

simple). Sin embargo, se esperan algunos valores atípicos, y un objetivo clave del

proceso de validación posterior al lanzamiento ha sido determinar el tamaño de la

envolvente necesaria para contener el 66 % (una desviación estándar) de las

recuperaciones reales a nivel mundial y bajo diferentes condiciones.

Asimismo, para el proceso de validación la NASA recomienda una determinada

metodología que puede ser consultada en: http://darktarget.gsfc.nasa.gov/validation. No

obstante, las condiciones geográficas y climáticas de Colombia –en particular de las

cuatro regiones analizadas en esta investigación que incluyen zonas urbanas de

montaña (Bogotá y Medellín con alturas entre 1995 y 2700 msnm y zonas rurales en

sabana (Puerto Gaitán que no supera los 200 msnm) y en áreas con actividades mineras

(ZCC con alturas entre 50 y 200 msnm)–, definieron que fuera evaluada una metodología

independiente que permitiera identificar la variabilidad temporal y espacial del AOD

medido desde superficie (datos AERONET) y medido por el sensor (datos MODIS).

En síntesis, para determinar las coincidencias espaciales y temporales se compararon

los valores medios de las lecturas AERONET en las ventanas temporales definidas: 30,

60 y 120 minutos antes y después del paso del satélite, con los valores medios de las

observaciones de los píxeles MODIS contenidos en ventanas espaciales de 7.5, 15, 25 y

50 km de radio, centrados sobre cada uno de los sitios de medición AERONET (ver

Figura 6-2 a Figura 9-2). Empleando los valores medios de cada conjunto de datos

espaciales y temporales, fue realizado un análisis de regresión para determinar el tipo de

asociación entre variables; una dependiente (observaciones MODIS) y otra

independiente (observaciones AERONET). Tanto las observaciones AERONET como las

observaciones MODIS son reportadas como Coordinated Universal Time (UTC).

http://darktarget.gsfc.nasa.gov/validation


Figura 6-2: Ventanas espaciales: 7.5, 15 y 25 km en Medellín

Figura 7-2: Ventanas espaciales: 7.5, 15 y 25 km en Puerto Gaitán



Figura 8-2: Ventanas espaciales: 50 km en Bogotá

Figura 9-2: Ventanas espaciales: 7.5, 15 y 25 km en UPC-GEAM Valledupar (ZCC)


Las ventanas espaciales presentadas en las figuras anteriores, variaron de acuerdo a la

estación AERONET evaluada. Para el caso de Medellín y UPC - Puerto Gaitán y UPC-

GEAM Valledupar se emplearon ventanas espaciales con radios de 7.5, 15 y 25 km y

para Bogotá se empleó una ventana espacial de 50 km al ser la única que reportó

coincidencia espacial.

El criterio de validación de las ventanas temporales ( 30, 60 y 120 minutos) se

realizó con base en el análisis de diagramas de cajas y bigotes empleado para estudiar la

variabilidad temporal del AOD (dada por AERONET) a lo largo del día. Por su parte, el

criterio de validación de las ventanas espaciales de MODIS (7.5, 15, 25 y 50 km)

consistió en variar el radio de influencia para con ello explorar y analizar la variabilidad

espacial (dada por MODIS) en cada una de las cuatro regiones. Con el estudio del

comportamiento temporal y espacial de toda la serie de datos disponible de AERONET –

MODIS fue posible validar los datos de satélite con los datos disponibles en superficie e

identificar eventuales aportes de masas de aire locales que influenciaran el

comportamiento del AOD.

2.4.2. Análisis de regresión

Con el fin de determinar el tipo de asociación entre las observaciones de AOD de MODIS

(variable dependiente) y las observaciones AOD de AERONET (variable independiente),

se aplicó el modelo de regresión lineal simple. Este análisis se realizó para cada una de

las ventanas espaciales (7.5, 15, 25 y 50 km) y temporales 30, 60 y 120 minutos y

como herramienta fue empleado el lenguaje de programación R.

Una vez efectuado el análisis de regresión y de acuerdo a los resultados obtenidos en los

parámetros del modelo, se realizó la selección definitiva de la ventana espacial y

temporal que de acuerdo al modelo lineal seleccionado será la que mejor explique o

describa los datos experimentales y se obtenga el mejor ajuste. A la ventana

seleccionada se sumaron los resultados de las observaciones que se encontraron dentro

del error esperado definido en Levy et al., 2010 como ± (0.05 + 15 %).



2.5 Variabilidad temporal y distribución espacial del

AOD de MODIS

2.5.1 Identificación de parámetros condicionantes del

comportamiento de AOD para la selección de la ventana

espacial de análisis

Una vez evaluada la capacidad del satélite para la lectura del contenido de aerosoles en

toda la columna atmosférica –determinado con los resultados de la validación–, el

siguiente paso fue evaluar cómo MODIS registra este comportamiento sobre una zona en

particular. Como bien se ha documentado en este estudio, la zona minera es el área a

explorar y por tanto fue estudiada detalladamente en aspectos como: i) régimen

climático, ii) topografía ii) y concentración de material particulado en superficie. El

primero, incluido por la clara relación entre el movimiento, dispersión y lavado de la

atmósfera con características como humedad relativa, precipitación y régimen de vientos.

El segundo por la variabilidad en la respuesta espectral dada entre distintas superficies

de contacto de la energía proveniente del sol y leída por el satélite por efecto de la

reflexión de la luz; y el último, como elemento de referencia para identificar zonas o

estaciones de material particulado que sean consideradas tipo fondo o background.

Estas estaciones tienen como propósito medir en zonas que no estén influenciadas por

las fuentes de emisión de interés dentro del dominio de la actividad, que para este caso

son las actividades asociadas a proyectos mineros a cielo abierto.

En ese sentido, para lograr enfocar el análisis sobre estos tres componentes fue

necesario: i) acceder a la información histórica del Instituto de Hidrología, Meteorología y

Estudios Ambientales (IDEAM) disponible en: http://www.ideam.gov.co/web/tiempo-y-

clima/clima. Dicha información corresponde a los promedios mensuales multianuales de

variables climáticas como precipitación, humedad relativa, evapotranspiración,

temperatura, entre otras, medidas en el lapso comprendido entre 1981 y 2010. Estos

datos permitieron realizar el cálculo del balance hídrico en las estaciones localizadas en

el área de estudio. ii) Acceder a la información disponible en el Subsistema de

información sobre calidad del aire (Sisaire) cuya plataforma permite la descarga libre de

http://www.ideam.gov.co/web/tiempo-y-clima/clima

http://www.ideam.gov.co/web/tiempo-y-clima/clima


los registros de las redes de monitoreo de calidad del aire de todo el país. Y iii)

determinar mediante fotografías aéreas zonas cuya superficie, topografía o uso del suelo

fuera similar a lo que en algún momento fue la zona minera.

Una vez realizada la integración de estos tres componentes fueron definidas (4) zonas:

dos (2) correspondientes a los sectores de La Loma y La Jagua (sectores donde se

localizan las minas más grandes del sector) que responderán al nombre: “zona minera”.

Y dos (2) correspondientes a sectores con similitud climática, topográfica y de uso del

suelo que no han sido perturbadas con la actividad minera, que responderán al nombre:

“zona no minera”.

2.5.2 Ventana espacial de análisis

Para el estudio de la variabilidad temporal y la distribución espacial del AOD en la ZCC

se consideró fundamental la definición de ventanas espaciales en sectores no

perturbados por minería y así contar con un referente a la hora de estudiar el

comportamiento de la profundidad óptica de aerosol. Para ello, fue necesario integrar los

tres elementos mencionados más arriba en el documento. Primero: el régimen climático,

segundo: la topografía, y tercero: la concentración de material particulado en superficie.

La Figura 10-3 muestra la localización de las estaciones de material particulado en

superficie empleadas para el análisis (en magenta) y las estaciones del catálogo del

IDEAM asociadas (en verde). La integración de estos elementos con el análisis de las

fotografías aéreas obtenidas del Instituto Geográfico Agustín Codazzi (IGAC) –vuelos C-

2506 y C-2796 de los años 1992 y 2006, respectivamente– fueron la herramienta

necesaria para la definición de las ventanas espaciales de análisis.

