arroj6 como resultado una serie de mapas de pronostico que muestran la sensibilidad del modelo frente a la distribucion espacial de la estructura de solucion 0 individuo

74 ANAuSIS DE RESULTADOS

Para el anal isis y la validaci6n del modelo se lIevaron a cabo seis (6) campanas de referencia para PM 10 mediante la utilizacion del modelo CALMETCALPUFF tal y como se describen en la Tabla No1 De esta manera el modelo propuesto inicio con la estimacion de emisiones para PM 1Q teniendo en cuenta un valor de referencia para las emisiones de Qi = 10 g Posteriormente y de acuerdo con los resultados arrojados por el modelo frente a la estimacion de las emisiones de referencia se procedio con la construccion del patron de emis iones en terminos de la estructura de solucion en donde cada gen fue descrito en terminos de un Movimiento Browniano Geometr ico (MBG)

Tabla 3 Patron de Emisiones como resultado de la Estimacion

C1 C2 C3 C4 C5 C6 I

Horas 480 480 480 480 480 480 I

dt 000208333 000208333 000208333 000208333 000208333 000208333

Qo 09 1119732 1004701 32 099795244 0 95797227 100134983 101470743 I

Qm 0819 1299

5 010956043 08886002 01 3786409

0819 1299 6

040697856 I

Desv Std 037075697 016194199 07438083 03925923 0 57911797 06438552 I

(ushy(1 2)s2)dt

000145274 -

000331488 -

000011 223 -

000073725 -

000151973 -

000185646

s2dt 0411196 0268409 0159291 0481887 03559345 036623

Ho 0 0 0 0 0 0 I

LTS 05 03711 01977 03949 024375 019488 I

U(95) 025308386 035530147 044915492 023882235 033685788 034196477 I

LS(95) - - -

329019968 - - - -shy - shy

28222643 221679763 383698894 330028792 -

340377803 - -shy - -

Donde dt Indica el instante de tiempo utilizado para modelar la estimacion de emisiones como un proceso estocastico (hr) 00 Indica la cantidad de contaminante in icial contenida en cada uno de los puffs emitidos por cada una de las fuentes y que determina el punto de partido del MBG (gr) am Indica la cantidad media de contaminante contenida en cada uno de los puffs emitidos por cada una de las fuentes durante el tiempo que dura una campana de medida (gr) Std Indica la desviacion estandar de la cantidad de contaminante (gr) contenida en cada uno de los puffs emitidos (u - ~ (J t Indica la media de la distribucion normal que rige el proceso del

movimiento MBG y que determina el comportamiento de la Dinamica Emergente y la Dinamica Masiva del algoritmo de estimacion de la distribucion

2 a d Indica la desviacion estElndar que rige el comportamiento del movimiento MBG que determina el comportamiento de la Dinamica Emergente y la Dinamica Masiva del algoritmo de estimacion de la distribucion para la estimacion de las emisiones

146

Ho Hipotesis nula que nos indica que el proceso estocastico de mutacion se rige como una distribucion normal LTS (Ii1iefors test) Evalua la normalidad de las emisiones comparando los datos con una distribucion normal Esta prueba es una adaptacion de la prueba de hipotesis de Kolmogorov Smirnov que da una mayor precision a la evaluacion con respecto a la aproximacion de una distribucion normal en donde no se especifica el valor esperado y la varianza -1(95) Limite inferior del intervalo de confianza calculado para la cantidad de contaminante contenido en cada uno de los puffs emitidos por cada una de las fuentes LS(95) Limite superior del intervalo de confianza calculado para la cantidad de contaminante contenido en cada uno de los puffs emitidos por cada una de las fuentes

De la Tabla 3 podemos observar que el algoritmo por evolucion logro describir el comportamiento de cada una de las fuentes de emision a 10 largo del tiempo que dura una campana de medida como un proceso estocastico logrando valores de emision muy cercanas a 10 gr valor tomado como referencia para las emisiones de acuerdo con cada una de las campanas de referencia lIevadas a cabo mediante el modelo CALMETCALPUFF La variacion de estos valores tal y como 10 describen los limites LI y LS para cada campana de medida se debe principalmente a la variacion de los valores de concentracion para PM10 medidos en cada estacion de monitoreo y a la incertidumbre asociada con la resolucion de los campos de viento

concentracion calculada PM10

600

~oo

_ 400 ~ 300 ----------shy

a 200 ~ 0 100

o o

middot100

80

70

_ 60

~ SO bull

40

~ 30 E 0 20

10

10 12 14

k [hrJ

Figura 2 Concentracion Calculada por el Modelo

147

16

__PM10_Re

~rMI0(8al()

-+- PMIO(12O)

- PMIO_Antes

- rMloJgtesp

__ PM 10_Ref

__PM 10(80)

___ PMIO( 120)

- PM IO_Ant es

- PMIO_Desp

t

Con respecto al calculo de las concentraciones para PM 1O el modelo propuesto IIev6 a cabo un proceso de calculo teniendo en cuenta para ello los valores de referencia asociados con las medidas espaciales de concentraci6n para PM lO arrojadas por el modele CALMETCALPUFF y estableciEmdose una franja para la concentraci6n de PM 10 determinada por el indice FAC2 En la Figura 2 se puede observar el comportamiento del modele frente al calculo de las concentraciones para PM lO para antes y despues de la correcci6n rotacional lIevada a cabo sobre los campos horarios de viento presentes en la zona de estudio

(orrelaciol PMIO Correlaci6n PM IO

100 100

shy(

80 bull t------~~ E ro ~

u 20

l u

40

20

~ o

30 40 50 60 70 80 9() 30 40 50 60 70 lIO 91)

Cr lrnA3( Cr [UllmA3]

(a) (b)

shy 80 (

E 60 c 2 10

8

Figura 3 Diagrama de Correlaci6n para el Calculo de la Concentraci6n para PM lO (a) Antes de la Correcci6n Rotacional (b) Despues de la Correcci6n Rotacional

De acuerdo con 10 anterior podemos observar que el calculo de las concentraciones para PM lO en la Estaci6n de monitoreo 6 muestra una mejoria evidente luego del proceso de correcci6n rotacional que experimentan los campos de viento esto promovido principalmente por la Dinamica Emergente del mecanismo por evoluci6n propuesto Para la validaci6n del modele propuesto frente al calculo de las concentraciones para PM lO luego de la etapa de correcci6n rotacional se utiliz6 el modele borroso propuesto por Park (Park y Seok 2007) el cual evalua el desempeno de un modelo frente a los datos integrando para ello ocho metricas estadisticas como Fractional Bias (FB) Normalized Mean Square Error (NMSE) Geometric Bias Mean (MG) Geometric Bias Variance (VG) Within a Factor of Two (FAC2) Index of Agreement (lOA) Unpaired Accuracy of Peak (UAPC) and Mean Relative Error (MRE) De acuerdo con este modelo cada una de las metricas es descrita cualitativamente en terminos de los valores alcanzados por cada una de elias de la siguiente manera Good (G) OverFair (OF) Fair (F) UnderFair (UF) Poor(P) Para obtener el valor de desempeno Park propone una serie de valores que son aditivos de acuerdo con las cualidades tomadas por cada metrica asi Good 7-10 (average 85) Fair 4-7 (average 55) OverFair (average 6) UnderFair (average 5) and Poor 1-4 (average 25) hasta lograr un valor maximo de 68 puntos los cuales pueden ser obtenidos en porcentaje teniendo en cuenta el puntaje maximo De acuerdo con la Figura 2 y de acuerdo con la Tabla No 4 se pueden observar los resultados obtenidos por el modelo frente al calculo de las concentraciones luego de la correcci6n infinitesimal por rotaci6n (ex) experimentada por cada uno de los campos horarios de viento que comprende una campana de medida (480) (Pena P Hernandez R y Toro G 2010(a)) (Pena P Hernandez R y Jimenez P 2011)

De acuerdo con la Tabla No4 podemos observar la meJoria experimentada por el modele propuesto frente al calculo de las concentraciones para despues de la correcci6n por rotaci6n experimentada por los campos de viento Es de anotar igualmente que el modelo tuvo un incremento de los indices de desempeno acorde con el numero de fuentes de emisi6n consideradas 10 que esta de acuerdo con una mayor informaci6n presente para la estimaci6n de las concentraciones para PM lO sin

148

embargo es evidente que una rotacion infinitesimal sobre los campos de viento muestra que la resolucion utilizada para los campos de viento permite una reduccion significativa de la incertidumbre

Tabla 4 Resultados arrojados por el modelo para el calculo general de la concentracion para PM 10 Iuego del proceso de Correccion

44 44 1616 1616 3232 3232 (C1 _A) (C1_D) (C3_A) (C3_D) (C6_A) (C1_D)

- -FB 000742134 G 002869298 G

005586836 G

003869166 G 012467013 G 0 1020581 G

NMSE 01 0472201 G 01 1867363 G 023249832 G 006982322 G 017444814 G 011 92512 G

MG 097729959 G 099432838 G 118376271 G 108178 05 G 121637967 G 11748957 G

VG 231969125 G 243844576 G 265550588 G 149094202 G 3735787 F 25851855 G

FAC2 002345865 P 095945946 G 002448331 P 093581081 G 0 76755952 G 08581081 G

lOA 0882400 17 G 087011033 G 084 187528 G 088077834 G 084649469 G 08363300 G

UAPC 023737374 G 0226 G -0 261 G

-G 0433 G 00419161 G

2 020408163 - 0

-1 7457723 0

-4 01 27536 P -

G 0 - G

MRE 159207493 F F 039200422 143174 398 F 09265427

C( 0013deg 00158deg 00161deg 001 79deg 001 82deg 00189deg

10 875 95 85 100 91 25 100

En la Figura 4 (a) se puede observar la superficie de referencia horaria de concentraci6n para PM10 obtenida a partir del modelo CALMETCALPUFF mientras que en la Figura 4(b) se puede observar la superficie de concentraci6n para PM lO

obtenida como resultado de la densificaci6n puntual de la capa de salida obtenida a partir del modelo propuesto

