FACULTAD DE INGENIERÍA
UNIDAD DE POSGRADOS
PRESENTACIÓN PROPUESTA
TESIS DE MAESTRÍA:
TRABAJO FINAL DE ESPECIALIZACIÓN:
1.
PROPONENTE: JHON JAIRO ANAYA DÍAZ
2.
CÓDIGO:
3.
PROGRAMA: MAESTRÍA EN INGENIERIA DE SISTEMAS Y COMPUTACIÓN
4.
DIRECTOR PROPUESTO: FABIO GONZALEZ
DEPARTAMENTO: Ingeniería de Sistemas e Industrial
TÍTULO: PRONÓSTICO DEL COMPORTAMIENTO DE MATERIAL
PARTICULADO USANDO APRENDIZAJE DE MÁQUINAS.
LÍNEA DE INVESTIGACIÓN: COMPUTACIÓN APLICADA.
5.
ANTECEDENTES Y JUSTIFICACIÓN:
Hoy en día se sabe que el estudio de la calidad del aire en nuestra sociedad es de vital importancia y bienestar, ya que si no se protege puede afectar a la salud de los seres humanos y además la vida de plantas y animales de nuestro entorno.
La calidad del aire ha emergido como el mayor factor de contribución a la calidad de Vida en las zonas urbanas, y especialmente en las áreas densamente pobladas e industrializadas [21].
Es de saber que un medio ambiente limpio y saludable es sinónimo de una mejor calidad de vida. El estado del arte de los artículos y demás textos presentados buscan la predicción de los contaminantes1 estudios, mediante diferentes técnicas de
Minería de Datos, Estadística y Aprendizaje de Máquinas, con la utilización de la meteorología disponible, en las diferentes estaciones de monitoreo de estudio. Los principales contaminantes que se estudian en las referencias presentadas son las partículas menores a 10 micras (PM10) y menores a 2.5 micras (PM2.5), de igual manera los contaminantes gas eosos como son el monóxido de Carbono (CO), dióxido de Carbono (CO2), ozono (O3), dióxido de azufre (SO2) y dióxido de Nitrógeno (NO2).
Los contaminantes del aire se estiman que causan alrededor de 2 millones de muertes prematuras en su mayoría en los países en desarrollo. Casi la mitad de estas muertes se deben a la neumonía en niños menores de 5 años de edad [34].
De el estado del arte se clasifica toda la información a partir de la archivos encontrados; se comienzan por ordenar cronológicamente cada uno, desde el mas antiguo hasta el mas reciente; luego se busca a cual escuela pertenece cada investigación; a partir de allí se separan los pertenecientes a los modelos matemáticos determinísticos (teóricos), cuales empíricos y cuales forma un Hibrido (combinación de empíricos y determinísticos).
1
Se refiere a aquellos agentes que por su composición química pueden conducir a cualquier tipo de daño en el medio. Glosario IDEAM;
En los métodos determinísticos se ordenan todos los que usan modelos de transporte químico, aplicando fundamentalmente principios de simulación física y química, implicado a la emisión, transporte y transformación de los proceso que están presentes en la contaminación ambiental; entre estos se encuentra los estocásticos y los estadísticos. Lo métodos empír icos usan modelos estadísticos o técnicas numéricas para cuantificar las relaciones observadas entre los campos de la meteorología de una zona específica y la calidad del aire [4].
Dentro de los modelos empíricos se hace una subdivisión para separar los métodos lineales de los no lineales, además de la combinación de ambos. Dentro de los no lineales se subdividen en las diferentes topologías usadas en las referencias, al igual que los lineales, los Híbridos y otros.