Dichas ventanas se basaron en las zonas de mayor contaminación por material

particulado según lo reportado por Sisaire: estaciones La Loma (ZM07) y La Jagua

(ZM09) (circunferencias en color rojo) que coinciden con las minas más grandes del

sector conocidas como La Loma Pribbenow de la empresa Drummond Ltd y el proyecto

Carbones de La Jagua de la empresa Prodeco. Asimismo, fueron seleccionadas dos

ventanas adicionales que sirvieron como zona de referencia al no haber sido intervenidas

por actividades mineras. Ambas zonas cuentan además con una estación de calidad del

aire de fondo o background (circunferencias en color azul). Con el fin de que no existiera

superposición entre las zonas de interés el radio de las circunferencias seleccionado fue



de 10 km. Los valores de AOD evaluados corresponden al promedio mensual de píxeles

contenidos en cada una de las ventanas seleccionadas. El procesamiento de imágenes

MODIS para obtener dichos valores se realizó mediante el uso del lenguaje de

programación R.

Figura 10-3: Ventanas espaciales basadas en criterios climáticos, topográficos y de concentración de material particulado

Las ventanas resultantes presentadas en la figura anterior, obedecieron también al

análisis de aspectos topográficos y de superficie en interacción con las

características climáticas. En ambos casos, las áreas “limpias o background” (ZM22

y ZM11), fueron seleccionadas en dirección norte. Esto debido a que hacia el sur, el

régimen climático varía sustancialmente por la presencia de todo el complejo

cenagoso de La Zapatosa. Los resultados del análisis de las estaciones

meteorológicas del IDEAM en el cálculo del balance hídrico mostraron que las

estaciones de La Jagua (25020230) y Hda Centenario (28025090) tienen un

comportamiento similar, con una época de déficit hídrico los primeros tres meses del

año y una época con exceso de agua en septiembre, octubre y noviembre. Estas


estaciones fueron el referente para el análisis del sector de La Jagua (ZM09), sector

contiguo a la Serranía del Perijá. De manera que La Jagua (ZM09), al estar muy

cerca de la zona de pie de monte por la interacción de la Serranía del Perijá, requirió

la selección de un área topográficamente similar que correspondió al sector conocido

como Casacará (ZM22).

Respecto al sector de La Loma (ZM07), las estaciones del IDEAM empleadas como

referencia fueron La Loma (25020280) y El Retorno (28020600). Los resultados del

balance hídrico realizado para ambas estaciones fueron incluso más claros al

mostrar mayor déficit de agua por disminución en las precipitaciones durante

comienzo y mitad de año.

Si bien el análisis de estos tres componentes fue determinante a la hora de

establecer las ventanas espaciales de análisis, no se incluyen los resultados dentro

del cuerpo del documento sino que se presentan como un anexo del mismo. El

cálculo del balance hídrico para las estaciones de referencia y las concentraciones

de material particulado obtenidas de Sisaire se presentan en el Anexo A y B,

respectivamente.

2.5.3 Análisis de varianza para la selección de la ventana

espacial de análisis (zona minera y zona no minera)

Con el fin de estudiar el comportamiento del AOD en dos regiones diferentes: i) la zona

minera y ii) la zona no minera, –entiéndase por zona minera al sector donde se lleva a

cabo la actividad extractiva y por tanto se localizan los tajos de donde se extrae el

carbón. Y a la zona no minera, a la región sin perturbación en el suelo por actividades

extractivas y cuyas características topográficas, climáticas y de uso de la tierra son

similares a las condiciones de la zona minera antes de su intervención–; fue realizado un

análisis de varianza para determinar si existen diferencias significativas entre las medias

poblacionales de las dos zonas. De los muchos tipos de modelos ANOVA existentes fue

seleccionado el modelo de análisis de varianza conocido como prueba de Kruskal Wallis.

La prueba de Kruskal Wallis constituye una alternativa no paramétrica al análisis de

varianza. La hipótesis nula para la prueba es que no existe diferencia entre los grupos o

poblaciones analizadas, mientras que la hipótesis alternativa es que existe diferencia



entre al menos un par de estos. Dicha prueba fue aplicada a los datos mediante el uso

del lenguaje de programación R.

2.5.4 Aplicación del método Kriging en el análisis de la distribución espacial

Para el estudio de la distribución espacial del AOD de MODIS fue empleada la técnica

conocida como Ordinary Kriging (OK) para predecir datos perdidos de AOD. Esta técnica

ha sido empleada por diferentes investigadores como Chatterjee A. et al.; Engel-Cox J. A

et al., Ruíz-Arias J. A. et al.,) en el campo del análisis de variables atmosféricas (entre

ellas los aerosoles). Esta técnica fue empleada debido a las limitaciones respecto al uso

de datos medidos desde satélite por la pérdida de información por contaminación por

nubes, y en particular en una zona con importantes variaciones de clima y topografía

como Colombia. Por dicha condición, se planteó la necesidad de estimar datos faltantes

con base en datos observados y así obtener una superficie suavizada de observaciones

y tener una aproximación más clara de cómo el AOD se distribuye en el espacio. La

herramienta empleada para el análisis fue ArcGis versión 10.1.

Resultados y discusión 49

3. Resultados y discusión

3.1. Variabilidad temporal de datos AERONET

El estudio de la variabilidad temporal de datos AERONET representó una parte

fundamental en la metodología de validación de datos MODIS. Por lo anterior, y como

herramienta para la definición de las tres ventanas temporales de 30, 60 y 120

minutos descritas más arriba, se analizaron los datos disponibles de las lecturas de AOD

de AERONET en las cuatro regiones estudiadas en esta investigación. Medellín (años

2012 a 2014), Puerto Gaitán (año 2015), Bogotá (años 2013 y 2015) y ZCC (2016).

Figura 11-3: Variabilidad temporal horaria del AOD de AERONET de datos Nivel 2.0 en Medellín (A), UNC - Gaitán (B) y UNC - Bogotá (C). Y datos nivel 1.5 en UPC – GEAB- Valledupar (D)



Respecto a los datos Nivel 2.0 (Figura 11-3 A, B y C) se observa que el comportamiento

horario de AOD visto por AERONET es diferenciado en cada una de las tres regiones.

Estas diferencias entre zona y hora del día fueron estudiadas mediante la aplicación de la

prueba de Kruskal Wallis para establecer si como lo muestran los diagramas de cajas y

bigotes, en efecto existen diferencias estadísticamente significativas en las

observaciones AERONET a lo largo del día. Los valores de p para cada ciudad fueron <

0.05, lo que indica que existen diferencias significativas en el comportamiento del AOD

en cada hora del día.

Este comportamiento diferenciado puede verse claramente en Puerto Gaitán y Bogotá

que presentaron alta variabilidad de AOD a lo largo del día especialmente en la franja

horaria estudiada (entre las 16 y las 20 UTC). A las 18 UTC (hora del paso del satélite),

se observa menor variabilidad del AOD que las horas restantes objeto de análisis. En

general, en ambas regiones los valores de AOD registrados a las 18 UTC tienen baja

dispersión (entre 0.067 y 0.096 en Puerto Gaitán, y en Bogotá entre 0.009 y 0.023),

valores más bajos que los registrados las horas previas y posteriores al paso del satélite.

En Medellín no se observó de forma tan clara la variabilidad entre horas en el

comportamiento del AOD en el diagrama de cajas y bigotes. Lo que sí se observó y con

gran frecuencia –salvo a las 11, 12 y 22 UTC, es decir las 6 y 7 am, y las 5 pm hora

Colombia– fue el gran número de datos atípicos u outliers. Estos últimos pueden

representar algunos episodios de contaminación por emisiones locales y puntuales que

favorecieron valores altos de AOD a lo largo del día.

Respecto a los datos Nivel 1.5 observados por el fotómetro localizado en la zona

carbonífera del Cesar (UPC- GEAB- Valledupar), se observa una situación similar a

Medellín en cuanto a la alta frecuencia de outliers y una comprobada diferencia

significativa de AOD entre las horas del día de acuerdo a los resultados arrojados por la

prueba de Kruskal Wallis cuyo valor de p fue < 0.05. Se observaron además, valores de

AOD tres veces por encima de los registrados en las tres regiones restantes. Según

(Levy R. C. et al., 2014), valores de AOD de 0.2 responden a una atmósfera bastante

limpia, de 0.6 a una atmósfera contaminada, de 1.5 estarían relacionados con eventos de

quemas de biomasa o tormentas de polvo y mayores que 3, a una atmósfera muy

contaminada.


