Sistemas de Pronóstico deCalidad del Aire, ExperienciasInternacionales y NacionalesDesafíos FuturosClaudio CortésJefe del ...
Herramienta/Sistema dePronóstico Recursos técnicos Recursos tecnológicos Recursos en infraestructura Recursos humanos...
Modelos de pronóstico                                                            Herramientas                             ...
Persistencia Asume estado estático o  relativamente sin cambios Herramienta de pronóstico básico Genera condiciones de ...
Persistencia   Fortalezas    ◦ Aplicable a periodos donde hay poco      cambio (por ejemplo verano)    ◦ No requiere expe...
Persistencia   Debilidades    ◦ No es posible temporalizar el fenómeno a      pronosticar    ◦ Aplicable a fenómenos de e...
Análisis de series de tiempo Basada en análisis de series de  tiempo Caracteriza la zona, muestra ciclos  típicos Se de...
Análisis de series detiempo, climatología   Fortalezas    ◦ Herramienta básica para el conocimiento      del comportamien...
Análisis de series de tiempo,climatología   Debilidades    ◦ No es considerada una herramienta de      pronóstico, sino m...
Criterio Utilizar valores umbrales para  caracterizar configuraciones típicas Son usualmente las llamadas “reglas  de or...
Criterio   Fortalezas    ◦ No requiere herramientas ni      conocimientos estadísticos avanzadas    ◦ Disminuye los sesgo...
Criterio   Debilidades    ◦ La selección de valores umbrales se      puede considerar como un proceso      subjetivo    ◦...
Arboles de clasificación(CART) Clasifica datos en grupos disímiles Se aplica análisis estadístico Similar al Criterio, ...
Arboles de clasificación(CART)
Arboles de clasificación(CART)   Fortalezas    ◦ No requiere herramientas ni      conocimientos estadísticos avanzadas   ...
Arboles de clasificación(CART)   Debilidades    ◦ Requiere experiencia teórico/práctica      para su desarrollo    ◦ Peli...
Ecuaciones de regresión Herramienta más analizada en la  literatura y mas aplicada Se determina un predictando, en base ...
Ecuaciones de regresión   Fortalezas    ◦ No requiere de herramientas estadísticas      avanzadas, ni de mayores conocimi...
Ecuaciones de regresión   Debilidades    ◦ Requiere un cierto nivel de experiencia      teórico/práctica para su desarrol...
Modelos auto-organizativos Algoritmos computacionales que  simulan el procesamiento cerebral de  los organismos biológico...
Modelos auto-organizativos
Modelos auto-organizativos   Fortalezas    ◦ Encuentra relaciones difíciles de      cuantificar con alguna de las      he...
Modelos auto-organizativos   Debilidades    ◦ Fáciles de desarrollar, pero muy      complejas de entender    ◦ Incapacida...
Modelación con métodosnuméricos Consiste en representar  matemáticamente procesos físicos y  químicos Estos procesos, en...
Modelación con métodosnuméricos   Fortalezas    ◦ Basadas en toda la teoría conocida    ◦ Aplicable a una extensa área ge...
Modelación con métodosnuméricos   Debilidades    ◦ Su implementación requiere mucho      esfuerzo, mala implementación pu...
Análisis fenomenológico Se basa en la experiencia y en las  capacidades del personal a cargo del  pronóstico Consiste en...
Análisis fenomenológico   Fortalezas    ◦ Integración de nuevas fuentes de      información, adaptable a nuevos      desc...
Análisis fenomenológico   Debilidades    ◦ Requiere un alto nivel de experiencia      para su aplicación, personal experto
Análisis preliminar                                          Menos recursos,   Herramientas   de pronóstico               ...
Experiencia nacional   Conama:    ◦ Modelo Cassmassi: Regresión Lineal      Múltiple, PM10, MACAM(RM)   USACH:    ◦ Mode...
Experiencia nacional   Cenma:    ◦ Modelo Cenma-MOS: Regresión Lineal      Múltiple con autoajuste de coeficientes,      ...
Experiencia nacional ◦ Modelo WRF-Cenma: Modelo   determinístico de características físico-   químicas, en implementación....
Experiencia internacionalLocalidad, país     Tipo de                 Herramienta      Implementado   Acierto              ...
Experiencia internacionalLocalidad, país     Tipo de           Herramienta          Implementado   Acierto                ...
Experiencia internacionalLocalidad, país        Tipo de                Herramienta         Implementado   Acierto         ...
Conclusiones Los sistemas de pronóstico en otros lugares  del mundo, han sido implementados después  del sistema que oper...
Conclusiones Modelos estadísticos, 100% objetivos,  presentan buen acierto con poco  tiempo de desarrollo e  implementaci...
Recomendaciones Generales•La Fenomenología consiste entratar cada herramienta comounidad de información,sometidas a discus...
Desafíos Futuros   Densificar la red de monitoreo local, velar por la    correcta operación. Mediciones son la base de to...
Próxima SlideShare
Cargando en…5
×