(b) Figura 4 Comportamiento espacial de la concentracion de material particulado PM lO (a) Patron

espacial obtenido de la Correcci6n Rotacional (b ) Patr6n Espacial de Referencia obtenido a partir del modelo CALMETCALPUFF

De acuerdo con 10 anterior se puede observar que el modelo propuesto logro un patr6n espacial de concentraClon para PM 10 algo mas esbelto que la superficie de referencia sobre todo en los puntos maximos esto promovido principal mente por el comportamiento del operador de dinamica emergente frente a la correccion rotacional experimentada por los campos horarios de viento utilizados para la estimacion de emisiones 10 que indica que el modelo tuvo un comportamiento acorde con la dinamica meteorologica de la zona de estudio superando las limitantes impuestas por la resolucion utilizada para la construcci6n de los campos de vientos que determinaron las conexiones entre las capas

149

75 CONCLUSIONES

EI modelo evolutivo propuesto logro superar una serie de limitantes impuestas por la resolucion espacial de los campos de viento que determinan la relacion entre las capas de entrada y de salida Este mejoramiento se logro gracias a la correccion rotacional infinitesimal sobre los campos de viento IIevada a cabo por el operador que determina la dinamica emergente dentro del mecanismo por evolucion que determina el proceso de adaptacion y aprendizaje en el modele propuesto EI patron de emisiones obtenido como resultado del proceso de estimacion a 10 largo del tiempo que dura urd campana de medida afecto en igual medida el proceso de calculo de las concentraciones en cada uno de los puntos de ubicacion de cada una de las m_estaciones de monitoreo de la calidad del aire 10 que redunda directamente en la representacion como proceso estocastico de cada uno de los puntos de la rejilla regular que permite la densificacion puntual de la capa de salida del modelo De manera general los patrones de concentracion espacial para PM 10 en la zona de estudio estan determinados directamente por los patrones de dispersion generados por la funcion de aptitud del modelo el cual integra un modele de dispersion lagrangiano de puffs gaussianos del tipo backward gaussian puff tracking 10 que configura el problema inverso de la estimacion de emisiones (receptor_fuente) y permite determinar como y de que forma se IIeva a cabo una descarga de contaminantes desde una fuente cualquiera en terminos de la dinamica meteorologica presente en la zona de estudio 10 que marca una gran diferencia con el modelo CALMETCALPUFF el cual es un modele directo 0 de fuente_receptor Los patrones de dispersion de contaminantes en un modele lagrangiano de puffs gaussianos pueden ser obtenidos en terminos de los campos de viento que determinan la meteorologia de una zona de estudio y en terminos de un patron de emisiones en los cuales las emisiones son fijadas para este caso cercanas a la unidad De esta manera la densificacion espacial de la zona de estudio se IIevara a cabo a traves de la construccion de macropuffs por efecto de una agrupacion espacial de puffs 10 que permitira la construccion de un interpolador semifisico en terminos del modele de dispersion Este interpolador semiffsico permitira determinar de forma analitica la concentracion espacial para PM10 a 10 largo del tiempo que dura una campana de medida Debido a que las fuentes de emision estan ubicadas espacialmente en la zona de estudio esto permitira su agrupacion por areas y permitira ademas la manipulacion genetica del patron de emisiones por conjuntos de fuentes Esta manipulacion genetica por areas servira como so porte a la toma de decisiones en cuanto ayudara a estimar el efecto que una emision de contaminantes tendra sobre una area cualquiera de la zona de estudio en terminos del fenomeno de dispersion incorporado en la estructura del modele por adaptacion y aprendizaje propuesto 10 que permitira mitigar por optimizacion dinamica los efectos que la concentracion por material particulado PM lO pueda generar sobre una zona de estudio

REFERENCIAS

Acena B F Martin A DePascual V Sanfelix S Gomar y E Monfort laquoEstimacion de Emisiones de Particulos PM10 desde Fuentes Difusasraquo Congreso Colombiano de Calidad del Aire y SaIud Publica Manizales Universidad Nacional de Colombia 2007

Allen TC SG Young y SE Haupt laquoImproving pollutant source characterization by better estimating wind direction with a genetic algorithm raquo Atmospheric Environment 41 (11) 2007(a) 2283-2289 doi 101 016jatmosenv200611007

150

Artinano B FJ Gomez Moreno y M Pujadas laquoMeasu rement particulate concentrations produced during bulk material handling at Tarragona Harbourraquo Atmospheric Environment (41) 2006 6344-6355 doi 101016j atmosenv2006 1 2020

Chang JC P Franzese K Chayantrokom y SR Hanna laquoEvaluatios of CALPUFF HPAC and VLSTRACK with two mesoescale field datasets raquo Journal of Applied Meteorology (42) 2003 453-466

Daley R Atmospheric Data Analysis Cambridge UK University Press 1991 Haupt Sue Ellen George S Young y Christopher T Allen laquoA Genetic Algorithm

Method to assimilate Sensor Data for a Toxic Contaminant Releaseraquo Journal of Computers (2) - 6 2007 85-92 ISSN 1796-203X

Hernandez JA y JD Opsina laquoA multi dynamics algorithm for global optimizationraquo Mathematical and Computer Modelling (XX) XX doi101016jmcm201003024 2010

Isazi V Pedro y Ines Galvan L Redes de Neuronas Artificiales Un enfoque practico Madrid Pearson Education SA ISBN84-205-4025-0 2004

Israelsson P K Do Y E Adams laquoA comparison of three lagrangian approaches for extending near field mixing calculations raquo Environmental Modelling amp Software (21) 2006 1631-1649 doi 1 01 01 6j envsoft200507008

Kohonen T laquoSelf-organized formation of Topologically correct feature mapsraquo Biological Cybernetics (43) 1982 59-69 ISSN 0340-1200 En (I sazi amp Galvan 2004)

Kyats A E Yee y FS Lien laquoBayesian inference for source determination with application to a complex urban environment raquo Atmospheric Environment (41) 2007 465-479 doi 101 016j atmosenv200608 044

Lundquist J B Kosovic Y R Belles Synthetic event reconstruction experiments for defining sensors network characteristics Lawrence Livermore National Labraotry UCRL-TRE-217762 32 pp httpwwwllnlgovtidl ofdocumentspdf328798pdf 2005 t

Martin LI F laquoInventario de modelos utilizados para calidad del aire raquo Seminario de

Calidad del Aire en Espana Santander 2006 Martin LI F M Pujadas y B Artinano laquoEstimates of atmospheric particle emissions

from bulk handling of dusty materials in Spain harboursraquo Atmospheric Environment (4 1)-30 2007 6344-6355 doi 101 016j atmosenv200612003

Martin LI F C Gonzalez y I et al Palomino SCAH Sistema In formatico para el Control y Prevenci6n de la Contaminaci6n Atm6sferica en Huelva Madrid Centro de Investigaciones Energeticas Medioambientales y Tecnol6gicas CIEMAT 2002

Monache LD JK Lundquist y B Kosovik laquoBayesina inference and Montecarlo Markov Chain sampling to reconstruct a contaminan t source at continental scaleraquo Jorunal of Applied Meheorology and Climatology 2008 httpamsallenpresscomperlservrequest=get-toc-aopampissn=1 558-8432ampct= 1

Moreira DM U Rizza MT Villena y A Goulart laquoSemi anallytica l model for pollution dispersion in the planetary boundary layerraquo Atmospheric Environment (39) - 14 2005 2673-2681 doi 101016jatmosenv200503004

Neuman S L Glascoe y B Kosovik laquoEvent reconstruction for atmospheric releases employing urban puff model UDM with stochastic inversion methodologyraquo American Meteorological Society Annual Meeting Atlanta 2005 UCRL-PROCshy216842

Park Ok-Hyum y Ming-Gwang Seok laquoSelection of appropiate model to predict plume dispersion in coastal areas raquo Atmospheric Environment (41) 2007 6095shy61 01 doi 101016jatmosenv200704010

Pena P A J Hernandez R Y MV Toro G laquoAsynchronous Evolutionary Inverse Modeling for PM10 Spatial Characterizationraquo 18 tho IMACS Congress MODSIM09 Cairns Australia ISBN 978-0-9758400-7-8 2009(a)

151

Ho Hipotesis nula que nos indica que el proceso estocastico de mutacion se rige como una distribucion normal LTS (Ii1iefors test) Evalua la normalidad de las emisiones comparando los datos con una distribucion normal Esta prueba es una adaptacion de la prueba de hipotesis de Kolmogorov Smirnov que da una mayor precision a la evaluacion con respecto a la aproximacion de una distribucion normal en donde no se especifica el valor esperado y la varianza -1(95) Limite inferior del intervalo de confianza calculado para la cantidad de contaminante contenido en cada uno de los puffs emitidos por cada una de las fuentes LS(95) Limite superior del intervalo de confianza calculado para la cantidad de contaminante contenido en cada uno de los puffs emitidos por cada una de las fuentes

De la Tabla 3 podemos observar que el algoritmo por evolucion logro describir el comportamiento de cada una de las fuentes de emision a 10 largo del tiempo que dura una campana de medida como un proceso estocastico logrando valores de emision muy cercanas a 10 gr valor tomado como referencia para las emisiones de acuerdo con cada una de las campanas de referencia lIevadas a cabo mediante el modelo CALMETCALPUFF La variacion de estos valores tal y como 10 describen los limites LI y LS para cada campana de medida se debe principalmente a la variacion de los valores de concentracion para PM10 medidos en cada estacion de monitoreo y a la incertidumbre asociada con la resolucion de los campos de viento

concentracion calculada PM10

600

~oo

_ 400 ~ 300 ----------shy

a 200 ~ 0 100

o o

middot100

80

70

_ 60

~ SO bull

40

~ 30 E 0 20

10

10 12 14

k [hrJ

Figura 2 Concentracion Calculada por el Modelo

147

16

__PM10_Re

~rMI0(8al()

-+- PMIO(12O)