Y es precisamente la variabilidad en el contenido de AOD observada en las cuatro

regiones lo que despertó el interés en evaluar las coincidencias con base en varias

ventanas temporales. De esta forma se buscó identificar eventos de contaminación por

emisiones locales que pudieran generar esos cambios significativos en el valor de AOD a

lo largo del día y evitar que al abrir la ventana temporal para el proceso de validación

fuera introducida variabilidad de otras horas del día que no pudiera ser vista por MODIS.

3.2. Análisis de regresión en ventanas espaciales de

7.5, 15, 25 y 50 km

La Tabla 1-3 presenta el resumen estadístico de los resultados de la regresión aplicada a

las observaciones AERONET – MODIS en las ventanas temporales y espaciales

definidas. Las coincidencias en 7.5, 15 y 25 km solo se presentaron en Medellín. En

Puerto Gaitán solo hubo coincidencias en 15 y 25 km; y en Bogotá, al no haber

coincidencia espacial ni en 7.5, 15, y 25 km, fue seleccionada un área más amplia con 50

km de radio para estudiar su comportamiento.

Tabla 1-3: Resumen estadístico de la validación de las observaciones MODIS 3 km en Medellín para radios de coincidencia espacial de 7.5, 15 y 25 km. (Periodo evaluado: 2012 - 2014)

Buffer espacial 25 km 15 km 7.5 km

Buffer temporal (minutos) ± 30 ± 60 ± 120 ± 30 ± 60 ± 120 ± 30 ± 60 ± 120

Datos coincidentes 73 89 99 33 41 43 16 21 22

Promedio AOD AERONET 0.193 0.194 0.195 0.164 0.179 0.180 0.137 0.139 0.151

Promedio AOD MODIS 0.243 0.259 0.261 0.221 0.267 0.262 0.183 0.247 0.238

Pendiente 0.919 0.931 0.964 1.152 1.070 1.173 1.191 1.979 2.121

Intercepto 0.065 0.078 0.073 0.032 0.075 0.051 0.020 -0.028 -0.081

R2 0.537 0.472 0.510 0.680 0.360 0.449 0.600 0.417 0.491

P 1.763e-

13 1.093e-

13 2.2e-

16 3.616e-

09 3.369e-

05 8.949e-

07 0.0004 0.0016 0.0003

ECM 0.105 0.121 0.113 0.080 0.169 0.156 0.071 0.179 0.167

ECM: Error Cuadrático Medio

Se observa que las variaciones estadísticas presentadas en la Tabla 1-3 para Medellín

ocurren conforme se va reduciendo la ventana espacial y ampliando la ventana temporal.

Es así como la pendiente se va alejando de la recta 1:1 y el intercepto de cero –que es lo

que se espera encontrar: que el modelo lineal sea el que mejor explique los datos

experimentales buscando que el AOD de MODIS tenga una relación lineal con el AOD de



AERONET–. Es claro que al reducir la ventana espacial la relación 1:1 se va perdiendo

así como se va reduciendo el número total de coincidencias.

Otros parámetros importantes de analizar son los valores de p y el coeficiente de

correlación. Para todos los casos el valor de p fue < 0.05 lo que indica que existe relación

significativa entre el AOD de MODIS y el AOD de AERONET. Sin embargo, el coeficiente

de correlación se redujo conforme se redujo la ventana espacial y se amplió la ventana

temporal.

Del análisis anterior, se concluye trabajar el modelo lineal definitivo con la ventana

espacial de 25 km y la ventana temporal de 30 minutos. La poca variación entre el valor

de la pendiente (≈ 0.01) y del intercepto (≈ 0.002) entre las tres ventanas temporales, un

coeficiente de correlación aceptable (R2 = 0.537) y el valor de p < 0.05 son suficientes

para lograr una validación significativa y equilibrada.

Respecto al análisis en Puerto Gaitán (ver Tabla 2-3) se reportaron coincidencias en las

ventanas espaciales de 15 y 25 km. Si bien los estadísticos presentados variaron

conforme se fue reduciendo la ventana espacial, a diferencia de Medellín, al ampliar la

ventana temporal la pendiente y el intercepto arrojaron resultados más cerca de lo

esperado con pendientes cercanas a la recta 1:1 e interceptos más cercanos a cero.

Respecto a los valores de p, para todos los casos fueron < 0.05, lo que indica que existe

relación significativa entre el AOD de MODIS y el AOD de AERONET en todas las

ventanas seleccionadas, y en la mayoría de los casos se obtuvo un coeficiente de

correlación mayor a 0.8, lo que denota una buena correlación entre ambos conjuntos de

datos.

Tabla 2-3: Resumen estadístico de la validación de las observaciones MODIS 3 km. UNC-Gaitán. (Periodo evaluado: 2015)

Ventana espacial 25 km 15 km

Ventana temporal (minutos) ± 30 ± 60 ± 120 ± 30 ± 60 ± 120

Datos coincidentes 5 7 7 4 6 7

Promedio AOD AERONET 0.196 0.162 0.164 0.228 0.179 0.172

Promedio AOD MODIS 0.311 0.260 0.260 0.350 0.283 0.294

Pendiente 0.794 0.925 0.863 0.684 0.945 0.799

Intercepto 0.155 0.110 0.118 0.194 0.113 0.156

R2 0.867 0.865 0.855 0.880 0.858 0.689

P 0.021 0.002 0.003 0.061 0.008 0.021

ECM 0.044 0.048 0.049 0.035 0.051 0.072



Pese a que en la ventana de 60 minutos tanto para 25 como para 15 km se obtuvo

valores de pendientes más cercanas a 1 e interceptos cercanos a 0, al igual que

Medellín, se concluye trabajar el modelo lineal definitivo con la ventana espacial de 25

km y la ventana temporal de 30 minutos. La razón de esto es que al ampliar la ventana

temporal se puede estar introduciendo la variabilidad observada en la Figura 10-3 (B) en

la franja horaria comprendida entre las 17 y las 19 UTC, que además fue ratificada

mediante la prueba de Kruskal Wallis donde se concluyó la existencia de diferencias

significativas entre el comportamiento horario del AOD de AERONET.

Finalmente, en Bogotá solo se presentaron coincidencias en la ventana espacial de 50

km. Esto se debe principalmente a que el cubrimiento de datos MODIS fue muy escaso

ya que esta zona se caracteriza por una alta nubosidad principalmente en horas de la

tarde. Al ser limitado el número de datos recuperados, las coincidencias con AERONET

se hacen cada vez menos probables. La Tabla 3-3 presenta los resultados obtenidos.

Tabla 3-3: Resumen estadístico de la validación de las observaciones MODIS 3 km. UNC-Bogotá. (Periodo evaluado: 2013, 2015)

Buffer espacial 50 km

Buffer temporal ± 30 ± 60 ± 120

Datos coincidentes 4 6 9

Promedio AOD AERONET 0.038 0.021 0.030

Promedio AOD MODIS 0.164 0.154 0.173

Pendiente -0.782 1.051 -0.495

Intercepto 0.194 0.133 0.188

R2 0.248 0.117 0.057

p 0.502 0.507 0.533

ECM 0.053 0.040 0.057


La ventana espacial de 50 km en Bogotá fue la única región donde fue posible recuperar

píxeles de MODIS. Las coincidencias con las observaciones AERONET estuvieron entre

4 y 9 datos en todo el periodo evaluado y tal como sucedió en Medellín y Puerto Gaitán,

la pendiente, el intercepto y el coeficiente de correlación fueron variando conforme varió

la ventana temporal. En general, los resultados para Bogotá estuvieron alejados de la

relación 1:1 que se esperaba obtener entre ambas variables (AOD AERONET y AOD



MODIS) y de acuerdo a los valores de p que fueron > 0.05, se concluye que no existe

relación significativa entre los resultados de cada ventana temporal.

Finalmente, se realizó el análisis de datos AERONET Nivel 1.5 del fotómetro localizado

en el municipio de La Jagua de Ibirico localizado en la ZCC. La Tabla 4-3 presenta el

resumen de los estadísticos más importantes.