Sistemas de pronóstico de calidad del aire

624 visualizaciones

Publicado el

Sistemas de pronóstico de calidad del aire en un

0 comentarios
0 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Sin descargas
Visualizaciones
Visualizaciones totales
624
En SlideShare
0
De insertados
0
Número de insertados
20
Acciones
Compartido
0
Descargas
11
Comentarios
0
Recomendaciones
0
Insertados 0
No insertados

No hay notas en la diapositiva.

Sistemas de pronóstico de calidad del aire

  1. 1. Sistemas de Pronóstico deCalidad del Aire, ExperienciasInternacionales y NacionalesDesafíos FuturosClaudio CortésJefe del Laboratorio de Informática AmbientalCentro Nacional del Medio AmbienteAgosto 12, 2011
  2. 2. Herramienta/Sistema dePronóstico Recursos técnicos Recursos tecnológicos Recursos en infraestructura Recursos humanos Sistema de pronóstico : La suma de todo lo anterior.
  3. 3. Modelos de pronóstico Herramientas Herramientas de pronóstico de pronóstico Entornos micro (pronóstico a corto Entornos macro (pron óstico a plazo, zona puntual) mediano-largo plazo, regió n extensa) Modelos numéricos Cualitativas Subjetivos Cuantitativas Objetivos de pronóstico (determinísticos) Estadísticos: Regresió n Persistencia (LR, MOS, ARIMA, etc.) Climatología Estadísticos: Clasificaci n ó Auto-Organizativos: Neuronal Criterio (Determinístico) Auto-Organizativos: Bayesiano Experiencia (Probabilístico)
  4. 4. Persistencia Asume estado estático o relativamente sin cambios Herramienta de pronóstico básico Genera condiciones de inicio para otras herramientas
  5. 5. Persistencia Fortalezas ◦ Aplicable a periodos donde hay poco cambio (por ejemplo verano) ◦ No requiere experiencia para su implementación y operación ◦ Las mediciones, como condiciones de inicio se pueden obtener por observación
  6. 6. Persistencia Debilidades ◦ No es posible temporalizar el fenómeno a pronosticar ◦ Aplicable a fenómenos de escasa variabilidad ◦ No se puede obtener un resultados determinado, solo rangos
  7. 7. Análisis de series de tiempo Basada en análisis de series de tiempo Caracteriza la zona, muestra ciclos típicos Se debe analizar una extensa base de datos, por lo menos 5 años
  8. 8. Análisis de series detiempo, climatología Fortalezas ◦ Herramienta básica para el conocimiento del comportamiento de fenómenos en la zona ◦ No requiere herramientas ni conocimientos estadísticos avanzados para su uso o implementación
  9. 9. Análisis de series de tiempo,climatología Debilidades ◦ No es considerada una herramienta de pronóstico, sino mas bien la base de ellas ◦ No toma en consideración componentes dinámicas ◦ Requiere un historial extenso de mediciones
  10. 10. Criterio Utilizar valores umbrales para caracterizar configuraciones típicas Son usualmente las llamadas “reglas de oro” Reglas construidas en base a un análisis estadístico acabado.
  11. 11. Criterio Fortalezas ◦ No requiere herramientas ni conocimientos estadísticos avanzadas ◦ Disminuye los sesgos causados por la aplicación de otras técnicas como la Persistencia.
  12. 12. Criterio Debilidades ◦ La selección de valores umbrales se puede considerar como un proceso subjetivo ◦ No aplicable a valores determinados, aplicable a rangos
  13. 13. Arboles de clasificación(CART) Clasifica datos en grupos disímiles Se aplica análisis estadístico Similar al Criterio, pero CART es 100% objetivo
  14. 14. Arboles de clasificación(CART)
  15. 15. Arboles de clasificación(CART) Fortalezas ◦ No requiere herramientas ni conocimientos estadísticos avanzadas ◦ Permite identificar condiciones similares, cuando estas condiciones con el resultados de diferentes procesos
  16. 16. Arboles de clasificación(CART) Debilidades ◦ Requiere experiencia teórico/práctica para su desarrollo ◦ Peligra con valores de entrada muy cercanos a los umbrales.
  17. 17. Ecuaciones de regresión Herramienta más analizada en la literatura y mas aplicada Se determina un predictando, en base a éste se analizan las variables que pueden influir de mayor manera en su comportamiento
  18. 18. Ecuaciones de regresión Fortalezas ◦ No requiere de herramientas estadísticas avanzadas, ni de mayores conocimientos ◦ Herramienta objetiva, muy documentada, ampliamente utilizada en una variedad de disciplinas