- PMIO_Antes

- rMloJgtesp

__ PM 10_Ref

__PM 10(80)

___ PMIO( 120)

- PM IO_Ant es

- PMIO_Desp

t

Con respecto al calculo de las concentraciones para PM 1O el modelo propuesto IIev6 a cabo un proceso de calculo teniendo en cuenta para ello los valores de referencia asociados con las medidas espaciales de concentraci6n para PM lO arrojadas por el modele CALMETCALPUFF y estableciEmdose una franja para la concentraci6n de PM 10 determinada por el indice FAC2 En la Figura 2 se puede observar el comportamiento del modele frente al calculo de las concentraciones para PM lO para antes y despues de la correcci6n rotacional lIevada a cabo sobre los campos horarios de viento presentes en la zona de estudio

(orrelaciol PMIO Correlaci6n PM IO

100 100

shy(

80 bull t------~~ E ro ~

u 20

l u

40

20

~ o

30 40 50 60 70 80 9() 30 40 50 60 70 lIO 91)

Cr lrnA3( Cr [UllmA3]

(a) (b)

shy 80 (

E 60 c 2 10

8

Figura 3 Diagrama de Correlaci6n para el Calculo de la Concentraci6n para PM lO (a) Antes de la Correcci6n Rotacional (b) Despues de la Correcci6n Rotacional

De acuerdo con 10 anterior podemos observar que el calculo de las concentraciones para PM lO en la Estaci6n de monitoreo 6 muestra una mejoria evidente luego del proceso de correcci6n rotacional que experimentan los campos de viento esto promovido principalmente por la Dinamica Emergente del mecanismo por evoluci6n propuesto Para la validaci6n del modele propuesto frente al calculo de las concentraciones para PM lO luego de la etapa de correcci6n rotacional se utiliz6 el modele borroso propuesto por Park (Park y Seok 2007) el cual evalua el desempeno de un modelo frente a los datos integrando para ello ocho metricas estadisticas como Fractional Bias (FB) Normalized Mean Square Error (NMSE) Geometric Bias Mean (MG) Geometric Bias Variance (VG) Within a Factor of Two (FAC2) Index of Agreement (lOA) Unpaired Accuracy of Peak (UAPC) and Mean Relative Error (MRE) De acuerdo con este modelo cada una de las metricas es descrita cualitativamente en terminos de los valores alcanzados por cada una de elias de la siguiente manera Good (G) OverFair (OF) Fair (F) UnderFair (UF) Poor(P) Para obtener el valor de desempeno Park propone una serie de valores que son aditivos de acuerdo con las cualidades tomadas por cada metrica asi Good 7-10 (average 85) Fair 4-7 (average 55) OverFair (average 6) UnderFair (average 5) and Poor 1-4 (average 25) hasta lograr un valor maximo de 68 puntos los cuales pueden ser obtenidos en porcentaje teniendo en cuenta el puntaje maximo De acuerdo con la Figura 2 y de acuerdo con la Tabla No 4 se pueden observar los resultados obtenidos por el modelo frente al calculo de las concentraciones luego de la correcci6n infinitesimal por rotaci6n (ex) experimentada por cada uno de los campos horarios de viento que comprende una campana de medida (480) (Pena P Hernandez R y Toro G 2010(a)) (Pena P Hernandez R y Jimenez P 2011)

De acuerdo con la Tabla No4 podemos observar la meJoria experimentada por el modele propuesto frente al calculo de las concentraciones para despues de la correcci6n por rotaci6n experimentada por los campos de viento Es de anotar igualmente que el modelo tuvo un incremento de los indices de desempeno acorde con el numero de fuentes de emisi6n consideradas 10 que esta de acuerdo con una mayor informaci6n presente para la estimaci6n de las concentraciones para PM lO sin

148

embargo es evidente que una rotacion infinitesimal sobre los campos de viento muestra que la resolucion utilizada para los campos de viento permite una reduccion significativa de la incertidumbre

Tabla 4 Resultados arrojados por el modelo para el calculo general de la concentracion para PM 10 Iuego del proceso de Correccion

44 44 1616 1616 3232 3232 (C1 _A) (C1_D) (C3_A) (C3_D) (C6_A) (C1_D)

- -FB 000742134 G 002869298 G

005586836 G

003869166 G 012467013 G 0 1020581 G

NMSE 01 0472201 G 01 1867363 G 023249832 G 006982322 G 017444814 G 011 92512 G

MG 097729959 G 099432838 G 118376271 G 108178 05 G 121637967 G 11748957 G

VG 231969125 G 243844576 G 265550588 G 149094202 G 3735787 F 25851855 G

FAC2 002345865 P 095945946 G 002448331 P 093581081 G 0 76755952 G 08581081 G

lOA 0882400 17 G 087011033 G 084 187528 G 088077834 G 084649469 G 08363300 G

UAPC 023737374 G 0226 G -0 261 G

-G 0433 G 00419161 G

2 020408163 - 0

-1 7457723 0

-4 01 27536 P -

G 0 - G

MRE 159207493 F F 039200422 143174 398 F 09265427

C( 0013deg 00158deg 00161deg 001 79deg 001 82deg 00189deg

10 875 95 85 100 91 25 100

En la Figura 4 (a) se puede observar la superficie de referencia horaria de concentraci6n para PM10 obtenida a partir del modelo CALMETCALPUFF mientras que en la Figura 4(b) se puede observar la superficie de concentraci6n para PM lO

obtenida como resultado de la densificaci6n puntual de la capa de salida obtenida a partir del modelo propuesto

(b) Figura 4 Comportamiento espacial de la concentracion de material particulado PM lO (a) Patron

espacial obtenido de la Correcci6n Rotacional (b ) Patr6n Espacial de Referencia obtenido a partir del modelo CALMETCALPUFF

De acuerdo con 10 anterior se puede observar que el modelo propuesto logro un patr6n espacial de concentraClon para PM 10 algo mas esbelto que la superficie de referencia sobre todo en los puntos maximos esto promovido principal mente por el comportamiento del operador de dinamica emergente frente a la correccion rotacional experimentada por los campos horarios de viento utilizados para la estimacion de emisiones 10 que indica que el modelo tuvo un comportamiento acorde con la dinamica meteorologica de la zona de estudio superando las limitantes impuestas por la resolucion utilizada para la construcci6n de los campos de vientos que determinaron las conexiones entre las capas

149

75 CONCLUSIONES

EI modelo evolutivo propuesto logro superar una serie de limitantes impuestas por la resolucion espacial de los campos de viento que determinan la relacion entre las capas de entrada y de salida Este mejoramiento se logro gracias a la correccion rotacional infinitesimal sobre los campos de viento IIevada a cabo por el operador que determina la dinamica emergente dentro del mecanismo por evolucion que determina el proceso de adaptacion y aprendizaje en el modele propuesto EI patron de emisiones obtenido como resultado del proceso de estimacion a 10 largo del tiempo que dura urd campana de medida afecto en igual medida el proceso de calculo de las concentraciones en cada uno de los puntos de ubicacion de cada una de las m_estaciones de monitoreo de la calidad del aire 10 que redunda directamente en la representacion como proceso estocastico de cada uno de los puntos de la rejilla regular que permite la densificacion puntual de la capa de salida del modelo De manera general los patrones de concentracion espacial para PM 10 en la zona de estudio estan determinados directamente por los patrones de dispersion generados por la funcion de aptitud del modelo el cual integra un modele de dispersion lagrangiano de puffs gaussianos del tipo backward gaussian puff tracking 10 que configura el problema inverso de la estimacion de emisiones (receptor_fuente) y permite determinar como y de que forma se IIeva a cabo una descarga de contaminantes desde una fuente cualquiera en terminos de la dinamica meteorologica presente en la zona de estudio 10 que marca una gran diferencia con el modelo CALMETCALPUFF el cual es un modele directo 0 de fuente_receptor Los patrones de dispersion de contaminantes en un modele lagrangiano de puffs gaussianos pueden ser obtenidos en terminos de los campos de viento que determinan la meteorologia de una zona de estudio y en terminos de un patron de emisiones en los cuales las emisiones son fijadas para este caso cercanas a la unidad De esta manera la densificacion espacial de la zona de estudio se IIevara a cabo a traves de la construccion de macropuffs por efecto de una agrupacion espacial de puffs 10 que permitira la construccion de un interpolador semifisico en terminos del modele de dispersion Este interpolador semiffsico permitira determinar de forma analitica la concentracion espacial para PM10 a 10 largo del tiempo que dura una campana de medida Debido a que las fuentes de emision estan ubicadas espacialmente en la zona de estudio esto permitira su agrupacion por areas y permitira ademas la manipulacion genetica del patron de emisiones por conjuntos de fuentes Esta manipulacion genetica por areas servira como so porte a la toma de decisiones en cuanto ayudara a estimar el efecto que una emision de contaminantes tendra sobre una area cualquiera de la zona de estudio en terminos del fenomeno de dispersion incorporado en la estructura del modele por adaptacion y aprendizaje propuesto 10 que permitira mitigar por optimizacion dinamica los efectos que la concentracion por material particulado PM lO pueda generar sobre una zona de estudio

REFERENCIAS

Acena B F Martin A DePascual V Sanfelix S Gomar y E Monfort laquoEstimacion de Emisiones de Particulos PM10 desde Fuentes Difusasraquo Congreso Colombiano de Calidad del Aire y SaIud Publica Manizales Universidad Nacional de Colombia 2007

Allen TC SG Young y SE Haupt laquoImproving pollutant source characterization by better estimating wind direction with a genetic algorithm raquo Atmospheric Environment 41 (11) 2007(a) 2283-2289 doi 101 016jatmosenv200611007

150

Artinano B FJ Gomez Moreno y M Pujadas laquoMeasu rement particulate concentrations produced during bulk material handling at Tarragona Harbourraquo Atmospheric Environment (41) 2006 6344-6355 doi 101016j atmosenv2006 1 2020

Chang JC P Franzese K Chayantrokom y SR Hanna laquoEvaluatios of CALPUFF HPAC and VLSTRACK with two mesoescale field datasets raquo Journal of Applied Meteorology (42) 2003 453-466