Predicción de la Calidad del Aire
EMPÍRICO
ANÁLISIS NUMÉRICO
ESTADÍSTICOS
Machine Learning
Hibrido
Métodos Lineales
Data Mining
Predictor Simple
Modelo Lineal
Regresión No Lineal DETERMINÍSTICO
HIBRIDO Métodos
Estadísticos
Métodos Estocásticos Sistema de
Modelamiento Determístico
Software Especializado
MLP
SVM
RBF
ELMA
SEMI - MARKOV OCULTO (HSMM) TRANSFORMADA DE WAVELET
MÚLTIPLE REGRESIÓN LINEAL
ARIMA
LRA
CART
PCA PERSISTENCIA
NLR
BACK-TRAYECTORY MACHINE LEARNING/
ESTADÍSTICO LINEAL / NO LINEAL
MACHINE LEARNING / T WAVALET
MACHINE LEARNING / REGRESIÓN NO LINEA
Figura 1. Mapa Mental del Estado de Arte
Se puede observar en la Figura 1 el mapa mental de la Predicción de la Calidad del aire y sus respectivas subdivisiones desarrolladas en el estudio del estado del arte.
En la Figura 2 se muestra la evolución del estudio del pronóstico de la calidad del aire analizada en el estado del arte, partiendo desde el año 2000 hasta la primera mitad de 2012, seleccionando 35 referencias y enmarcándolas en las escuelas encontradas en el estado del arte, además de los contaminantes estudiados en cada una de las referencias, como también de el método empleado para su estimación.
En las referencias estudiadas se encuentra que la mayor parte de los autores emplea técnicas de Machine Learning, para predecir algunos de los Contaminantes Estudio, y en especial las Rede Neuronales Artificiales (ANNs), como también las Funciones de Base Radial (RBF).
Las ANNs, están inspiradas por Redes Neuronales Biológicas. La idea de las neuronas como componentes estructurales del cerebro fue presentado por Ramón Cajal en 1911[20]. McCulloch & Pitts [1943] definieron la neurona como un dispositivo binario con varias entradas y salidas.
Las ANNs han sido usadas como una herramienta muy eficaz en la predicción de contaminantes, principalmente el Perceptrón Multicapa, [27],[26],[28] y [6]. Las redes neuronales artificiales (ANNs) puede modelar sistemas no lineales y se han utilizado para modelar las concentraciones de contaminantes con resultados prometedores [17].
Página 3 de 10
01/01/2000 01/06/2012
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
PM10: Material Particulado menor a 10 Micras PM2.5: Material Particulado menor a 2.5 Micras PST: Partículas Suspendidas Totales CO: Monóxido de Carbono SOx: Óxidos de Azufre NOx: Óxidos de Nitrógeno O3: Ozono
RS: Radiación Solar ML: Machine Learning NL: Numérico Lineal NNL: Numérico No Líneal SP: Simple Prediction MLE: Modelo Lineal Estadístico E: Estadístico
MANL: Modelo Adaptativo No Lineal H: Híbrido
HSMM: Semi-Markov Oculto SE: Software Especializado
2001 Empírico PST ML-NL 2000 Empírico PM2.5 ML-SP 2002 Empírico PM10 ML-NL 2003 Empírico y Determinístico
NO2, PM10 ML-MLE 2003 Empírico NOx ML-NL 2004 Empírico CO ML 2006 Empírico PM10 ML-NL 2005 Empírico PM10 ML 2005 Empírico NO2 ML 2005 Empírico PM2.5 ML 2005 Empírico PM10, O3 ML 2005 Híbrido NO2, PM2.5 ML/E 2006 Empírico PM10 ML 2006 Empírico PM10 H 2006 Empírico PM10 MANL 2007 Empírico NO2, CO,SO2 ML 2008 Empírico e Híbrido
PM10 ML-NL y NL/NNL
2008 Empírico NO2, O3,SO2, CO
ML 2008 Empírico PM10 ML 2009 Empírico CO,SO2 ML 2009 Empírico PM10,CO,NO2, O3 ML 2009 Empírico PM2.5 HSMM 2010 Empírico RS ML 2009 Empírico PM10,CO,NO2 H 2010 Empírico PM2.5 NNL 2010 Empírico PM10, CO, SO2
ML
2010 Empírico NO2, CO, SO2, O3
ML 2011 Híbrido PM10 ML/E 2011 Empírico PM10 ML 2011 Híbrido PM10, PM2.5 ML/NNL 2012 Empírico PM10 H 2012 Empírico PM10 ML 2012 Híbrido CO ML/NNL 2012 Empírico y Determinístico
PM10 ML-SE
2008 Empírico PM10, NO2, O3,SO2, CO
ML
Año
Escuela
Contaminante Método
Figura 2: Evolución Cronológica del Estado del Arte
Los enfoques tradicionales para la predicción de series de tiempo, como el de Box-Jenkins o ARIMA, asumen que la serie de tiempo de estudio se genera a partir de procesos lineales. Sin embargo, pueden ser inapropiados si el mecanismo subyacente es no lineal [13]. De hecho, los sistemas del mundo real son a menudo no lineales; este fue uno de los hechos en los cuales el autor expresa que obtuvo resultados tan eficientes como con las ANNs. Aunque este estudio no se basa en la predicción de contaminantes del aire, es pertinente para el estudio de los resultados de los diferentes métodos de predicción de datos en el tiempo.