  19. 19. Ecuaciones de regresión Debilidades ◦ Requiere un cierto nivel de experiencia teórico/práctica para su desarrollo y actualización, no así para su operación ◦ Tiende a presentar mejor acierto en valores ubicados en torno a la media de la distribución ◦ Requieren actualización periódicas de los coeficientes, para incorporar cambios en el patrón de las condiciones de entrada
  20. 20. Modelos auto-organizativos Algoritmos computacionales que simulan el procesamiento cerebral de los organismos biológicos en términos de reconocimiento de patrones (Redes Neuronales) Debe ser entrenados con el fin de poder identificar patrones en un complicado escenario de datos relacionados de manera no lineal.
  21. 21. Modelos auto-organizativos
  22. 22. Modelos auto-organizativos Fortalezas ◦ Encuentra relaciones difíciles de cuantificar con alguna de las herramientas anteriores, permite encontrar relaciones no lineales ◦ Capaz de pronosticar valores extremos con mayor efectividad, tomando como precaución que los datos de entrenamiento contengan estos datos extremos ◦ No requiere experiencia para su operación
  23. 23. Modelos auto-organizativos Debilidades ◦ Fáciles de desarrollar, pero muy complejas de entender ◦ Incapacidad de extrapolar, condiciones que no fueron incluidas en los datos de entrenamiento no serán pronosticadas.
  24. 24. Modelación con métodosnuméricos Consiste en representar matemáticamente procesos físicos y químicos Estos procesos, en el modelo, son el resultado de aproximaciones numéricas Es la herramienta mas completa y a la vez la más compleja
  25. 25. Modelación con métodosnuméricos Fortalezas ◦ Basadas en toda la teoría conocida ◦ Aplicable a una extensa área geográfica, no sólo a un punto ◦ Pronostica para zonas donde no se tienen mediciones ◦ Puede ser usado para mejorar el entendimiento de los procesos que afectan el resultado
  26. 26. Modelación con métodosnuméricos Debilidades ◦ Su implementación requiere mucho esfuerzo, mala implementación puede reducir drásticamente el resultado ◦ Siempre hay errores en las condiciones de inicio (monitoreo, inventarios) que pueden influir en los resultados ◦ Requiere personal muy especializado y grandes recursos computacionales
  27. 27. Análisis fenomenológico Se basa en la experiencia y en las capacidades del personal a cargo del pronóstico Consiste en la síntesis de la información observada y pronosticada por otras herramientas
  28. 28. Análisis fenomenológico Fortalezas ◦ Integración de nuevas fuentes de información, adaptable a nuevos descubrimientos, técnicas y herramientas ◦ Integración de información cuantitativa a cualitativa ◦ Integración y el tratamiento selectivo de gran cantidad de información en poco tiempo ◦ Permite reducir el sesgo de las herramientas cuantitativas.
  29. 29. Análisis fenomenológico Debilidades ◦ Requiere un alto nivel de experiencia para su aplicación, personal experto
  30. 30. Análisis preliminar Menos recursos, Herramientas de pronóstico Menor desempe ño Persistencia Climatolog ía Criterio Estadísticos Auto-organizativos Modelaci n Numérica ó Fenomenol ógica Mas recursos, Mayor desempeño
  31. 31. Experiencia nacional Conama: ◦ Modelo Cassmassi: Regresión Lineal Múltiple, PM10, MACAM(RM) USACH: ◦ Modelo USACH: Modelo basado en redes neuronales, PM10 y PM2.5, MACAM(RM) UNAB: ◦ Modelo WRF-OIWA: Modelo determinístico WRF/Chem, MACAM(RM)
  32. 32. Experiencia nacional Cenma: ◦ Modelo Cenma-MOS: Regresión Lineal Múltiple con autoajuste de coeficientes, PM10, MACAM(RM) ◦ Modelo Cenma-Neuronal: Modelo basado en Redes Neuronales, PM10, MACAM(RM) ◦ Modelo Cenma-Rancagua: Regresión Lineal Múltiple, PM10, Rengo Rancagua y San Fernando ◦ Modelo Cenma-Temuco: Regresión Lineal Múltiple, PM10, Temuco y Padre Las Casas
  33. 33. Experiencia nacional ◦ Modelo WRF-Cenma: Modelo determinístico de características físico- químicas, en implementación. Macrozona Central. ◦ Sistema integrado de pronóstico fenomenológico: Basado en la decisión del personal experto.