Tabla 4-3: Resumen estadístico de la validación de las observaciones MODIS 3 km. UPC- GEAM-Valledupar

Buffer espacial 25 km 15 km 7.5 km

Buffer temporal (±30

minutos) (± 60

minutos) (±120

minutos) (±30

minutos) (±60

minutos) (±120

minutos) (±30

minutos) (±60

minutos) (±120

minutos)

Datos coincidentes 17 19 22 13 14 14 13 13 14

Promedio AOD AERONET 0.172 0.223 0.179 0.172 0.168 0.178 0.138 0.147 0.151

Promedio AOD MODIS 0.159 0.188 0.204 0.174 0.181 0.181 0.137 0.161 0.151

Pendiente 1.049 0.422 0.923 1.160 1.166 1.035 0.908 0.854 0.802

Intercepto -0.021 0.093 0.038 -0.025 -0.015 -0.004 0.012 0.036 0.030

R2 0.724 0.587 0.377 0.762 0.588 0.479 0.653 0.406 0.402

P 1.497e-05 0.0001 0.0023 9.772e-05 0.0014 0.0061 0.0008 0.0192 0.015

ECM 0.054 0.078 0.120 0.050 0.065 0.073 0.046 0.067 0.070


Se observa que las variaciones de los estadísticos presentados en UPC-GEAM-

Valledupar ocurren de forma similar a las otras regiones: conforme se va reduciendo la

ventana espacial y ampliando la ventana temporal. Asimismo, para todos los casos el

valor de p fue < 0.05 lo que indica que existe relación significativa entre el AOD de

MODIS y el AOD de AERONET y el coeficiente de correlación se redujo conforme se

amplió la ventana temporal. Dados estos elementos, y con el objetivo de no agregar

variabilidad al abrir la ventana temporal y teniendo buenos resultados con la ventana

espacial de 25 km empleada también en Medellín y Puerto Gaitán, se concluye trabajar

el modelo lineal definitivo con la ventana espacial de 25 km y la ventana temporal de 30

minutos.

Ahora bien, la preocupación más importante de la validación de MODIS o de cualquier

producto satelital es la reflectancia de la superficie, por tanto es determinante y necesario

emplear la información de AERONET. El mejor indicador de un problema con la

reflectancia de la superficie es el intercepto, en la relación de asociación entre MODIS y

AERONET teóricamente el intercepto debe ser cero; por tanto, en condiciones de cero

aerosol se obtendría un valor en el intercepto diferente de cero, lo que representaría un

efecto de la reflectividad. Esto quiere decir que se está asumiendo un albedo más bajo


de lo que realmente es. De manera que si el algoritmo está considerando un buen cálculo

del albedo de la superficie el intercepto debería ser cero.

En ese orden de ideas, en Medellín no se observó sensibilidad en la variación del

intercepto ni en la pendiente conforme varió la ventana temporal en 25 km; por tanto, la

ventana temporal no cambió significativamente la curva de ajuste. La misma situación se

observó en Puerto Gaitán aunque no con tan baja sensibilidad e interceptos muy

cercanos a cero como en Medellín, lo que sugiere que en Puerto Gaitán puede haber un

efecto del albedo de superficie. El problema general del análisis de regresión Puerto

Gaitán se ve en el intercepto, lo que sugeriría que hay un problema de caracterización de

albedo en MODIS para esta zona.

3.3. Análisis de regresión en ventanas espacio

temporales definitivas

El enfoque de validación de datos MODIS a partir de datos en superficie AERONET

realizado por Pretenko M., Ichoku C. y G. Leptoukh (2012), fue adoptado en este trabajo

haciendo una serie de variaciones en la ventana temporal y espacial. Este mismo

enfoque ha sido adoptado por otros investigadores como Levy R. C. et al., (2013) y

Kovacs T. (2006). La ventana espacial y temporal seleccionada en Medellín, Puerto

Gaitán y la ZCC fue de 25 km en 30 minutos antes y después del paso del satélite. Esta

selección será por tanto objeto de aplicación del modelo de regresión lineal simple y los

resultados se muestran en las Figuras de la 12-3 a la 14-3. Los parámetros del modelo

aplicado para Bogotá arrojaron un coeficiente de correlación (R2 = 0.248) y un valor de p

> 0.05 que indica que no existe una relación significativa entre las observaciones de AOD

de MODIS y de AOD de AERONET.



Figura 12-3: Comparaciones de AERONET - MODIS a 550 nm en Medellín empleando un radio de coincidencia espacial de 25 km en una ventana temporal de ± 30 minutos. La línea azul representa el ajuste de los datos, la línea negra la recta 1:1 y las líneas punteadas representan el EE ± (0.05 + 15 %)


Figura 13-3: Comparaciones de AERONET - MODIS a 550 nm en Puerto Gaitán empleando un radio de coincidencia espacial de 25 km en una ventana temporal de ± 30 minutos. La línea azul representa el ajuste de los datos, la línea negra la recta 1:1 y las líneas punteadas representan el EE ± (0.05 + 15 %)



Figura 14-3: Comparaciones de AERONET - MODIS a 550 nm en UPC-Valledupar empleando un radio de coincidencia espacial de 25 km en una ventana temporal de ± 30 minutos. La línea azul representa el ajuste de los datos, la línea negra la recta 1:1 y las líneas punteadas representan el EE ± (0.05 + 15 %)


Los resultados de la ventana espacial de 25 km obtenida en Medellín (Figura 12-3)

mostraron valores de pendiente de 0.919, intercepto de 0.065, coeficiente de correlación

R2=0.537 y un valor de p < 0.05 que indica la existencia de una relación significativa

entre las observaciones de AOD de MODIS y de AOD de AERONET. Respecto a la

variación presentada en los valores promedio de AOD de MODIS (0.243) y AOD de

AERONET (0.193) (ver Tabla 1-3), se observa un mayor valor en el promedio de AOD de

MODIS. La sobreestimación de los valores de AOD vistos desde satélite fue de alrededor

del 21 %. Finalmente, se observa que el 63.01 % de las observaciones están dentro del

EE, el 34.24 % por encima y el 2.74 por debajo del EE.

En Puerto Gaitán (Figura 13-3) se obtuvo valores de pendiente de 0.794, intercepto de

0.155, coeficiente de correlación R2 = 0.867 y un valor de p < 0.05 que indica la

existencia de una relación significativa entre las observaciones de AOD de MODIS y de

AOD de AERONET. Respecto a la variación presentada en los valores promedio de AOD

de MODIS (0.311) y AOD de AERONET (0.196) (ver Tabla 2-3), se observa un mayor

valor en el promedio de AOD de MODIS. La sobreestimación de los valores de AOD

vistos desde satélite fue de alrededor del 37 %. Se encuentra que el 60 % de las

observaciones están dentro del EE y el 40 % por encima del EE.

Finalmente, los resultados de la validación MODIS en la ZCC (Figura 14-3), reportaron

valores de pendiente de 1.049, intercepto de -0.021, coeficiente de correlación R2 = 0.724

y un valor de p < 0.05 que indica la existencia de una relación significativa entre las

observaciones de AOD de MODIS y de AOD de AERONET. Respecto a la variación

presentada en los valores promedio de AOD de MODIS (0.159) y AOD de AERONET

(0.172) (ver Tabla 4-3), contrario a lo ocurrido en las otras regiones evaluadas, se

observó que el valor de AOD promedio de AERONET fue mayor al valor de AOD

promedio de MODIS. En este caso, la sobreestimación de los valores de AOD

recuperados por el fotómetro fue de alrededor del 8 %. Respecto al error esperado, se

encuentra que el 76.48 % de las observaciones están dentro del EE, e igual porcentaje

por encima y por debajo (11.76 %).

En síntesis, los resultados del modelo de regresión lineal empleado para determinar el

tipo de asociación entre variables; una dependiente (observaciones MODIS) y otra

independiente (observaciones AERONET), mostraron para Medellín, Puerto Gaitán y la



ZCC resultados satisfactorios al encontrar que existe relación significativa entre el AOD

de AERONET y el AOD de MODIS. Los coeficientes de correlación encontrados

responden también a esta significancia estadística en los tres sectores, obteniendo la

mejor correlación en UNC-Gaitán con un valor de 0.867, seguido de la ZCC con 0.724 y

Medellín con 0.537. La correlación más baja para Bogotá con 0.248 se le atribuye

principalmente al limitado número de coincidencias debido fundamentalmente a la

dificultad en la lectura de datos mediante fotometría solar por la alta nubosidad y a una

campaña de monitoreo más corta que en las regiones restantes.