Figura 3. Estructura de un Perceptrón Multicapa2
En la Figura 3 se encuentra la Estructura del Perceptrón Multicapa (MLP), mas comúnmente empleada.
Un modelo MLP consta de una red de elementos de proceso simples y conexiones. Los elementos de proceso, llamadas neuronas, están dispuestas en capas, que son la capa de entrada, la llamada capa oculta, y la capa de salida. Cada neurona calcula una suma ponderada de las entradas que recibe de las neuronas vecinas, procesa esta función mediante una “activación”, y distribuye el resultado a la capa posterior [14].
En el centro de Polonia en el año de 2001, se estudia el material Particulado Suspendido Total (PST) [12], siendo este todas las partículas que se encuentran en el aire sin importar su tamaño [30]. Único autor que estudia este contaminante en las
Página 4 de 10
referencias escogidas. En este estudio los autores demuestran que se obtienen mejores resultados usando Algoritmos de Aprendizaje Automáticos o Machine Learning, como lo son las diferentes topologías de ANNs, en especial el MLP.Aprendizaje Automático es el estudio de algoritmos computacionales que mejoran automáticamente a través de la experiencia. Las aplicaciones van desde los programas de extracción de datos que descubren las reglas generales en grandes conjuntos de datos, a los sistemas de filtrado de información que automáticamente aprender intereses de los usuarios [19]. El aprendizaje automático por lo general se refiere a los cambios en los sistemas que llevan a cabo tareas relacionadas con la Inteligencia Artificial (IA); estas tareas implican el reconocimiento, diagnóstico, planificación, control de robots, predicción, etc [22] .
Otros autores investigan en modelos de predicción de contaminantes usando topologías diferentes a las habituales, como es el caso de [38] en donde el autor investiga también la predicción de PM10, en Burdeos, utilizando un modelo adaptivo de aproximación no lineal con espacio de estado llamado Filtro Kalman, con resultados de estimación para un día superior a un 70%. En [5] se pone a prueba otro modelo no muy utilizado, son las llamadas Redes Neuronales Podadas (PNN), las cuales consiste en eliminar los parámetros redundantes de una red neuronal totalmente conectada; redes podadas puede contener un orden de magnitud menor que los parámetros de los completamente conectados y, como tal, ya no son propensos a errores aleatorios [5]. El autor muestra que los mejores resultados en la predicción la obtienen con la utilización de MLP, con eficacia de un 90% en pronósticos para 2 días. Otra investigación que se lleva acabo analizando NO2
es [16], la cual utiliza dos métodos de Machine Learnig: RBF y Máquinas de Vectores de Soporte (SVM) en la ciudad de Hong Kong, con datos de 1999, presentes en una estación de monitoreo de la ciudad. Compara los métodos y encuentra que la SVM obtiene mejores resultados, con errores promedio del 15%.
Las Máquinas de vectores soporte (SVM), son un nuevo tipo de “Machine Learning” basado en la teoría del aprendizaje estadístico, se puede utilizar para la regresión y la predicción de series temporales y se han reportado un buen desempeño por parte de algunos resultados prometedores[16].