Daley R Atmospheric Data Analysis Cambridge UK University Press 1991 Haupt Sue Ellen George S Young y Christopher T Allen laquoA Genetic Algorithm

Method to assimilate Sensor Data for a Toxic Contaminant Releaseraquo Journal of Computers (2) - 6 2007 85-92 ISSN 1796-203X

Hernandez JA y JD Opsina laquoA multi dynamics algorithm for global optimizationraquo Mathematical and Computer Modelling (XX) XX doi101016jmcm201003024 2010

Isazi V Pedro y Ines Galvan L Redes de Neuronas Artificiales Un enfoque practico Madrid Pearson Education SA ISBN84-205-4025-0 2004

Israelsson P K Do Y E Adams laquoA comparison of three lagrangian approaches for extending near field mixing calculations raquo Environmental Modelling amp Software (21) 2006 1631-1649 doi 1 01 01 6j envsoft200507008

Kohonen T laquoSelf-organized formation of Topologically correct feature mapsraquo Biological Cybernetics (43) 1982 59-69 ISSN 0340-1200 En (I sazi amp Galvan 2004)

Kyats A E Yee y FS Lien laquoBayesian inference for source determination with application to a complex urban environment raquo Atmospheric Environment (41) 2007 465-479 doi 101 016j atmosenv200608 044

Lundquist J B Kosovic Y R Belles Synthetic event reconstruction experiments for defining sensors network characteristics Lawrence Livermore National Labraotry UCRL-TRE-217762 32 pp httpwwwllnlgovtidl ofdocumentspdf328798pdf 2005 t

Martin LI F laquoInventario de modelos utilizados para calidad del aire raquo Seminario de

Calidad del Aire en Espana Santander 2006 Martin LI F M Pujadas y B Artinano laquoEstimates of atmospheric particle emissions

from bulk handling of dusty materials in Spain harboursraquo Atmospheric Environment (4 1)-30 2007 6344-6355 doi 101 016j atmosenv200612003

Martin LI F C Gonzalez y I et al Palomino SCAH Sistema In formatico para el Control y Prevenci6n de la Contaminaci6n Atm6sferica en Huelva Madrid Centro de Investigaciones Energeticas Medioambientales y Tecnol6gicas CIEMAT 2002

Monache LD JK Lundquist y B Kosovik laquoBayesina inference and Montecarlo Markov Chain sampling to reconstruct a contaminan t source at continental scaleraquo Jorunal of Applied Meheorology and Climatology 2008 httpamsallenpresscomperlservrequest=get-toc-aopampissn=1 558-8432ampct= 1

Moreira DM U Rizza MT Villena y A Goulart laquoSemi anallytica l model for pollution dispersion in the planetary boundary layerraquo Atmospheric Environment (39) - 14 2005 2673-2681 doi 101016jatmosenv200503004

Neuman S L Glascoe y B Kosovik laquoEvent reconstruction for atmospheric releases employing urban puff model UDM with stochastic inversion methodologyraquo American Meteorological Society Annual Meeting Atlanta 2005 UCRL-PROCshy216842

Park Ok-Hyum y Ming-Gwang Seok laquoSelection of appropiate model to predict plume dispersion in coastal areas raquo Atmospheric Environment (41) 2007 6095shy61 01 doi 101016jatmosenv200704010

Pena P A J Hernandez R Y MV Toro G laquoAsynchronous Evolutionary Inverse Modeling for PM10 Spatial Characterizationraquo 18 tho IMACS Congress MODSIM09 Cairns Australia ISBN 978-0-9758400-7-8 2009(a)

151

Con respecto al calculo de las concentraciones para PM 1O el modelo propuesto IIev6 a cabo un proceso de calculo teniendo en cuenta para ello los valores de referencia asociados con las medidas espaciales de concentraci6n para PM lO arrojadas por el modele CALMETCALPUFF y estableciEmdose una franja para la concentraci6n de PM 10 determinada por el indice FAC2 En la Figura 2 se puede observar el comportamiento del modele frente al calculo de las concentraciones para PM lO para antes y despues de la correcci6n rotacional lIevada a cabo sobre los campos horarios de viento presentes en la zona de estudio

(orrelaciol PMIO Correlaci6n PM IO

100 100

shy(

80 bull t------~~ E ro ~

u 20

l u

40

20

~ o

30 40 50 60 70 80 9() 30 40 50 60 70 lIO 91)

Cr lrnA3( Cr [UllmA3]

(a) (b)

shy 80 (

E 60 c 2 10

8

Figura 3 Diagrama de Correlaci6n para el Calculo de la Concentraci6n para PM lO (a) Antes de la Correcci6n Rotacional (b) Despues de la Correcci6n Rotacional

De acuerdo con 10 anterior podemos observar que el calculo de las concentraciones para PM lO en la Estaci6n de monitoreo 6 muestra una mejoria evidente luego del proceso de correcci6n rotacional que experimentan los campos de viento esto promovido principalmente por la Dinamica Emergente del mecanismo por evoluci6n propuesto Para la validaci6n del modele propuesto frente al calculo de las concentraciones para PM lO luego de la etapa de correcci6n rotacional se utiliz6 el modele borroso propuesto por Park (Park y Seok 2007) el cual evalua el desempeno de un modelo frente a los datos integrando para ello ocho metricas estadisticas como Fractional Bias (FB) Normalized Mean Square Error (NMSE) Geometric Bias Mean (MG) Geometric Bias Variance (VG) Within a Factor of Two (FAC2) Index of Agreement (lOA) Unpaired Accuracy of Peak (UAPC) and Mean Relative Error (MRE) De acuerdo con este modelo cada una de las metricas es descrita cualitativamente en terminos de los valores alcanzados por cada una de elias de la siguiente manera Good (G) OverFair (OF) Fair (F) UnderFair (UF) Poor(P) Para obtener el valor de desempeno Park propone una serie de valores que son aditivos de acuerdo con las cualidades tomadas por cada metrica asi Good 7-10 (average 85) Fair 4-7 (average 55) OverFair (average 6) UnderFair (average 5) and Poor 1-4 (average 25) hasta lograr un valor maximo de 68 puntos los cuales pueden ser obtenidos en porcentaje teniendo en cuenta el puntaje maximo De acuerdo con la Figura 2 y de acuerdo con la Tabla No 4 se pueden observar los resultados obtenidos por el modelo frente al calculo de las concentraciones luego de la correcci6n infinitesimal por rotaci6n (ex) experimentada por cada uno de los campos horarios de viento que comprende una campana de medida (480) (Pena P Hernandez R y Toro G 2010(a)) (Pena P Hernandez R y Jimenez P 2011)

De acuerdo con la Tabla No4 podemos observar la meJoria experimentada por el modele propuesto frente al calculo de las concentraciones para despues de la correcci6n por rotaci6n experimentada por los campos de viento Es de anotar igualmente que el modelo tuvo un incremento de los indices de desempeno acorde con el numero de fuentes de emisi6n consideradas 10 que esta de acuerdo con una mayor informaci6n presente para la estimaci6n de las concentraciones para PM lO sin

148

embargo es evidente que una rotacion infinitesimal sobre los campos de viento muestra que la resolucion utilizada para los campos de viento permite una reduccion significativa de la incertidumbre

Tabla 4 Resultados arrojados por el modelo para el calculo general de la concentracion para PM 10 Iuego del proceso de Correccion

44 44 1616 1616 3232 3232 (C1 _A) (C1_D) (C3_A) (C3_D) (C6_A) (C1_D)

- -FB 000742134 G 002869298 G

005586836 G

003869166 G 012467013 G 0 1020581 G

NMSE 01 0472201 G 01 1867363 G 023249832 G 006982322 G 017444814 G 011 92512 G

MG 097729959 G 099432838 G 118376271 G 108178 05 G 121637967 G 11748957 G

VG 231969125 G 243844576 G 265550588 G 149094202 G 3735787 F 25851855 G

FAC2 002345865 P 095945946 G 002448331 P 093581081 G 0 76755952 G 08581081 G

lOA 0882400 17 G 087011033 G 084 187528 G 088077834 G 084649469 G 08363300 G

UAPC 023737374 G 0226 G -0 261 G

-G 0433 G 00419161 G

2 020408163 - 0

-1 7457723 0

-4 01 27536 P -

G 0 - G

MRE 159207493 F F 039200422 143174 398 F 09265427

C( 0013deg 00158deg 00161deg 001 79deg 001 82deg 00189deg

10 875 95 85 100 91 25 100

En la Figura 4 (a) se puede observar la superficie de referencia horaria de concentraci6n para PM10 obtenida a partir del modelo CALMETCALPUFF mientras que en la Figura 4(b) se puede observar la superficie de concentraci6n para PM lO

obtenida como resultado de la densificaci6n puntual de la capa de salida obtenida a partir del modelo propuesto

(b) Figura 4 Comportamiento espacial de la concentracion de material particulado PM lO (a) Patron

espacial obtenido de la Correcci6n Rotacional (b ) Patr6n Espacial de Referencia obtenido a partir del modelo CALMETCALPUFF

De acuerdo con 10 anterior se puede observar que el modelo propuesto logro un patr6n espacial de concentraClon para PM 10 algo mas esbelto que la superficie de referencia sobre todo en los puntos maximos esto promovido principal mente por el comportamiento del operador de dinamica emergente frente a la correccion rotacional experimentada por los campos horarios de viento utilizados para la estimacion de emisiones 10 que indica que el modelo tuvo un comportamiento acorde con la dinamica meteorologica de la zona de estudio superando las limitantes impuestas por la resolucion utilizada para la construcci6n de los campos de vientos que determinaron las conexiones entre las capas