Investigaciones como la de (Chu et al., 2002; Levy et al., 2010) mostraron que, en

general, el AOD recuperado de MODIS está bien correlacionado con las observaciones

del fotómetro solar. El primero analizó más de 30 sitios AERONET localizados entre el

este de los Estados Unidos, Brasil, Europa occidental; y el sur de África y obtuvo una

muy buena correlación de datos: (R2) ≈ 0.85 – 0.91, pendiente (0.86), intercepto ≈ 0.02 –

0.06 y un ECM entre 0.07 y 0.11. Y el segundo autor, con observaciones de AERONET

de más de 300 sitios obtuvo una alta correlación (R2= 0.9), pendiente (0.952), intercepto

(0.005 ) y ECM de 0.116. En esta investigación, se obtuvo buenos resultados pese a las

cortas compañas en las cuatro regiones en comparación con el número de coincidencias

empleadas por (Chu et al., 2002; Levy et al., 2010). Recordemos que en Medellín, Puerto

Gaitán y la ZCC se observaron buenos resultados con pendientes de 0.919, 0.794 y

1.049, interceptos de 0.065, 0.155 y -0.021, y ECM 0.105, 0.044 y 0.054,

respectivamente.

3.4 Evaluación de la variabilidad temporal y la

distribución espacial del AOD de MODIS en la ZCC

con relación a zonas no perturbadas por minería

Dados los buenos resultados del análisis de validación presentado en esta investigación,

y la confiabilidad de las mediciones AERONET Nivel 2.0 –ya que son datos

mundialmente usados y reconocidos hace más de 20 años por la comunidad científica–

se llevó a cabo el estudio propuesto de variabilidad temporal y distribución espacial en la

Zona Carbonífera del Cesar (ZCC). Además, se suma un interés particular por conocer el


contenido de aerosoles atmósfericos en áreas con actividad minera a cielo abierto,

puesto que estas se consideran una fuente importante de aerosoles.

3.4.1. Variabilidad temporal del AOD en la zona de estudio

Una vez definidas las cuatro (4) zonas: dos (2) correspondientes a los sectores de La

Loma (ZM07) y La Jagua (ZM09) (sectores donde se localizan las minas más grandes de

la zona) y dos (2) correspondientes a sectores con similitud climática, topográfica y de

uso del suelo y que no han sido intervenidas con la actividad minera (ZM22 y ZM11), se

realizó el análisis de la variabilidad temporal del AOD teniendo en cuenta la comparación

de los promedios mensuales entre las cuatro zonas. Los grupos para el análisis se

organizaron así: i) el sector de La Loma (ZM07) fue comparado con el sector de Minguillo

(ZM11) (Grupo 1) y el sector de La Jagua (ZM09) con el sector de Casacará (ZM22)

(Grupo 2).

El análisis se realizó aplicando el modelo de análisis de varianza (ANOVA) conocido

como prueba de Kruskal Wallis, con el fin de determinar si existe diferencia significativa

entre las poblaciones de dos grupos (zona minera y zona no minera). Recordemos que la

zona minera corresponde al sector donde se lleva a cabo la actividad extractiva y por

tanto se localizan los tajos de donde se extrae el carbón. Y la zona no minera, a una

región sin perturbación en el suelo por actividades extractivas y cuyas características

topográficas, climáticas y de uso de la tierra son similares a las condiciones de la zona

minera antes de su intervención.

La Figura 15-3 muestra la serie temporal del comportamiento del Grupo 1: sectores de La

Loma (ZM07) y Minguillo (ZM11), mientras que la Figura 14-3 muestra la serie temporal

del Grupo 2: La Jagua (ZM09) y Casacará (ZM22).



Figura 15-3: Promedios mensuales de AOD (2012 – 2015). Grupo 1: Sectores La Loma (ZM07- zona minera) y Minguillo (ZM11- zona no minera)

Figura 16-3: Promedios mensuales de AOD (2012 – 2015). Grupo 2: Sectores La Jagua (ZM09 – zona minera) y Casacará (ZM22 – zona no minera)

De acuerdo con lo observado en la serie temporal correspondiente al Grupo 1 y Grupo 2

(Figura 15-3 y Figura 16-3), los valores de AOD en ambos grupos siguen un patrón en el

comportamiento promedio mensual, encontrando una aparente tendencia creciente,

especialmente en el 2014 en el Grupo 1. También se observa una tendencia de valores

altos de AOD los primeros meses del año y valores bajos finalizando el año, lo que

sugiere que puede estar relacionado al régimen climático de la zona tanto para la serie

(ZM07 – zona minera) como para la serie (ZM11 – zona no minera). Recordemos que la


época seca ocurre durante los primeros tres meses del año y la época húmeda durante

septiembre, octubre y noviembre. Esto quiere decir que un aumento de la precipitación

ocurrido en la época húmeda puede disminuir el contenido de aerosoles producto del

lavado atmosférico. Este mismo comportamiento en la serie temporal ocurre en el Grupo

2 (Figura 16-3), aunque se observa mayor desviación de los datos especialmente en

marzo de 2012 y mayo de 2015 en la zona no minera (ZM22).

Respecto al análisis por zona, se encuentra que existen diferencias en el comportamiento

del AOD entre grupos solo durante algunos meses. De acuerdo con los resultados de la

prueba de Kruskal Wallis, el Grupo 1 presenta diferencias significativas en el

comportamiento del AOD durante junio, agosto y septiembre. Durante estos tres meses

los resultados del valor de p fueron < 0.05 lo que indica que existen diferencias

significativas entre ambas poblaciones; es decir, existen diferencias entre el AOD

registrado en la zona minera (ZM07) y la zona no minera (ZM11). Estos mismos

resultados se presentaron en el Grupo 2 conformado por los sectores de La Jagua

(ZM09) y Casacará (ZM22), siendo los meses de junio, agosto y septiembre los únicos

que reportaron diferencias.

Para lograr una mejor comprensión del comportamiento mensual del AOD y gráficamente

observar las diferencias encontradas entre los grupos durante junio, agosto y septiembre,

se presentan a continuación los promedios mensuales multianuales y los promedios

estacionales (épocas seca y húmeda) del AOD correspondientes a cada uno de los

grupos.



Figura 17-3: Promedios mensuales multianuales de AOD (2012 – 2015). Grupo 1: Sectores La Loma (ZM07-zona minera) y Minguillo (ZM11- zona no minera). Grupo 2: Sectores La Jagua (ZM09 – zona minera) y Casacará (ZM22 – zona no minera)

Figura 18-3: Promedios estacionales de AOD (épocas seca y húmeda) (2012 – 2015). Grupo 1: Sectores La Loma (ZM07-zona minera) y Minguillo (ZM11- zona no minera). Grupo 2: Sectores La Jagua (ZM09 – zona minera) y Casacará (ZM22 – zona no minera)

Lo que se observa en la Figura 17-3 es que los sectores seleccionados como referencia

(ZM11 y ZM22) debieron estar mejor correlacionados que sectores como (ZM11 y ZM07).

Es decir, si los sectores de referencia realmente no estuvieran perturbados por la

actividad minera debería encontrarse una más clara correlación entre ambos (ZM11 y

ZM22) que entre un sector de referencia y uno perturbado (ejemplo del Grupo 1: ZM07 y

ZM11), lo que sugiere que son fuente común. En principio, las zonas seleccionadas

fueron escogidas de referencia; es decir, sin una conocida perturbación por aerosoles, no


obstante, lo que se encontró en este estudio es que en realidad parecen ser parte del

mismo sistema.

El argumento para determinar que los dos grupos evaluados: zona minera y zona no

minera hacen parte del mismo sistema y son fuente común, fue estudiar el

comportamiento del PM en superficie en ambos sectores. De acuerdo a los datos

disponibles en Sisaire (Ver anexo B) las concentraciones de PM10 y PM2.5 son

sustancialmente más bajas en la zona no minera, lo que sugeriría que los penachos

dejan de estar desacoplados con la superficie pero el AOD permanece allí. Es decir, los

datos de AOD que resultaron significativamente relacionados en la mayor parte del

tiempo evaluado en la zona minera y en la zona no minera, dejan ver que la pluma de

contaminación se conserva, solo que ya no está impactando en superficie (distribución


aire en la zona no minera, sí pueden existir impactos asociados a aspectos como el clima

y el ciclo hidrológico.