La Agencia Nacional Italiana para las Nuevas Tecnologías, Energía y Desarrollo Económico Sostenible (ENEA) desarrolló un prototipo modelo de estocástico basado en redes neuronales NN, llamado EnviNNet, para el pronóstico de la calidad del aire en Roma, Milán y Nápoles. El desarrollo de EnviNNet requiere una cuidadosa selección de un subconjunto de variables de entrada, prestando atención específicas al sitio de los sucesos, incluidos los efectos de retardo de tiempo [8].
Pero el estudio mas relevantes en este tipo de evaluaciones se realiza en Atenas, Grecia, donde [9] usando un modelo de ANNs con 3 topologías a MLP y además utiliza un tipo de Algoritmos Genéticos3 para seleccionar los tipos de entrada y son
comparados con modelos de Regresión Lineal, obteniendo mejores resultados con el primero. El predictor desarrollado fue probado y corroborado con resultados satisfactorios durante los Juegos Olímpicos del 2004 durante 16 días. Esto demuestra la ventaja que mantiene los métodos no lineales como son la ANNs sobre los determinísticos, en la predicción de la calidad del aire. En [3] el autor llega a la misma conclusión después de evaluar los modelos de estudio.
El análisis de regresión lineal (LRA) es una metodología estadística que utiliza la relación entre dos o más var iables cuantitativas de modo que una variable se puede predecir a partir de las otras [31]. El análisis de componentes principales (PCA) es un método básico del análisis de factores, que tiene como objetivo reducir el número de variables y detectar los elementos de estructura entre las variables [31]. Los Algoritmos Genéticos (GA) son un método para pasar de una población de "cromosomas" (por ejemplo, las cadenas de ceros y unos, o "bits") a una nueva población mediante el uso de una especie de "selección natural", junto con los operadores de la genética de cruce, la mutación y la inversión[18].
Los modelos de RBF se diferencian al MLP en la forma de activación, ya que estas utilizan un nivel de activación de una neurona oculta, que está determinado por la distancia entre el vector de entrada a la Red y un vector prototipo asociado a dicha neurona y no por una función [24].
Analizando más en detalle en el estado del arte se encuentra que otros autores se van por la vertiente de las Escuelas Hibridas en donde combinan modelos Determinísticos y empíricos mejorando notablemente los resultados en algunos casos, comparados con los modelos de una u otra escuela. Esto se evidencia en [23], ya que estudia los contaminantes NO2 y PM2.5, en la ciudad de Helsinki, usando una combinación de un operador determinístico llamado Modelo de Área de Alta Resolución Limitada (HIRLAM) el cual es un modelo numérico predictor del clima (NWP) y un modelo empírico MLP, obteniendo un modelo muy eficiente en la predicción.
3
Página 5 de 10
Figura 4. Topología Básica de un Función de Base Radial4En Temuco Chile, [6] se hace un estudio de la predicción de PM10 usando tres métodos de aproximación uno lineal, otro no lineal y uno Hibrido. El primero usa dos topologías: modelo Regresión Lineal Múltiple5 (MLR) y ARIMA – Box Jenkins, y el
segundo utiliza un modelo ANNs, el MLP. Para el Hibrido utiliza ARIMA para la correlación de los datos de entrada y luego utiliza el MLP, para obtener la predicción del contaminante, obteniendo resultados de 99% en la predicción, como se observa en la Tabla 1, siendo esta topología una de las mas precisas en la predicción.
Tabla 1. Conjunto de validación de datos del Modelo híbrido ARIMAX-MLP[6]
Luego de analizar el estado del arte se observa claramente que a parir de la gráfica circular de las Clases, Figura 5, el dominio de la Clase Empírica sobre las Determinísticas y las Híbridas, en el estudio de la predicción de los contaminantes; el 82% de las referencias estudiadas en el estado del arte recomienda, evalúa y utiliza en el pronóstico de la calidad del aire, de acuerdo con sus investigaciones, una ANNs o cualquier otro método Lineal.