149

75 CONCLUSIONES

EI modelo evolutivo propuesto logro superar una serie de limitantes impuestas por la resolucion espacial de los campos de viento que determinan la relacion entre las capas de entrada y de salida Este mejoramiento se logro gracias a la correccion rotacional infinitesimal sobre los campos de viento IIevada a cabo por el operador que determina la dinamica emergente dentro del mecanismo por evolucion que determina el proceso de adaptacion y aprendizaje en el modele propuesto EI patron de emisiones obtenido como resultado del proceso de estimacion a 10 largo del tiempo que dura urd campana de medida afecto en igual medida el proceso de calculo de las concentraciones en cada uno de los puntos de ubicacion de cada una de las m_estaciones de monitoreo de la calidad del aire 10 que redunda directamente en la representacion como proceso estocastico de cada uno de los puntos de la rejilla regular que permite la densificacion puntual de la capa de salida del modelo De manera general los patrones de concentracion espacial para PM 10 en la zona de estudio estan determinados directamente por los patrones de dispersion generados por la funcion de aptitud del modelo el cual integra un modele de dispersion lagrangiano de puffs gaussianos del tipo backward gaussian puff tracking 10 que configura el problema inverso de la estimacion de emisiones (receptor_fuente) y permite determinar como y de que forma se IIeva a cabo una descarga de contaminantes desde una fuente cualquiera en terminos de la dinamica meteorologica presente en la zona de estudio 10 que marca una gran diferencia con el modelo CALMETCALPUFF el cual es un modele directo 0 de fuente_receptor Los patrones de dispersion de contaminantes en un modele lagrangiano de puffs gaussianos pueden ser obtenidos en terminos de los campos de viento que determinan la meteorologia de una zona de estudio y en terminos de un patron de emisiones en los cuales las emisiones son fijadas para este caso cercanas a la unidad De esta manera la densificacion espacial de la zona de estudio se IIevara a cabo a traves de la construccion de macropuffs por efecto de una agrupacion espacial de puffs 10 que permitira la construccion de un interpolador semifisico en terminos del modele de dispersion Este interpolador semiffsico permitira determinar de forma analitica la concentracion espacial para PM10 a 10 largo del tiempo que dura una campana de medida Debido a que las fuentes de emision estan ubicadas espacialmente en la zona de estudio esto permitira su agrupacion por areas y permitira ademas la manipulacion genetica del patron de emisiones por conjuntos de fuentes Esta manipulacion genetica por areas servira como so porte a la toma de decisiones en cuanto ayudara a estimar el efecto que una emision de contaminantes tendra sobre una area cualquiera de la zona de estudio en terminos del fenomeno de dispersion incorporado en la estructura del modele por adaptacion y aprendizaje propuesto 10 que permitira mitigar por optimizacion dinamica los efectos que la concentracion por material particulado PM lO pueda generar sobre una zona de estudio

REFERENCIAS

Acena B F Martin A DePascual V Sanfelix S Gomar y E Monfort laquoEstimacion de Emisiones de Particulos PM10 desde Fuentes Difusasraquo Congreso Colombiano de Calidad del Aire y SaIud Publica Manizales Universidad Nacional de Colombia 2007

Allen TC SG Young y SE Haupt laquoImproving pollutant source characterization by better estimating wind direction with a genetic algorithm raquo Atmospheric Environment 41 (11) 2007(a) 2283-2289 doi 101 016jatmosenv200611007

150

Artinano B FJ Gomez Moreno y M Pujadas laquoMeasu rement particulate concentrations produced during bulk material handling at Tarragona Harbourraquo Atmospheric Environment (41) 2006 6344-6355 doi 101016j atmosenv2006 1 2020

Chang JC P Franzese K Chayantrokom y SR Hanna laquoEvaluatios of CALPUFF HPAC and VLSTRACK with two mesoescale field datasets raquo Journal of Applied Meteorology (42) 2003 453-466

Daley R Atmospheric Data Analysis Cambridge UK University Press 1991 Haupt Sue Ellen George S Young y Christopher T Allen laquoA Genetic Algorithm

Method to assimilate Sensor Data for a Toxic Contaminant Releaseraquo Journal of Computers (2) - 6 2007 85-92 ISSN 1796-203X

Hernandez JA y JD Opsina laquoA multi dynamics algorithm for global optimizationraquo Mathematical and Computer Modelling (XX) XX doi101016jmcm201003024 2010

Isazi V Pedro y Ines Galvan L Redes de Neuronas Artificiales Un enfoque practico Madrid Pearson Education SA ISBN84-205-4025-0 2004

Israelsson P K Do Y E Adams laquoA comparison of three lagrangian approaches for extending near field mixing calculations raquo Environmental Modelling amp Software (21) 2006 1631-1649 doi 1 01 01 6j envsoft200507008

Kohonen T laquoSelf-organized formation of Topologically correct feature mapsraquo Biological Cybernetics (43) 1982 59-69 ISSN 0340-1200 En (I sazi amp Galvan 2004)

Kyats A E Yee y FS Lien laquoBayesian inference for source determination with application to a complex urban environment raquo Atmospheric Environment (41) 2007 465-479 doi 101 016j atmosenv200608 044

Lundquist J B Kosovic Y R Belles Synthetic event reconstruction experiments for defining sensors network characteristics Lawrence Livermore National Labraotry UCRL-TRE-217762 32 pp httpwwwllnlgovtidl ofdocumentspdf328798pdf 2005 t

Martin LI F laquoInventario de modelos utilizados para calidad del aire raquo Seminario de

Calidad del Aire en Espana Santander 2006 Martin LI F M Pujadas y B Artinano laquoEstimates of atmospheric particle emissions

from bulk handling of dusty materials in Spain harboursraquo Atmospheric Environment (4 1)-30 2007 6344-6355 doi 101 016j atmosenv200612003

Martin LI F C Gonzalez y I et al Palomino SCAH Sistema In formatico para el Control y Prevenci6n de la Contaminaci6n Atm6sferica en Huelva Madrid Centro de Investigaciones Energeticas Medioambientales y Tecnol6gicas CIEMAT 2002

Monache LD JK Lundquist y B Kosovik laquoBayesina inference and Montecarlo Markov Chain sampling to reconstruct a contaminan t source at continental scaleraquo Jorunal of Applied Meheorology and Climatology 2008 httpamsallenpresscomperlservrequest=get-toc-aopampissn=1 558-8432ampct= 1

Moreira DM U Rizza MT Villena y A Goulart laquoSemi anallytica l model for pollution dispersion in the planetary boundary layerraquo Atmospheric Environment (39) - 14 2005 2673-2681 doi 101016jatmosenv200503004

Neuman S L Glascoe y B Kosovik laquoEvent reconstruction for atmospheric releases employing urban puff model UDM with stochastic inversion methodologyraquo American Meteorological Society Annual Meeting Atlanta 2005 UCRL-PROCshy216842

Park Ok-Hyum y Ming-Gwang Seok laquoSelection of appropiate model to predict plume dispersion in coastal areas raquo Atmospheric Environment (41) 2007 6095shy61 01 doi 101016jatmosenv200704010

Pena P A J Hernandez R Y MV Toro G laquoAsynchronous Evolutionary Inverse Modeling for PM10 Spatial Characterizationraquo 18 tho IMACS Congress MODSIM09 Cairns Australia ISBN 978-0-9758400-7-8 2009(a)

151

embargo es evidente que una rotacion infinitesimal sobre los campos de viento muestra que la resolucion utilizada para los campos de viento permite una reduccion significativa de la incertidumbre

Tabla 4 Resultados arrojados por el modelo para el calculo general de la concentracion para PM 10 Iuego del proceso de Correccion

44 44 1616 1616 3232 3232 (C1 _A) (C1_D) (C3_A) (C3_D) (C6_A) (C1_D)

- -FB 000742134 G 002869298 G

005586836 G

003869166 G 012467013 G 0 1020581 G

NMSE 01 0472201 G 01 1867363 G 023249832 G 006982322 G 017444814 G 011 92512 G

MG 097729959 G 099432838 G 118376271 G 108178 05 G 121637967 G 11748957 G

VG 231969125 G 243844576 G 265550588 G 149094202 G 3735787 F 25851855 G

FAC2 002345865 P 095945946 G 002448331 P 093581081 G 0 76755952 G 08581081 G

lOA 0882400 17 G 087011033 G 084 187528 G 088077834 G 084649469 G 08363300 G

UAPC 023737374 G 0226 G -0 261 G

-G 0433 G 00419161 G

2 020408163 - 0

-1 7457723 0

-4 01 27536 P -

G 0 - G

MRE 159207493 F F 039200422 143174 398 F 09265427

C( 0013deg 00158deg 00161deg 001 79deg 001 82deg 00189deg

10 875 95 85 100 91 25 100

En la Figura 4 (a) se puede observar la superficie de referencia horaria de concentraci6n para PM10 obtenida a partir del modelo CALMETCALPUFF mientras que en la Figura 4(b) se puede observar la superficie de concentraci6n para PM lO

obtenida como resultado de la densificaci6n puntual de la capa de salida obtenida a partir del modelo propuesto

(b) Figura 4 Comportamiento espacial de la concentracion de material particulado PM lO (a) Patron

espacial obtenido de la Correcci6n Rotacional (b ) Patr6n Espacial de Referencia obtenido a partir del modelo CALMETCALPUFF

De acuerdo con 10 anterior se puede observar que el modelo propuesto logro un patr6n espacial de concentraClon para PM 10 algo mas esbelto que la superficie de referencia sobre todo en los puntos maximos esto promovido principal mente por el comportamiento del operador de dinamica emergente frente a la correccion rotacional experimentada por los campos horarios de viento utilizados para la estimacion de emisiones 10 que indica que el modelo tuvo un comportamiento acorde con la dinamica meteorologica de la zona de estudio superando las limitantes impuestas por la resolucion utilizada para la construcci6n de los campos de vientos que determinaron las conexiones entre las capas