  34. 34. Experiencia internacionalLocalidad, país Tipo de Herramienta Implementado Acierto herramienta duranteSao Paulo, Brasil Modelo BRAMS-CATT 2002-2003 R2=0,7 (Subestima) determinísticoZMCM, México Modelo MM5-CIT 2002 No evaluado determinístico, ajustes estadísticos, análisis fenomenológicoDistintas Modelo MM5- MAQSP RT- 2002 Evaluado delocalidades, USA determinístico, SMOKE-BEIS3- acuerdo a la ajustes estadísticos, CMAQ aplicación y análisis reglamentación fenomenológico vigente de cada localidadHong Kong, Modelo MM5-CAMx- 2008 No evaluadoBeijing, China determinístico, CMAQ- sistemas acoplados. Polyphemus- NAQPMS,WRF- Chem
  35. 35. Experiencia internacionalLocalidad, país Tipo de Herramienta Implementado Acierto herramienta duranteGraz, Austria Modelos Regresión Lineal 2003 PM10<75μg/m3 estadísticos. Múltiple, Arbol de 82,8% decisiones. PM10≥75μg/m3 17,2%Península Modelo WRF-Chem 2000-2004 70% (Subestima)Arábica, Emiratos determinístico (WRF-Chem enÁrabes Unidos 2007)Atenas, Grecia Modelo MM5-NMVOCs- S/I determinístico CAMxWest Macedonia, Modelo MM5-CMAQ 2002 100% en AQI (errorGrecia determinístico, medio 9μg/m3) análisis fenomenológicoTorino, Italia Modelo RAMS-EMMA-FARM 2002 S/I determinísticoItalia Modelo MM5-SMOKE- 2003 ±30% de error determinístico CMAQ (Subestima)
  36. 36. Experiencia internacionalLocalidad, país Tipo de Herramienta Implementado Acierto herramienta duranteColumbia Británica, Modelo Estadístico Regresión Lineal 2005 En promedio:Canadá Múltiple Bias: 0,056 μg/m3 MAE: 3,976 μg/m3 RMSE: 5,128 μg/m3Thessaloniki, Regresión Lineal, LRA 2000 LRA: R2= 0,54Grecia Arboles de decisión, CART CART: R2=0,62 Componentes PCA PCA: R2= 0,49 principales, Redes NN NN: R2= 0,50 NeuronalesMilan, Italia Redes Neuronales Redes Neuronales 2003 R2=0,75Distintas Ensamblado EURAD-MOS 2004-2007 Rural : R2=0,19localidades, Irlanda Determinístico, Urbano: R2=0,32 EstadísticoTemuco, Chile Modelo estadístico, Cenma-Regresión 2006 80% análisis Lineal Múltiple fenomenológicoRancagua, Chile Modelo estadístico, Cenma- Regresión 2010 En evaluación análisis Lineal Múltiple fenomenológicoSantiago, Chile Modelo estadístico, CASSMASSI 2000 80% análisis Regresión Lineal fenomenológico Múltiple, Cenma MOS, Cenma Neuronal
  37. 37. Conclusiones Los sistemas de pronóstico en otros lugares del mundo, han sido implementados después del sistema que opera actualmente en RM. No es correcto someterlas a comparación, si bien persiguen un mismo fin, sus principios son totalmente distintos. Además, para compararlas, deben gozar de las condiciones de aplicabilidad óptimas para competir al máximo de sus posibilidades (imposible en la práctica). Toda herramienta de pronóstico tiene sus debilidades y fortalezas, no existe técnica infalible.
  38. 38. Conclusiones Modelos estadísticos, 100% objetivos, presentan buen acierto con poco tiempo de desarrollo e implementación, buen balance entre costo/efectividad La correcta aplicación de una herramienta de pronóstico, se debe basar en definir un indicador objetivo que represente el problema que se desea solucionar
  39. 39. Recomendaciones Generales•La Fenomenología consiste entratar cada herramienta comounidad de información,sometidas a discusión por partede los expertos, con el fin dellegar a una decisiónconsensuada.•Esto permite integrar dentro delproceso del pronóstico variablestanto cuantitativas comocualitativas, estas últimas,variables de muy difíciltratamiento en las herramientascualitativas de pronóstico.
  40. 40. Desafíos Futuros Densificar la red de monitoreo local, velar por la correcta operación. Mediciones son la base de toda herramienta de pronóstico. Desarrollar herramientas de pronóstico de PM2.5, como también profundizar el conocimiento de la génesis, transporte, transformación, deposición e impacto de los mismos. Mejora continua de inventarios de emisiones. Monitoreo en altura a fin de identificar perfiles verticales Implementación de herramientas de pronóstico complementarias (modelos basados en distintas técnicas). Lograr mayor anticipación a los eventos, capacidad de respuesta ante episodios. Mejorar el Indicador de Calidad del Aire. Medidas estructurales de descontaminación más eficaces.

×