Figura 5: Representación de los Clases
4
Fotografía tomada de [2]
Página 6 de 10
Figura 6. Contaminantes Estudio en la ReferenciasEn la Figura 6 se muestra cual fue el contaminante mas ampliamente utilizado en las investigaciones para el pronóstico de a Calidad del Aire en un área específica, analizado en el estado del Arte.
Se encuentra que los métodos más usados en las referencias estudiadas en el estado del arte son las ANNs, como se evidencia en el diagrama de la Figura 7, y que dentro de este método la técnica más usada es el MLP con 40% de las referencias, continuando con RBF en un 13%.
Figura 7. Diagrama Circular de la Clase Empírica
Las Guías de calidad del aire de la OMS constituyen el análisis más consensuado y actualizado sobre los efectos de la contaminación en la salud, y recogen los parámetros de calidad del aire que se recomiendan para reducir de modo significativo los riesgos sanitarios. Dichas Guías señalan que una reducción de la contaminación por partículas (PM10) de 70 a 20 microgramos por metro cúbico permite reducir en aproximadamente un 15% las muertes relacionadas con la calidad del aire [34].
Una de las aplicaciones mas apreciables es la de implementar un modelo de alerta y prevención en la ciudades mas densamente pobladas, para evitar daños en la salud de las seres humanos, debido al incremento de los contaminantes estudio.
Desarrollar un estudio de predicción de calidad de aire, sería pionera en la investigación de este ámbito, concretamente, material Particulado, en una zona de gran influencia a este tipo de contaminante, como lo es la ciudad de Valledupar, propensa a desarrollar problemas en la salud pública, debido a su cercanía a la región minera del Cesar.
Las predicciones de la calidad del aire sirven como base para la adopción de múltiples decisiones en el ámbito de salud pública de la región, gestión del riesgo, agricultura, entre otras. Experimentar con estos contaminantes, para pronosticar su futuro impacto ambiental en una zona específica de nuestra región, debido a que se conocería de ante mano el comportamiento de algún contaminante.
Cualquier grano de arena que se adicione en pro de mejorar al medio ambiente, es de gran ayuda para aumentar de manera satisfactoria la calidad de vida de las personas.
6.
IDENTIFICACIÓN DEL PROBLEMA:
Página 7 de 10
contaminación y resultados concretos relativos a la salud como el aumento de la mortalidad o la morbilidad6. Este datoresulta útil para comprender las mejoras que cabría esperar en materia de salud si se reduce la contaminación del aire. Esta es una de las razones del estudio del pronóstico del material particulado en una zona, ya que se podría saber como posiblemente se comportaría un contaminante. Además este modelo de sistema resulta ambicioso ya que mezcla técnicas de Minería de Datos, para la selección y delimitación de los más efectivos datos de Meteorología de entrada que guarden relación, con técnicas de Aprendizaje de Máquinas, más concretamente Redes Neuronales, las cuales pronosticarán el comportamiento de material Particulado.
Comúnmente se encuentra que la contaminación del aire es causada por una mezcla de una gran variedad de contaminantes provenientes de fuentes difusas, como el tráfico y las calefacciones, y de fuentes puntuales [35], que puede afectar sólo a un área relativamente pequeña, o una amplia región.
También es de saber que la contribución relativa de las fuentes de emisión de contaminantes del aire a la exposición humana puede variar de acuerdo a los factores regionales, como el clima y el estilo de vida [35].
Los contaminantes del aire ejercen una amplia gama de impactos biológicos y físicos sobre los ecosistemas. Sus efectos sobre la salud humana son motivo de especial preocupación [1] y amplio estudio en los países en vía desarrollo.
Existen graves riesgos para la salud derivados de la exposición al material particulado y al Ozono en numerosas ciudades de los países desarrollados y en desarrollo. Es posible establecer una relación cuantitativa entre los niveles de contaminación y resultados concretos relativos a la salud como el aumento de la mortalidad o la morbilidad [33]. Este dato resulta útil para comprender las mejoras que cabría esperar en materia de salud si se reduce la contaminación del aire. Esta es una de las razones del estudio de la predicción de la Calidad del aire en una zona, ya que se podría saber como posiblemente se comportaría un contaminante y así desarrollar algún tipo de campaña para disminuirlo.