Respecto al comportamiento estacional del AOD (Figura 18-3), se observa cómo durante

la época húmeda los valores promedio de AOD disminuyen tanto en la zona minera como

en la no minera. Asimismo, como resultado de la aplicación de la prueba de Kruskal

Wallis en el Grupo 1 (ZM07 y ZM11), al analizar la zona minera y la zona no minera en

ambas épocas climáticas los resultados arrojaron un valor de p > 0.05 lo que indica que

los valores de AOD no presentaron diferencias significativas en ninguna época.

Por su parte, como resultado de la aplicación de la prueba de Kruskal Wallis en el Grupo

2 (ZM09 y ZM22), se encontró que al analizar la zona minera y la zona no minera en

ambas épocas climáticas los resultados arrojaron un valor de p < 0.05 lo que indica que

los valores de AOD presentaron diferencias significativas en las dos épocas climáticas.

Es preciso aclarar que el contenido de aerosoles atmosféricos en la ZCC no se limita al

sector donde se extrae carbón (o lo que ha sido llamado en este documento “zona

minera”) sino que posiblemente ha estado sujeto a procesos de transporte o movimiento

de masas de aire regionales que han ocupado áreas más amplias y cuya explicación se

puede encontrar en los resultados presentados en las Figuras 15-3 a la 18-3. En ellas se

observa que el contenido de aerosoles es similar en comportamiento y en magnitud en

ambas zonas y no solo donde efectivamente son emitidos a la atmósfera pues estos



deben ser naturalmente transportados y dispersados en función de características como

tamaño, forma y a condiciones meteorológicas como humedad, precipitación y dirección

y velocidad del viento.

Esta última, de gran importancia en el transporte de aerosoles fue determinante al

analizar una predominancia clara en el Grupo 1 (ZM09 y ZM22). Las estaciones

meteorológicas asociadas corresponden a la Jagua Centro y Casacará (ver Figura 14-3

puntos en azul). Según información disponible en Sisaire, la estación Jagua Centro se

caracteriza por vientos provenientes de la dirección Sur principalmente con velocidades

entre 0.6 y 5.4 m/s, y en la estación Casacará los vientos provenientes del Sur y el

Sureste son los que caracterizan el sector con velocidades entre 0.6 y 3.3 m/s. Respecto

al análisis del comportamiento de los vientos en el Grupo 1 (sectores de La Loma ZM07 y

de Minguillo ZM11), solo el sector de La Loma tiene estación meteorológica asociada.

Según Corpocesar (2016) corresponde a La Francia CDC. El comportamiento aquí se

caracteriza por vientos provenientes del Noreste y Suroeste con velocidades entre 0.3 y 8

m/s.

De todo lo anterior se puede indicar entonces que lo analizado en las estaciones

meteorológicas soportan el análisis indicado más arriba respecto al evidente proceso de

transporte de aerosoles atmosféricos desde la dirección Sur predominante en el sector

de la Jagua (ZM09) hacia el sector de Casacará (ZM22), encontrando valores de AOD

incluso superiores en este último. El sector de La Loma, con una respuesta no tan clara

de la predominancia en la estación La Francia, presenta velocidades de viento superiores

que en el sector de La Jagua y un mayor número de minas en explotación que pueden

estar originando un mayor aporte. Es preciso reiterar que por efectos de distribución

vertical y de los resultados del AOD en la zona minera y no minera, con comprobada

relación significativa en la mayor parte del tiempo, no era de esperarse que la

concentración de AOD fuera menor en áreas carentes de explotación, pues hay que

recordar que el AOD es una medida de los aerosoles presentes en toda la columna

atmosférica y no solo los que se originan en la parte más baja de la atmósfera cerca de

las fuentes de emisión.


3.4.3 Distribución espacial del AOD en la zona de estudio

La distribución espacial del AOD derivada de MODIS durante los años 2012 – 2015

(Figura 19-3 a la 22-3) reveló una variabilidad interestacional e interanual sobre la zona

de estudio. El AOD es más alto durante el periodo (marzo – mayo) especialmente

durante los años 2013 a 2015. Los penachos de aerosol localizados la ZCC en los años

evaluados reportaron valores de AOD que oscilan entre 0.1 y 0.7.

Un bajo AOD (0.2) se registró en gran parte de la zona de estudio durante el año 2012 y

un alto AOD (0.4) en el sector suroriental en marzo, abril, junio, julio, agosto, septiembre

y octubre. Con excepción de estos penachos localizados al suroriente de la zona de

estudio, la distribución de aerosoles fue espacialmente uniforme (0.2) en 2012, en

particular los meses de enero y diciembre. Durante el 2013, el contenido de aerosoles en

la ZCC aumentó. Además de identificar el periodo con los valores más altos de AOD

(marzo – mayo), se observó un aumento en el AOD en junio. Como ocurrió en 2012, la

distribución de aerosoles fue espacialmente uniforme (0.2) en enero y diciembre.

El 2014 registró valores especialmente altos (>0.4) los meses de marzo y mayo y valores

uniformemente distribuidos entre mayo y octubre y a diferencia de los años anteriores,

enero y diciembre registraron valores superiores a 0.2. En 2015, permanecieron AOD

altos entre marzo y mayo, y valores superiores a 0.2 en enero y diciembre. El análisis de

los patrones de viento reveló que provienen fundamentalmente del Sur en el sector de La

Jagua y del Suroeste y Sureste en el sector de La Loma. Estas condiciones pueden

favorecer el transporte hacia el Norte de la ZCC y por eso encontrar penachos de

contaminación más amplios y especialmente dirigidos en sentido Nororiental de la ZCC.

Investigadores como Soni K. et al. (2015) evaluaron el contenido de AOD en 11 minas de

carbón en India durante el 2000 y el 2012. Con más de 10 años de datos realizaron la

estimación de los valores de AOD de los siguientes tres años. Los valores de AOD

promedio estimados para los sectores de Raniganj y Jharia localizados al suroriente de la

India –con características similares de altitud (entre 5 y 200 msnm) a la ZCC–, reportaron

valores de AOD de 0.575 y 0.452, respectivamente. Los valores altos de AOD en la

investigación de Soni K. et al. le fueron atribuidos principalmente a la cercanía a minas a

cielo abierto y al patrón de vientos. Respecto a esto, los valores obtenidos de AOD en la

ZCC reportaron valores más altos que los reportados por Soni K. et al. (2015). No



obstante, es importante aclarar que aunque lo descrito con anterioridad es un buen

referente, el contenido de aerosoles dependerá de las condiciones geográficas y

climáticas de la zona evaluada

Figura 19-3: Distribución espacial del AOD durante el 2012 en la ZCC

Conclusiones 71

4. Conclusiones

En este estudio se examinaron las observaciones de AOD en los cuatro sitios con

instrumentación AERONET Niveles 1.5 y 2.0 localizados en Colombia: Medellín, Puerto

Gaitán, Bogotá y la ZCC y se compararon con el producto MYD04_3K - Colección 6 de

MODIS los años 2012 a 2015. Los resultados del modelo de regresión lineal empleado

para determinar el tipo de asociación entre variables mostraron en Medellín, Puerto

Gaitán y la ZCC resultados satisfactorios al encontrar que existe una relación significativa

entre el AOD de AERONET y el AOD de MODIS. Los coeficientes de correlación

encontrados responden también a esta significancia estadística en estas regiones,

obteniendo la mejor correlación en Puerto Gaitán, seguido de la ZCC y Medellín; y la

correlación más baja para Bogotá. Los resultados en Bogotá se le atribuyen

principalmente al limitado número de coincidencias debido fundamentalmente a la

dificultad en la lectura de datos mediante fotometría solar por la alta nubosidad y a una

campaña de monitoreo más corta que las otras regiones evaluadas. Se encuentra

también que existe una sobreestimación de los valores de AOD de MODIS de alrededor

del 21 % en las observaciones en Medellín, 37 % en Puerto Gaitán y 77 % en Bogotá. La

aparente sobreestimación de MODIS se debe a la contaminación por nubes y a

particularidades del producto analizado que observa más ruido en los cálculos de

reflectancia de la superficie, debido a la retención de algunos píxeles brillantes en la

ventana de recuperación.