149

75 CONCLUSIONES

EI modelo evolutivo propuesto logro superar una serie de limitantes impuestas por la resolucion espacial de los campos de viento que determinan la relacion entre las capas de entrada y de salida Este mejoramiento se logro gracias a la correccion rotacional infinitesimal sobre los campos de viento IIevada a cabo por el operador que determina la dinamica emergente dentro del mecanismo por evolucion que determina el proceso de adaptacion y aprendizaje en el modele propuesto EI patron de emisiones obtenido como resultado del proceso de estimacion a 10 largo del tiempo que dura urd campana de medida afecto en igual medida el proceso de calculo de las concentraciones en cada uno de los puntos de ubicacion de cada una de las m_estaciones de monitoreo de la calidad del aire 10 que redunda directamente en la representacion como proceso estocastico de cada uno de los puntos de la rejilla regular que permite la densificacion puntual de la capa de salida del modelo De manera general los patrones de concentracion espacial para PM 10 en la zona de estudio estan determinados directamente por los patrones de dispersion generados por la funcion de aptitud del modelo el cual integra un modele de dispersion lagrangiano de puffs gaussianos del tipo backward gaussian puff tracking 10 que configura el problema inverso de la estimacion de emisiones (receptor_fuente) y permite determinar como y de que forma se IIeva a cabo una descarga de contaminantes desde una fuente cualquiera en terminos de la dinamica meteorologica presente en la zona de estudio 10 que marca una gran diferencia con el modelo CALMETCALPUFF el cual es un modele directo 0 de fuente_receptor Los patrones de dispersion de contaminantes en un modele lagrangiano de puffs gaussianos pueden ser obtenidos en terminos de los campos de viento que determinan la meteorologia de una zona de estudio y en terminos de un patron de emisiones en los cuales las emisiones son fijadas para este caso cercanas a la unidad De esta manera la densificacion espacial de la zona de estudio se IIevara a cabo a traves de la construccion de macropuffs por efecto de una agrupacion espacial de puffs 10 que permitira la construccion de un interpolador semifisico en terminos del modele de dispersion Este interpolador semiffsico permitira determinar de forma analitica la concentracion espacial para PM10 a 10 largo del tiempo que dura una campana de medida Debido a que las fuentes de emision estan ubicadas espacialmente en la zona de estudio esto permitira su agrupacion por areas y permitira ademas la manipulacion genetica del patron de emisiones por conjuntos de fuentes Esta manipulacion genetica por areas servira como so porte a la toma de decisiones en cuanto ayudara a estimar el efecto que una emision de contaminantes tendra sobre una area cualquiera de la zona de estudio en terminos del fenomeno de dispersion incorporado en la estructura del modele por adaptacion y aprendizaje propuesto 10 que permitira mitigar por optimizacion dinamica los efectos que la concentracion por material particulado PM lO pueda generar sobre una zona de estudio

REFERENCIAS

Acena B F Martin A DePascual V Sanfelix S Gomar y E Monfort laquoEstimacion de Emisiones de Particulos PM10 desde Fuentes Difusasraquo Congreso Colombiano de Calidad del Aire y SaIud Publica Manizales Universidad Nacional de Colombia 2007

Allen TC SG Young y SE Haupt laquoImproving pollutant source characterization by better estimating wind direction with a genetic algorithm raquo Atmospheric Environment 41 (11) 2007(a) 2283-2289 doi 101 016jatmosenv200611007

150

Artinano B FJ Gomez Moreno y M Pujadas laquoMeasu rement particulate concentrations produced during bulk material handling at Tarragona Harbourraquo Atmospheric Environment (41) 2006 6344-6355 doi 101016j atmosenv2006 1 2020

Chang JC P Franzese K Chayantrokom y SR Hanna laquoEvaluatios of CALPUFF HPAC and VLSTRACK with two mesoescale field datasets raquo Journal of Applied Meteorology (42) 2003 453-466

Daley R Atmospheric Data Analysis Cambridge UK University Press 1991 Haupt Sue Ellen George S Young y Christopher T Allen laquoA Genetic Algorithm

Method to assimilate Sensor Data for a Toxic Contaminant Releaseraquo Journal of Computers (2) - 6 2007 85-92 ISSN 1796-203X

Hernandez JA y JD Opsina laquoA multi dynamics algorithm for global optimizationraquo Mathematical and Computer Modelling (XX) XX doi101016jmcm201003024 2010

Isazi V Pedro y Ines Galvan L Redes de Neuronas Artificiales Un enfoque practico Madrid Pearson Education SA ISBN84-205-4025-0 2004

Israelsson P K Do Y E Adams laquoA comparison of three lagrangian approaches for extending near field mixing calculations raquo Environmental Modelling amp Software (21) 2006 1631-1649 doi 1 01 01 6j envsoft200507008

Kohonen T laquoSelf-organized formation of Topologically correct feature mapsraquo Biological Cybernetics (43) 1982 59-69 ISSN 0340-1200 En (I sazi amp Galvan 2004)

Kyats A E Yee y FS Lien laquoBayesian inference for source determination with application to a complex urban environment raquo Atmospheric Environment (41) 2007 465-479 doi 101 016j atmosenv200608 044

Lundquist J B Kosovic Y R Belles Synthetic event reconstruction experiments for defining sensors network characteristics Lawrence Livermore National Labraotry UCRL-TRE-217762 32 pp httpwwwllnlgovtidl ofdocumentspdf328798pdf 2005 t

Martin LI F laquoInventario de modelos utilizados para calidad del aire raquo Seminario de

Calidad del Aire en Espana Santander 2006 Martin LI F M Pujadas y B Artinano laquoEstimates of atmospheric particle emissions

from bulk handling of dusty materials in Spain harboursraquo Atmospheric Environment (4 1)-30 2007 6344-6355 doi 101 016j atmosenv200612003

Martin LI F C Gonzalez y I et al Palomino SCAH Sistema In formatico para el Control y Prevenci6n de la Contaminaci6n Atm6sferica en Huelva Madrid Centro de Investigaciones Energeticas Medioambientales y Tecnol6gicas CIEMAT 2002

Monache LD JK Lundquist y B Kosovik laquoBayesina inference and Montecarlo Markov Chain sampling to reconstruct a contaminan t source at continental scaleraquo Jorunal of Applied Meheorology and Climatology 2008 httpamsallenpresscomperlservrequest=get-toc-aopampissn=1 558-8432ampct= 1

Moreira DM U Rizza MT Villena y A Goulart laquoSemi anallytica l model for pollution dispersion in the planetary boundary layerraquo Atmospheric Environment (39) - 14 2005 2673-2681 doi 101016jatmosenv200503004

Neuman S L Glascoe y B Kosovik laquoEvent reconstruction for atmospheric releases employing urban puff model UDM with stochastic inversion methodologyraquo American Meteorological Society Annual Meeting Atlanta 2005 UCRL-PROCshy216842

Park Ok-Hyum y Ming-Gwang Seok laquoSelection of appropiate model to predict plume dispersion in coastal areas raquo Atmospheric Environment (41) 2007 6095shy61 01 doi 101016jatmosenv200704010

Pena P A J Hernandez R Y MV Toro G laquoAsynchronous Evolutionary Inverse Modeling for PM10 Spatial Characterizationraquo 18 tho IMACS Congress MODSIM09 Cairns Australia ISBN 978-0-9758400-7-8 2009(a)

151

75 CONCLUSIONES

EI modelo evolutivo propuesto logro superar una serie de limitantes impuestas por la resolucion espacial de los campos de viento que determinan la relacion entre las capas de entrada y de salida Este mejoramiento se logro gracias a la correccion rotacional infinitesimal sobre los campos de viento IIevada a cabo por el operador que determina la dinamica emergente dentro del mecanismo por evolucion que determina el proceso de adaptacion y aprendizaje en el modele propuesto EI patron de emisiones obtenido como resultado del proceso de estimacion a 10 largo del tiempo que dura urd campana de medida afecto en igual medida el proceso de calculo de las concentraciones en cada uno de los puntos de ubicacion de cada una de las m_estaciones de monitoreo de la calidad del aire 10 que redunda directamente en la representacion como proceso estocastico de cada uno de los puntos de la rejilla regular que permite la densificacion puntual de la capa de salida del modelo De manera general los patrones de concentracion espacial para PM 10 en la zona de estudio estan determinados directamente por los patrones de dispersion generados por la funcion de aptitud del modelo el cual integra un modele de dispersion lagrangiano de puffs gaussianos del tipo backward gaussian puff tracking 10 que configura el problema inverso de la estimacion de emisiones (receptor_fuente) y permite determinar como y de que forma se IIeva a cabo una descarga de contaminantes desde una fuente cualquiera en terminos de la dinamica meteorologica presente en la zona de estudio 10 que marca una gran diferencia con el modelo CALMETCALPUFF el cual es un modele directo 0 de fuente_receptor Los patrones de dispersion de contaminantes en un modele lagrangiano de puffs gaussianos pueden ser obtenidos en terminos de los campos de viento que determinan la meteorologia de una zona de estudio y en terminos de un patron de emisiones en los cuales las emisiones son fijadas para este caso cercanas a la unidad De esta manera la densificacion espacial de la zona de estudio se IIevara a cabo a traves de la construccion de macropuffs por efecto de una agrupacion espacial de puffs 10 que permitira la construccion de un interpolador semifisico en terminos del modele de dispersion Este interpolador semiffsico permitira determinar de forma analitica la concentracion espacial para PM10 a 10 largo del tiempo que dura una campana de medida Debido a que las fuentes de emision estan ubicadas espacialmente en la zona de estudio esto permitira su agrupacion por areas y permitira ademas la manipulacion genetica del patron de emisiones por conjuntos de fuentes Esta manipulacion genetica por areas servira como so porte a la toma de decisiones en cuanto ayudara a estimar el efecto que una emision de contaminantes tendra sobre una area cualquiera de la zona de estudio en terminos del fenomeno de dispersion incorporado en la estructura del modele por adaptacion y aprendizaje propuesto 10 que permitira mitigar por optimizacion dinamica los efectos que la concentracion por material particulado PM lO pueda generar sobre una zona de estudio

REFERENCIAS

Acena B F Martin A DePascual V Sanfelix S Gomar y E Monfort laquoEstimacion de Emisiones de Particulos PM10 desde Fuentes Difusasraquo Congreso Colombiano de Calidad del Aire y SaIud Publica Manizales Universidad Nacional de Colombia 2007