Se calcula que la contaminación atmosférica provoca al año cerca de dos millones de muertes prematuras en todo el mundo. Más de la mitad de esta carga es soportada por la población de los países en desarrollo. En muchas ciudades, el nivel medio anual de PM10 (cuya principal fuente es el uso de combustibles fósiles, entre otros tipos de c ombustibles) supera los 70 ug/m3, cuando, según las nuevas Directrices, para evitar la mala salud tales niveles deberían ser inferiores a
20 ug/m3 [36].
El 26 de Septiembre de 2011 en Ginebra, la Organización Mundial de la Salud (WHO7) concluye que en muchas ciudades la
contaminación del aire está alcanzando niveles que ponen en peligro la salud de la gente, según un trabajo sin precedentes de recopilación de datos sobre la calidad del aire dado a conocer hoy por la Organización Mundial de la Salud (WHOS) [34]. La información analizada abarca datos de casi 1100 ciudades de 91 países, incluidas capitales y ciudades de más de 100000 habitantes.
La principal fuente de contaminación en los centros urbanos es el tráfico urbano y los contaminantes principales son los materiales particulado, los óxidos de nitrógeno y el ozono (en la época de mayor radiación solar) y los compuestos orgánicos volátiles en presencia de radiación ultravioleta [10].
En los centros urbanos, las principales causas de la contaminación del aire están relacionadas con la quema de combustibles fósiles los cuales se producen en los proceso de las industrias y del transporte por carretera, principalmente [7], ya que liberan a la atmósfera contaminantes, ya sea como gases, vapores o partículas sólidas capaces de mantenerse en suspensión; las principales fuentes de emisiones antropogénicas de los óxidos Nitrosos son los procesos de combustión (calefacción, generación de electricidad y motores de vehículos y barcos)[34].
Uno de los contaminantes más peligrosos es PM10 [3], que es el material particulado que tiene un diámetro promedio menor de 10 micras. El material particulado menor a 10 micras ha sido identificado como uno de los principales contaminantes atmosféricos responsables de diversos problemas de salud. De hecho, estudios recientes han demostrado que este material se asocia claramente con las enfermedades respiratorias [29].
Otro contaminante estudio es el PM2.5 que es el material particulado que tiene un diámetro promedio menor de 2.5 micras, de igual manera muy peligros para la salud.
El pequeño tamaño del PM10 y del PM2.5, les permite entrar fácilmente a los alveolos pulmonares donde se pueden situar causando efectos adversos sobre la salud. La exposición crónica a las partículas de estos contaminantes aumenta el riesgo de desarrollar enfermedades cardiovasculares y respiratorias, así como de cáncer de pulmón [34].
El material Particulado se forma básicamente por medio de procesos mecánicos, como las obras de construcción, la suspensión del polvo de los caminos y el viento, y las partículas mas pequeñas proceden sobre todo de fuentes de combustión [36].
6
World Health Organization 2005. Guías de calidad del aire actualización mundial
Página 8 de 10
El ozono (O3) es un gas que ocurre tanto en la atmósfera superior de la Tierra como a nivel del suelo. Un nivel elevado de O3troposférico es un peligro potencial para la salud humana, los cultivos y la vegetación [15]. La producción, la dispersión y la acumulación de ozono en una zona urbana depende altamente de la radiación solar, la estabilidad atmosférica, la temperatura [25], entre otras características. El ozono troposférico generado en las capas bajas de la atmósfera y que forma parte de las neblinas de contaminación, es irritante y tóxico para el ser humano, también afecta de manera importante a materiales poliméricos al ser un fuerte oxidante8.
Uno de los poderosos gases contaminantes de la atmósfera son los Óxidos Nitrosos (NOx); estos hacen referencia al Óxido Nítrico (NO) y al Dióxido de Nitrógeno (NO2). Los Óxidos de Nitrógeno se forman al mismo tiempo en los procesos de combustión y otras operaciones industriales que manejan altas temperaturas, tales como los hornos de la industria metalúrgica, los altos hornos y los hornos de plasma entre otros. Los efectos en la salud son diversos, su principal efecto tóxico se debe a su actividad como agente irritante del pulmón, puede causar edema pulmonar [30].