Los resultados de los análisis mensuales multianuales y estacionales de AOD de MODIS

mostraron que en gran parte de la serie evaluada no existen diferencias significativas

entre el AOD de la zona minera y el AOD de la zona no minera. Esto se interpreta,

además del efecto del transporte producto del comportamiento de los vientos en la

región, a que la zona estudiada es en realidad una fuente común. En principio, las zonas

seleccionadas fueron escogidas de referencia; es decir, sin una conocida perturbación



por aerosoles, no obstante, lo que se encontró en este trabajo es que en realidad

parecen ser parte del mismo sistema. El argumento para determinar que los dos grupos

evaluados: zona minera y zona no minera hacen parte del mismo sistema y son fuente

común, fue estudiar el comportamiento del PM en superficie en ambos sectores los

cuales resultaron ser sustancialmente diferentes, lo que sugeriría que los penachos dejan

de estar desacoplados con la superficie, pero el AOD permanece allí. Es decir, los datos

de AOD que resultaron significativamente relacionados en la mayor parte del tiempo

evaluado en la zona minera y en la zona no minera, dejan ver que la pluma de

contaminación se conserva, solo que ya no está impactando en superficie (distribución


aire en la zona no minera, sí pueden existir impactos asociados a aspectos como el clima

y el ciclo hidrológico.

El AOD en la zona minera estuvo entre valores de 0.094 y 0.522 y en la zona no minera

entre 0.095 y 0.828. Recordemos que según lo descrito por (Levy R. C. et al., 2014),

valores de AOD de 0.2 responden a una atmósfera bastante limpia; luego, un aumento

de este valor debe estar sujeto a actividades que pueden estar deteriorando la calidad

atmosférica. La variabilidad temporal y la distribución espacial del AOD en la ZCC

durante 2012 – 2015 estuvieron marcadas por contenidos altos de AOD (> 0.4) de

aerosoles especialmente los meses de marzo, abril y mayo. Los penachos modelados

mediante técnicas geoestadísticas mostraron que los episodios más altos de AOD se

localizan en el sector Nororiental de la ZCC.

Recomendaciones 73

5. Recomendaciones

Los buenos resultados obtenidos en Medellín, Puerto Gaitán y la ZCC, permiten pensar a

MODIS como una herramienta fundamental para el estudio de los aerosoles atmosféricos

en investigaciones futuras y complementarias a las que hoy en día se realizan en

Colombia. Ampliar el conocimiento y la investigación de las ciencias atmosféricas a partir

del uso de información satelital con aplicaciones en el campo de la calidad del aire debe

ser el reto para otros investigadores que quieran ampliar la información aquí provista.

Asimismo, el estudio de la efectividad de MODIS frente a la diversidad de superficies

observadas, en particular a regiones como Colombia con su vasta geografía y toda clase

de actividades antropogénicas fuentes de aerosoles, debe ser estudiado a profundidad.

Esta investigación al introducir diferencias en las características de las regiones

estudiadas fue un primer paso que por fortuna tuvo buenos resultados. No obstante, es

importante que investigaciones futuras amplíen el registro de datos AERONET para

fortalecer la validación.

La zona de referencia para estudiar la variabilidad del AOD con y sin influencia de

actividades generadoras de aerosoles debe ser seleccionada con mayor cuidado con el

fin de poder tener un verdadero referente o zona limpia.

Con el fin de lograr una mejor comprensión de las variaciones espaciales y temporales

de los aerosoles en esta región, se debe profundizar en el estudio y análisis de modelos

de trayectoria o HYSPLIT Trajectory Model que puedan revelar la proveniencia de las

masas de aire y profundizar en este campo.



A. Anexo: Balance hídrico estaciones de referencia

Anexos 75

B. Anexo: Concentración de material particulado obtenido de Sisaire

Bibliografía 77

6. Bibliografía

1. Alam K., Qureshi S. y Blaschke T. (2011). Monitoring spatio-temporal aerosol patterns

over Pakistan based on MODIS, TOMS and MISR satellite data and a HYSPLIT

model. Atmospheric Environment 45 (2011) 4641-4651.

doi:10.1016/j.atmosenv.2011.05.055

2. Alegría D. (2015). Propiedades microfísicas de los aerosoles troposféricos derivadas

de medidas de fotómetro solar y Lidar en el Valle de Aburrá. Magíster en Ciencias

Física. Facultad de Ciencias, Escuela de Física Universidad Nacional de Colombia.

Medellín, Colombia, 98 pp.

3. Boucher O., D. Randall, P. Artaxo, C. Bretherton, G. Feingold, P. Forster, V.-M.

Kerminen, Y. Kondo, H. Liao, U. Lohmann, P. Rasch, S.K. Satheesh, S. Sherwood, B.

Stevens y X.Y. Zhang. (2013). Clouds and Aerosols. In: Climate Change 2013: The

Physical Science Basis. Contribution of Working Group I to the Fifth Assessment

Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-

K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex y P.M.

Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New

York, NY, USA.

4. CGR. (2014). Actuación Especial a la explotación minera de carbón en el

departamento del Cesar. Contraloría General de la República. Bogotá D.C., 449 pp.

5. Chatterjee A., Michalak A. M., Kahn R. A., Paradise S. R., Braverman A. J., Miller C.

E. (2010). A geostatistical data fusion technique for merging remote sensing and

ground-based observations of aerosol optical thickness. Journal of Geophysical

Research Atmospheres. DOI: 10.1029/2009JD013765

6. Chu D. A., Kaufman Y. J., Ichoku C., Remer, L. A., Tanré D., and Holben B. N (2002).

Validation of MODIS aerosol optical depth retrieval over land. Geophysical research

letter, Vol. 29, no. 12, 10.1029/2001gl013205, 2002.

7. Corpocesar (2016). Informe de operación del sistema especial de vigilancia de



calidad de aire en la zona carbonífera del departamento del Cesar. Informe

SEVCA_ZCC – Año – 2015. Versión 1, 89 pp.

8. Dinoi A., Perrone M. y Pasquale B. (2010). Application of MODIS Products for Air

Quality Studies over Southeastern Italy. Remote Sens. 2010, 2, 1767-1796;

doi:10.3390/rs2071767

9. Engel-Cox J. A., Holloman C. H., Coutant B. W., Hoff R. M. (2004). Atmospheric

Environment. Volume 38, Issue 16, Pages 2495-2509. Qualitative and quantitative

evaluation of MODIS satellite sensor data for regional and urban scale air quality

doi.org/10.1016/j.atmosenv.2004.01.039

10. Fuzzi S., Baltensperger U., Carslaw K., Decesari S., van der Gon H. D., Facchini M.

C., Fowler D., Koren I., Langford B., Lohmann U., Nemitz E., Pandis S., Riipinen I.,

Rudich Y., Schaap M., Slowik J. G., Spracklen D. V., Vignati E., Wild M., Williams M.,

y Gilardoni S.(2015). Particulate matter, air quality and climate: lessons learned and

future needs. Atmos. Chem. Phys., 15, 8217–8299, 2015. doi:10.5194/acp-15-8217-

2015

11. Gupta P., Sundar A. C., Wang J., Gehrig R., Lee Y., Kumar N. (2006). Satellite

remote sensing of particulate matter and air quality assessment over global cities.

Atmospheric Environment 40 (2006) 5880–5892. DOI:

10.1016/j.atmosenv.2006.03.016

12. Ichoku C., Chu D. A., Mattoo S., Kaufman Y. J., Remer L. A., Tanré D., Slutsker I., y

Holben B. N. (2002). A spatio-temporal approach for global validation and analysis of

MODIS aerosol products. Geophysical research letters, Vol. 29, no. 12, 1616,

10.1029/2001gl013206. DOI:10.1029/2001GL013206, 2002.

13. IGAC. (1997). Estudio general de suelos departamento del Cesar. Instituto

Geográfico Agustín Codazzi. 345 pp.

14. Im J., Saxena V. K., y Wenny B. N. (2001). An assessment of hygroscopic growth

factors or aerosols in the surface boundary layer for computing direct radiative forcing.