Allen TC SG Young y SE Haupt laquoImproving pollutant source characterization by better estimating wind direction with a genetic algorithm raquo Atmospheric Environment 41 (11) 2007(a) 2283-2289 doi 101 016jatmosenv200611007

150

Artinano B FJ Gomez Moreno y M Pujadas laquoMeasu rement particulate concentrations produced during bulk material handling at Tarragona Harbourraquo Atmospheric Environment (41) 2006 6344-6355 doi 101016j atmosenv2006 1 2020

Chang JC P Franzese K Chayantrokom y SR Hanna laquoEvaluatios of CALPUFF HPAC and VLSTRACK with two mesoescale field datasets raquo Journal of Applied Meteorology (42) 2003 453-466

Daley R Atmospheric Data Analysis Cambridge UK University Press 1991 Haupt Sue Ellen George S Young y Christopher T Allen laquoA Genetic Algorithm

Method to assimilate Sensor Data for a Toxic Contaminant Releaseraquo Journal of Computers (2) - 6 2007 85-92 ISSN 1796-203X

Hernandez JA y JD Opsina laquoA multi dynamics algorithm for global optimizationraquo Mathematical and Computer Modelling (XX) XX doi101016jmcm201003024 2010

Isazi V Pedro y Ines Galvan L Redes de Neuronas Artificiales Un enfoque practico Madrid Pearson Education SA ISBN84-205-4025-0 2004

Israelsson P K Do Y E Adams laquoA comparison of three lagrangian approaches for extending near field mixing calculations raquo Environmental Modelling amp Software (21) 2006 1631-1649 doi 1 01 01 6j envsoft200507008

Kohonen T laquoSelf-organized formation of Topologically correct feature mapsraquo Biological Cybernetics (43) 1982 59-69 ISSN 0340-1200 En (I sazi amp Galvan 2004)

Kyats A E Yee y FS Lien laquoBayesian inference for source determination with application to a complex urban environment raquo Atmospheric Environment (41) 2007 465-479 doi 101 016j atmosenv200608 044

Lundquist J B Kosovic Y R Belles Synthetic event reconstruction experiments for defining sensors network characteristics Lawrence Livermore National Labraotry UCRL-TRE-217762 32 pp httpwwwllnlgovtidl ofdocumentspdf328798pdf 2005 t

Martin LI F laquoInventario de modelos utilizados para calidad del aire raquo Seminario de

Calidad del Aire en Espana Santander 2006 Martin LI F M Pujadas y B Artinano laquoEstimates of atmospheric particle emissions

from bulk handling of dusty materials in Spain harboursraquo Atmospheric Environment (4 1)-30 2007 6344-6355 doi 101 016j atmosenv200612003

Martin LI F C Gonzalez y I et al Palomino SCAH Sistema In formatico para el Control y Prevenci6n de la Contaminaci6n Atm6sferica en Huelva Madrid Centro de Investigaciones Energeticas Medioambientales y Tecnol6gicas CIEMAT 2002

Monache LD JK Lundquist y B Kosovik laquoBayesina inference and Montecarlo Markov Chain sampling to reconstruct a contaminan t source at continental scaleraquo Jorunal of Applied Meheorology and Climatology 2008 httpamsallenpresscomperlservrequest=get-toc-aopampissn=1 558-8432ampct= 1

Moreira DM U Rizza MT Villena y A Goulart laquoSemi anallytica l model for pollution dispersion in the planetary boundary layerraquo Atmospheric Environment (39) - 14 2005 2673-2681 doi 101016jatmosenv200503004

Neuman S L Glascoe y B Kosovik laquoEvent reconstruction for atmospheric releases employing urban puff model UDM with stochastic inversion methodologyraquo American Meteorological Society Annual Meeting Atlanta 2005 UCRL-PROCshy216842

Park Ok-Hyum y Ming-Gwang Seok laquoSelection of appropiate model to predict plume dispersion in coastal areas raquo Atmospheric Environment (41) 2007 6095shy61 01 doi 101016jatmosenv200704010

Pena P A J Hernandez R Y MV Toro G laquoAsynchronous Evolutionary Inverse Modeling for PM10 Spatial Characterizationraquo 18 tho IMACS Congress MODSIM09 Cairns Australia ISBN 978-0-9758400-7-8 2009(a)

151

Artinano B FJ Gomez Moreno y M Pujadas laquoMeasu rement particulate concentrations produced during bulk material handling at Tarragona Harbourraquo Atmospheric Environment (41) 2006 6344-6355 doi 101016j atmosenv2006 1 2020

Chang JC P Franzese K Chayantrokom y SR Hanna laquoEvaluatios of CALPUFF HPAC and VLSTRACK with two mesoescale field datasets raquo Journal of Applied Meteorology (42) 2003 453-466

Daley R Atmospheric Data Analysis Cambridge UK University Press 1991 Haupt Sue Ellen George S Young y Christopher T Allen laquoA Genetic Algorithm

Method to assimilate Sensor Data for a Toxic Contaminant Releaseraquo Journal of Computers (2) - 6 2007 85-92 ISSN 1796-203X

Hernandez JA y JD Opsina laquoA multi dynamics algorithm for global optimizationraquo Mathematical and Computer Modelling (XX) XX doi101016jmcm201003024 2010

Isazi V Pedro y Ines Galvan L Redes de Neuronas Artificiales Un enfoque practico Madrid Pearson Education SA ISBN84-205-4025-0 2004

Israelsson P K Do Y E Adams laquoA comparison of three lagrangian approaches for extending near field mixing calculations raquo Environmental Modelling amp Software (21) 2006 1631-1649 doi 1 01 01 6j envsoft200507008

Kohonen T laquoSelf-organized formation of Topologically correct feature mapsraquo Biological Cybernetics (43) 1982 59-69 ISSN 0340-1200 En (I sazi amp Galvan 2004)

Kyats A E Yee y FS Lien laquoBayesian inference for source determination with application to a complex urban environment raquo Atmospheric Environment (41) 2007 465-479 doi 101 016j atmosenv200608 044

Lundquist J B Kosovic Y R Belles Synthetic event reconstruction experiments for defining sensors network characteristics Lawrence Livermore National Labraotry UCRL-TRE-217762 32 pp httpwwwllnlgovtidl ofdocumentspdf328798pdf 2005 t

Martin LI F laquoInventario de modelos utilizados para calidad del aire raquo Seminario de

Calidad del Aire en Espana Santander 2006 Martin LI F M Pujadas y B Artinano laquoEstimates of atmospheric particle emissions

from bulk handling of dusty materials in Spain harboursraquo Atmospheric Environment (4 1)-30 2007 6344-6355 doi 101 016j atmosenv200612003

Martin LI F C Gonzalez y I et al Palomino SCAH Sistema In formatico para el Control y Prevenci6n de la Contaminaci6n Atm6sferica en Huelva Madrid Centro de Investigaciones Energeticas Medioambientales y Tecnol6gicas CIEMAT 2002

Monache LD JK Lundquist y B Kosovik laquoBayesina inference and Montecarlo Markov Chain sampling to reconstruct a contaminan t source at continental scaleraquo Jorunal of Applied Meheorology and Climatology 2008 httpamsallenpresscomperlservrequest=get-toc-aopampissn=1 558-8432ampct= 1

Moreira DM U Rizza MT Villena y A Goulart laquoSemi anallytica l model for pollution dispersion in the planetary boundary layerraquo Atmospheric Environment (39) - 14 2005 2673-2681 doi 101016jatmosenv200503004

Neuman S L Glascoe y B Kosovik laquoEvent reconstruction for atmospheric releases employing urban puff model UDM with stochastic inversion methodologyraquo American Meteorological Society Annual Meeting Atlanta 2005 UCRL-PROCshy216842

Park Ok-Hyum y Ming-Gwang Seok laquoSelection of appropiate model to predict plume dispersion in coastal areas raquo Atmospheric Environment (41) 2007 6095shy61 01 doi 101016jatmosenv200704010

Pena P A J Hernandez R Y MV Toro G laquoAsynchronous Evolutionary Inverse Modeling for PM10 Spatial Characterizationraquo 18 tho IMACS Congress MODSIM09 Cairns Australia ISBN 978-0-9758400-7-8 2009(a)

151

Pena P A JA Hernandez R Y Rodrigo Jimenez P laquoSistemas Clasificadores Neuronales para la Identificacion de Patrones de Dispersion de Contaminantes en una zona de estudioraquo Meteorologia Colombiana (14) 2011 ISSN 0124-6984

Pena P A JA Hernandez R y MV Toro G laquoEvolutionary Inverse Modelling for PM1 0 Pollutant Dispersionraquo En Soft Computing Methods for Practical Environmental Solutions Techniques and Studies de Mario Gestal y Daniel Rivero 293-313 doi 104018978-1-61520-893-7 Hershey USA IGI Globa l 2010(a)

Pena A J A Hernandez y M Toro laquoEvolutionary Inverse Lagrangian puff Modelraquo Environamental Modelling amp Software (25) 12 - Software an Data News 2010(b) 1890-1893 doi 101 n1 6j envosft201 0401 3

Perez P y J Reyes laquoAn Integrated neural network model for PM1 0 forecasting raquo Atmospheric Environment 40 2006 2845-2851 doi 1 01 01 6j atmosenv20060101 O

Raffo LE Y PM Mejia laquoAplicaciones computacionales de las ecuaciones diferencial estocasticas raquo Industrial Data (9) -1 2006 64-75 ISSN 181 0-9993

152

8 AFM Y ACV - METODOS DE SOSTENIBILIDAD PARA OPTIMIZACION EN INGENIERiA

Christian Hasenstab chsenstabnet

Consultor Independiente

81 EL DESARROLLO SOSTENIBLE

S610 hasta hace unas decadas se crey6 que el desarrollo entendido como progreso tecnico y crecimiento econ6mico iba a solucionar tarde 0 temprano todos los problemas de la humanidad Pero en 1972 con ei manifest6 Los limites al crecimiento (Meadows 1974) la sociedad empez6 a darse cuenta de que al menos la direcci6n del desarrollo tenia que cambiar para no destruir nuestro espacio vital