Otro de los gases contaminantes también estudiados en las referencias que afectan la salud y el medio ambiente son los Óxidos de Azufre (SOx); este se forma principalmente durante la combustión de los combustibles que contienen azufre siendo así un contaminante primario9. La exposición aguda causa lesiones de las células de las vías respiratorias;
exposición crónica a produce un aumento en la incidencia de bronquitis en la población [30].
El último, pero no menos importante se encuentra el gas Monóxido de Carbono (CO), el cual se produce principalmente de la combustión incompleta de diversos materiales combustibles, como la calidad de los combustibles (su composición); este contaminante atmosférico es un gas incoloro e inoloro que al reaccionar con la hemoglobina de la sangre forma carboxihemoglobina la cual interfiere con la oxigenación de los diferentes órganos y tejidos del cuerpo [32].
Todos estos contaminantes son los que se estudian actualmente en el siguiente estado del arte. Estos son los contaminantes que mas afectan la calidad del aire de las zonas urbanas y por ende la salud Humana.
Entre los contaminante, se encontró que el más estudiado es el PM10, razón por la cual seria pertinente desarrollar una investigación con este material; otro componente que se podría tratar es el CO debido a que en el área que se pretende estudiar en Valledupar, existe un equipo que mide dicho componente.
Actualmente se cuenta con un Grupo de Vigilancia Calidad de Aire en la Ciudad de Valledupar y Zona minera, a cargo de la Universidad Industrial de Santander en convenio con Corpocesar, en donde se monitorea los contaminantes PM10, PM2.5, CO y meteorología.
7.
OBJETIVO GENERAL Y OBJETIVOS ESPECÍFICOS
OBJETIVO GENERAL
DESARROLLAR UN SISTEMA PROTOTIPO PARA EL PRONÓSTICO DEL COMPORTAMIENTO DE MATERIAL PARTICULADO USANDO TÉCNICAS DE APRENDIZAJE DE MÁQUINAS
OBJETIVOS ESPECÍFICOS
Construir un conjunto óptimo de datos de meteorología, para ser usados como entrada del prototipo de estimación.
Proponer un modelo mediante el uso de técnicas de aprendizaje de máquinas, usadas en la estimación del Material particulado.
Implementar el sistema de estimación con el fin de evaluarlo de manera sistemática con datos actuales.
REFERENCIAS
[1] Barai, S.V. et al. 2009. Air Quality Forecaster : Moving Window Based. Applications of Soft Computing. E. Avineri et al., eds. Springer Berlin / Heidelberg. 137–145.
[2] Benghanem, M. and Mellit, A. 2010. Radial Basis Function Network-based prediction of global solar radiation data: Application for sizing of a stand-alone photovoltaic system at Al-Madinah, Saudi Arabia. Energy. 35, 9 (Sep. 2010), 3751–3762.
8
Glosario IDEAM; http://institucional.ideam.gov.co
Página 9 de 10
[3] Caselli, M. et al. 2008. A Simple Feedforward Neural Network for the PM10 Forecasting: Comparison with a Radial Basis Function Network and a Multivariate Linear Regression Model. Water, Air, and Soil Pollution. 201, 1-4 (Dec. 2008), 365–377.[4] Cobourn, W.G. 2010. An enhanced PM2.5 air quality forecast model based on nonlinear regression and back-trajectory concentrations. Atmospheric Environment. 44, 25 (Aug. 2010), 3015–3023.
[5] Corani, G. 2005. Air quality prediction in Milan: feed-forward neural networks, pruned neural networks and lazy learning. Ecological Modelling. 185, 2-4 (Jul. 2005), 513–529.
[6] Díaz-Robles, L.A. et al. 2008. A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: The case of Temuco, Chile. Atmospheric Environment. 42, 35 (Nov. 2008), 8331–8340.