Journal of Geophysical Research, 10: 20213–20224. DOI: 10.1029/2000JD000152

15. IPCC (2013). Clouds and Aerosols. En: working group I contribution to the IPCC fifth

assessment report climate change 2013: the physical science basis.

Intergovernmental Panel on Climate Change. (S. Fuzzi, J. Penner, V. Ramaswamy,

C. Stubenrauch). Stockholm, pp. 147.

http://www.sciencedirect.com/science/journal/13522310


http://www.sciencedirect.com/science/journal/13522310/38/16

https://doi.org/10.1016/j.atmosenv.2004.01.039

Bibliografía 79

16. Kaufman Y. J., Wald A., Remer L., Gao B., Li, R., y Flynn L. (1997). The MODIS 2.1

μm channel – Correlation with visible reflectance for use in remote sensing of aerosol,

IEEE T. Geosci. Remote, 35(5), 1286–1298.

17. King M. D., Tsay S., Platnick S. E., Wang M., Liou K. (1997). Cloud Retrieval

Algorithms for MODIS: Optical Thickness, Effective Particle Radius, and

Thermodynamic Phase. MODIS Algorithm Theoretical Basis Document No. ATBD-

MOD-05 MOD06 – Cloud product. Version 5. 83 pp.

18. Kokhanovsky, A. (2008). Aerosol Optics: Light Absorption and Scattering by Particles

in the Atmosphere. University of Bremen. Bremen, Germany, 2008.

19. Lenoble J., Remer L. A., y Tanré D. (2013). Introduction. Aerosol remote sensing.

Springer, Berlin Heidelberg, 383 pp. DOI: 10.1007/978-3-642-17725-5

20. Levy R. C., Remer L. A., Tanré D., Mattoo S. y Kaufman Y. J. (2009). Algorithm foe

remote sensing of tropospheric aerosol over dark targets from MODIS Collections 005

and 051. Revision 2

21. Levy R. C., Remer L. A., Kleidman R. G., Mattoo S., Ichoku C., Kahn R., and Eck T.

F. (2010). Global evaluation of the Collection 5 MODIS dark-target aerosol products

over land. Atmos. Chem. Phys., 10, 10399–10420, 2010. doi:10.5194/acp-10-10399-

2010

22. Levy R. C., Mattoo S., Munchak L. A., Remer L. A., Sayer A. M., Patadia F., y Hsu N.

C. (2013). The Collection 6 MODIS aerosol products over land and ocean. Atmos.

Meas. Tech., 6, 2989–3034, 2013. DOI:10.5194/amt-6-2989-2013

23. Levy R. C., Mattoo S., Munchak L. A., Kleidman R., Patadia F., y Gupta P. (2014).

Overview of Collection 6 Dark-Target aerosol product. Memorias. MODIS Atmosphere

Team Webinar Series #2. 2 de julio de 2014.

24. Liu Y., Franklin M., Kahn R. y Koutrakis P. (2006). Using aerosol optical thickness to

predict ground-level PM2.5 concentrations in the St. Louis area: A comparison

between MISR and MODIS. Remote Sensing of Environment 107 (2007) 33–44.

DOI:10.1016/j.rse.2006.05.022

25. Mary Hardin M. y Kahn R. (2010). Aerosols & climate change. NASA Goddard Space

Flight Center.

26. Mas F. J. (2011). Aplicaciones del sensor MODIS para el monitoreo del territorio.

Primera edición. México. 318 pp.

27. Munchak L. A, Levy R. C., Mattoo S., Remer L. A., Holben B. N., Schafer J. S.,

Hostetler C. A., y Ferrare R. A. (2013). MODIS 3 km aerosol product: applications



over land in an urban/suburban región. Atmos. Meas. Tech., 6, 1747–1759, 2013.

doi:10.5194/amt-6-1747-2013

28. NASA (2010). NASA Earth Observing Satellite Calibration and Validation. CGMS-38

White Paper. National Aeronautics and Space Administration.

29. NASA. (2007). AERONET Aerosol Robotic Network. System Description (en línea).

http://aeronet.gsfc.nasa.gov/new_web/system_descriptions_operation.html

30. NASA. (s.f) AERONET Aerosols and Earth’s Climate. National Aeronautics and

Space Administration.

31. Platnick S. y Xiong X. (2014). Overview of Collection 6 Atmosphere Products and

Level-1B Calibration. Memorias. MODIS Atmosphere Team Webinar Series #1. 25 de

junio de 2014.

32. Pope C. y Dockery D. W. (2006). Health Effects of Fine Particulate Air Pollution: Lines

that Connect. ISSN 1047-3289 J. Air & Waste Manage. Assoc. 56:709–742

33. Pretenko M., Ichoku C. y G. Leptoukh. (2012). Multi-sensor Aerosol Products

Sampling System (MAPSS). Atmos. Meas. Tech., 5, 913–926, 2012.

DOI:10.5194/amt-5-913-2012

34. Remer, L., Kaufman, Y., Tanre, D., Mattoo, S., Chu, D., Martins, J., et al.: The MODIS

aerosol algorithm, products, and validation, J. Atmos. Sci., 62(4), 947–973, 2005.

35. Remer, L. A., M. Chin, P. DeCola, G. Feingold, R. Halthore, R. A. Kahn, P. K. Quinn,

D. Rind, S. E. Schwartz, D. Streets, and H. Yu, 2009: Executive Summary, in

Atmospheric Aerosol Properties and Impacts on Climate, A Report by the U.S.

Climate Change Science Program and the Subcommittee on Global Change

Research. [Mian Chin, Ralph A. Kahn, and Stephen E. Schwartz (eds.)]. National

Aeronautics and Space Administration, Washington, D.C., USA.

36. Remer L. A., Mattoo S., Levy R. C., y Munchak L. (2013). MODIS 3 km aerosol

product: algorithm and global perspective. Atmos. Meas. Tech. Discuss., 6, 69–112,

2013. doi:10.5194/amtd-6-69-2013

37. Remer L. A., Tanré D. and Kaufman Y. J. (s.f). Algorithm for remote sensing of

tropospheric aerosol from MODIS: collection 5. 87 pp.

38. Ruiz-Arias J. A., Dudhia J., Lara-Fanego V. y Pozo-Vázquez D. (2013). Atmospheric

Environment. Volume 79, Pages 395-405. A geostatistical approach for producing

daily Level-3 MODIS aerosol optical depth analyses.

doi.org/10.1016/j.atmosenv.2013.07.002

http://aeronet.gsfc.nasa.gov/new_web/system_descriptions_operation.html



http://www.sciencedirect.com/science/journal/13522310/79/supp/C

https://doi.org/10.1016/j.atmosenv.2013.07.002

Bibliografía 81

39. Roca A. M. y Pérez G. J. (2006). Geografía física y poblamiento en la Costa Caribe

colombiana. Documentos de trabajo sobre economía regional. Centro de estudios

económicos regionales. Banco de la República. Cartagena de Indias, 82 pp.

40. Soni K., Parmar K. S. y Kapoor S. (2015). Time series model prediction and trend

variability of aerosol optical depth over coal mines in India. Environmental Science

and Pollution Research March 2015, Volume 22, Issue 5, pp 3652–3671.

41. Wang C., Liu Q., Ying N., Wang X. y Ma J. (2013). Air quality evaluation on an urban

scale based on MODIS Satellite Images. Atmospheric Research, DOI:

10.1016/j.atmosres.2013.04.011

42. Wehrli C. J. (2008). Remote Sensing of Aerosol Optical Depth in a Global Surface

Network. Doctor of Sciences. Department of Physics, ETH Zurich. Zurich, 100 pp.

43. Xiao Q., Zhang H., Choi M., Li S., Kondragunta S., Kim J., Holben B., Levy R. C., y

Liu Y. (2016). Evaluation of VIIRS, GOCI, and MODIS Collection 6 AOD retrievals

against ground sunphotometer observations over East Asia. Atmos. Chem. Phys., 16,

1255–1269, 2016. doi:10.5194/acp-16-1255-2016

44. Xu Qifang, Obradovic Zoran, Han Bo, Li Yong, Braverman Amy, Vucetic Slobodan

(s.f). Improving Aerosol Retrieval Accuracy by Integrating AERONET, MISR and

MODIS Data.

evaluación de la variabilidad espaciotemporal de la

Documents