En el termino Desarrollo sostenible que fue elaborado en los arios siguientes se reunen pretensiones ecol6gicas sociales y econ6micas formando una perspectiva para garantizar oportunidades de una buena calidad de vida para todo el mundo a largo plazo (Schaltegger y Petersen 2008) La comi si6n Brundtland de la ONU defini6 el desarrollo sostenible en 1987 como aquel desarrollo que permite satisfacer las necesidades de las generaciones presentes sin comprorneter las posibilidades de las del futuro para atender sus propias necesidades (United Nations 1987)

Aunque estas definiciones ya tienen 25 arios el estado del mundo actual parece estar muy lejos de estas metas La huella ecol6gica de la humanidad que indica el uso del ecosistema ya totaliza mas del equivalente a dos planetas tierra Con la poblaci6n de la tierra todavia creciendo 10 que implica mas y mas gente que quiere y puede copiar el estilo de vida del occidente - la sociedad de consumo - la huella ecol6g ica va a crecer rapidamente si no se cambia alga

Las consecuencias de la sobrecarga de nuestro planeta ya son perceptibles EI fen6meno mas conocido actualmente es el cambio climatico par el uso excesivo de combustibles f6siles Pero tam bien hay otros sintomas como la perdida de biodiversidad la contaminaci6n y sobrepesca del mar y de los rios la falta de accesibilidad a agua potable la degradaci6n de sue los y la disminuci6n de bosques Interconectado con estos problemas ambientales existen ademas desafios sociales enormes como el crecimiento demogratico la alimentaci6n mundial y la disparidad en el desarrollo regional y mundial

Entretanto no se debe ser pesimista y pronosticar una crisis total de la humanidad Para evitar (0 al menos mitigar) este triste escenario tenemos que cambiar la direcci6n del desarrollo con la meta de lIegar a un estatus sostenible algun dia La idea de sostenibilidad naci6 en el siglo XVIII en Alemania en el sector de la silvicultura (Carlowitz 1713) EI estado sostenible sera logrado si no se cortan mas arboles de los que crecen en el mismo periodo de tiempo es decir si se vive de los intereses y no del capital se pod ria continuar administrando los recursos por siempre sin dariar el medio ambiente 0 la sociedad pera tampoco produciendo perdidas Para

153 Hernandez Riveros Jesus An tonio OptlmizacI6n de Conocimlento en Ingenieria ISBNmiddot 978-958-761-433middot6

describir este equilibrio se representa el desarrollo sostenible normalmente con tres ejes el ecologico el economico y el social

Figura 1 Las columnas de sostenibilidad (con base en Michelsen 2008)

Ya existen muchas iniciativas para generar 0 impulsar el desarrollo sostenible Hay regulaciones y leyes a nivel nacional e internacional que establecen estandares sociales y ambientales Cad a vez mas empresas tienen programas de responsabilidad social empresarial (RSE) y generan informes en los que reportan la mitigacion 0

mejora de sus impactos internos y externos Ademas los consumidores son cada dfa mas consciente de los problemas mencionados 10 que genera una demanda creciente de productos sostenibles y de empresas responsables Con los sfntomas del cambio climatico (entre otros) se hace cada vez mas evidente que este tipo de desarrollo gana mas y mas fuerza Por ejemplo los estandares de la huella de carbona (GHG en 2004 PAS 2050 en 2008) fueron los primeros estandares ambientales empujados por el mercado y no por una institucion publica 0 una ONG (Schmidt 2008)

Las estrategias basicas para solucionar los desaffos del desarrollo sostenible son la eficiencia la consistencia y la suficiencia (Schaltegger y Petersen 2008)

Eficiencia

Disminucion de flujos

de materiales y energfa

Mejora ambiental sin

reducc ion del consumo

Integracion de produccion

y consumo en cidos naturales

Figura 2 Estrategias basicas de sostenibilidad (Fuente Schaltegger amp Petersen 2009)

Las estrategias de eficiencia tratan de reducir los perjuicios de un rendimiento definido La eficiencia se logra al aprovechar potenciales organizadores 0 tecnicas de ahorro de materiales y energfa 0 con innovaciones Algunas posibilidades para economizar

154

pueden ser la utilizaci6n de menos material el alargamiento del periodo de vida util 0

la disminuci6n de fugas en los procesos

Las estrategias de consistencia buscan la compatibilidad de materiales y energias usados con las dinamicas naturales EI 6ptimo en este caso son los ciclos cerrados que se pueden repetir infinita cantidad de veces sin perjuicios ambientales 0 sociales es decir que todos los materiales en el fin del cicio de vida se pueden usar otra vez en lugar de ser eliminados y reem plazados por nuevos (de la cuna a la cuna en vez de de la cuna a la tumba)

Las estrategias de suficiencia tienen la meta de reducir el consumo en general y se enfocan mas en el comportamiento humane que en la tecnologia Esta estrategia parte de plantearse la pregunta Gque necesito realmente para vivir y cuales son las consecuencias de mi estilo de vida Este cambio no se trata de renunciar a un estilo de vida determinado sino de buscar otras calidades de consumo que sean mas inmateriales y esten mas cerca del fun cionamiento de la naturaleza

Una estrategia tambien mencionada con frecuencia es la educaci6n que pretende incrementar la conciencia social sobre la sostenibilidad como un tema transversal para todos los niveles educativos y para todos los programas academicos En diferen tes conceptos del desarrollo sostenible estas estrategias tienen prioridades diferentes pero todos estan de acuerdo en que se necesita una integraci6n de todas para lograr las metas ambientales y sociales de la sostenibilidad

La gran necesidad de cambio y optimizaci6n tambien se puede probar con la f6 rmula de Ehrlich que es un calculo simplificado parar ilustrar los impactos ambientales de la humanidad como sigue

pI x c x T Impacto Poblaci6n Consumo Tecnologfa

Existen entonces tres posibi lidades para reducir el impacto disminuci6n de la poblaci6n mundial reducci6n del consumo y optimizaci6n de la tecnologia En el mediano plazo la poblacion seguirc3 aumentando y el consumo de paises en desarrollo - sobre todo los asiaticos cuyas poblaciones son muy grandes - tambien tiene una alta probabilidad de incrementarse Por eso es preciso que la tecnologia desarrolle optimizaciones para mantener el impacto constante (Hoffmann y Kuss 2009) (Royal Society 2012)

A continuaci6n se presenta un ejemplo del calculo de la f6rmula de Ehrlich con datos reales para el efecto invernadero Segun el calculo es precL a reducir las emisiones de gases de efecto invernadero tecnicamente hasta un tercio para mantener el impacto en un mismo nivel (Hoffmann und Kuss 2009)

82 INGENIERiA Y DESARROLLO SOSTENIBLE

EI intercambio entre los ambitos de la ingenieria y el desarrollo sostenible es mutuo Por un lado la ingenieria soluciona muchos desafios sostenibles con optimizaciones e innovaciones tecnicas y tecnologicas y par el otro lade la perspectiva de sostenibilidad

155

pueden ser la utilizaci6n de menos material el alargamiento del periodo de vida util 0

la disminuci6n de fugas en los procesos

Las estrategias de consistencia buscan la compatibilidad de materiales y energias usados con las dinamicas naturales EI 6ptimo en este caso son los ciclos cerrados que se pueden repetir infinita cantidad de veces sin perjuicios ambientales 0 sociales es decir que todos los materiales en el fin del cicio de vida se pueden usar otra vez en lugar de ser eliminados y reem plazados por nuevos (de la cuna a la cuna en vez de de la cuna a la tumba)

Las estrategias de suficiencia tienen la meta de reducir el consumo en general y se enfocan mas en el comportamiento humane que en la tecnologia Esta estrategia parte de plantearse la pregunta Gque necesito realmente para vivir y cuales son las consecuencias de mi estilo de vida Este cambio no se trata de renunciar a un estilo de vida determinado sino de buscar otras calidades de consumo que sean mas inmateriales y esten mas cerca del fun cionamiento de la naturaleza

Una estrategia tambien mencionada con frecuencia es la educaci6n que pretende incrementar la conciencia social sobre la sostenibilidad como un tema transversal para todos los niveles educativos y para todos los programas academicos En diferen tes conceptos del desarrollo sostenible estas estrategias tienen prioridades diferentes pero todos estan de acuerdo en que se necesita una integraci6n de todas para lograr las metas ambientales y sociales de la sostenibilidad

La gran necesidad de cambio y optimizaci6n tambien se puede probar con la f6 rmula de Ehrlich que es un calculo simplificado parar ilustrar los impactos ambientales de la humanidad como sigue

pI x c x T Impacto Poblaci6n Consumo Tecnologfa

Existen entonces tres posibi lidades para reducir el impacto disminuci6n de la poblaci6n mundial reducci6n del consumo y optimizaci6n de la tecnologia En el mediano plazo la poblacion seguirc3 aumentando y el consumo de paises en desarrollo - sobre todo los asiaticos cuyas poblaciones son muy grandes - tambien tiene una alta probabilidad de incrementarse Por eso es preciso que la tecnologia desarrolle optimizaciones para mantener el impacto constante (Hoffmann y Kuss 2009) (Royal Society 2012)

A continuaci6n se presenta un ejemplo del calculo de la f6rmula de Ehrlich con datos reales para el efecto invernadero Segun el calculo es precL a reducir las emisiones de gases de efecto invernadero tecnicamente hasta un tercio para mantener el impacto en un mismo nivel (Hoffmann und Kuss 2009)

82 INGENIERiA Y DESARROLLO SOSTENIBLE

EI intercambio entre los ambitos de la ingenieria y el desarrollo sostenible es mutuo Por un lado la ingenieria soluciona muchos desafios sostenibles con optimizaciones e innovaciones tecnicas y tecnologicas y par el otro lade la perspectiva de sostenibilidad

155