[7] Ecologístas en Acción: 2006. http://www.ecologistasenaccion.org/spip.php?article5681.
[8] Fernando, H.J.S. et al. 2012. Forecasting PM10 in metropolitan areas: Efficacy of neural networks. Environmental pollution (Barking, Essex : 1987). 163, (Apr. 2012), 62–7.
[9] Grivas, G. and Chaloulakou, A. 2006. Artificial neural network models for prediction of PM10 hourly concentrations, in the Greater Area of Athens, Greece. Atmospheric Environment. 40, 7 (Mar. 2006), 1216–1229.
[10] Ii, T. et al. 2009. Libro verde - De medio Ambiente Urbano. Ministerio del Medio Ambiente Español.
[11] Isasi Viñuela, P. and Galván León, I. 2004. Redes de Neuronas Artificiales Un Enfoque Práctico. Pearson Prentice Hall. [12] Kaminski, W. 2001. Evaluation of air pollution level by means of artificial neural n e t w o r k - multilayer
perceptron. Handbook of Conveying and Handling or Particulates Solids. A. Levy and H. Kalman, eds. 739–744. [13] Khashei, M. and Bijari, M. 2010. An artificial neural network (p,d,q) model for timeseries forecasting. Expert Systems
with Applications. 37, 1 (Jan. 2010), 479–489.
[14] Kukkonen, J. 2003. Extensive evaluation of neural network models for the prediction of NO2 and PM10 concentrations, compared with a deterministic modelling system and measurements in central Helsinki.
Atmospheric Environment. 37, 32 (Oct. 2003), 4539–4550.
[15] Lu, W.-Z. and Wang, D. 2008. Ground-level ozone prediction by support vector machine approach with a cost-sensitive classification scheme. The Science of the total environment. 395, 2-3 (Jun. 2008), 109–16.
[16] Lu, W.-Z. and Wang, W.-J. 2005. Potential assessment of the “support vector machine” method in forecasting ambient air pollutant trends. Chemosphere. 59, 5 (Apr. 2005), 693–701.
[17] Lu, W.Z. et al. 2003. Using Improved Neural Networkmodel To Analyze Rsp, Nox And No2 Levels In Urban Air Inmong Kok, Hong Kong. Environmental Monitoring and Assessment. 87, 2 (2003), 235–254.
[18] Melanie, M. 1996. An Introduction to Genetic Algorithms. Massachusetts Institute of Technology. [19] Mitchell, T. 1997. Machine Learning.
[20] Mohandes, M. et al. 2000. Use of radial basis functions for estimating monthly mean daily solar radiation. Solar Energy. 68, 2 (Feb. 2000), 161–168.
[21] Moustris, K.P. et al. 2010. 3-Day-Ahead Forecasting of Regional Pollution Index for the Pollutants NO 2 , CO , SO 2 , and O 3 Using Artificial Neural Networks in Athens , Greece. Water, Air, & Soil Pollution. 209, 1 (2010), 29–43. [22] Nilsson, N.J. 2005. Introduction To Machine Learning An Early Draft Of A Proposed Textbook Department of
Computer Science. Standorf University.
[23] Niska, H. et al. 2005. Evaluation of an integrated modelling system containing a multi-layer perceptron model and the numerical weather prediction model HIRLAM for the forecasting of urban airborne pollutant concentrations.
Atmospheric Environment. 39, 35 (Nov. 2005), 6524–6536.
[24] Palma, J.T. and Marín, R. 2008. Inteligencia Artificial: Método, técnicas y aplicaciones. McGraw-Hill.
[25] Paschalidou, A.K. et al. 2009. A comparative study on various statistical techniques predicting ozone concentrations : implications to environmental management. Environmental Monitoring and Assessment. 148, 1 (2009), 277–289.
[26] Perez, P. et al. 2004. Carbon monoxide concentration forecasting in Santiago, Chile. Journal of the Air & Waste Management Association (1995). 54, 8 (Aug. 2004), 908–13.
[27] Perez, P. 2002. Prediction of maximum of 24-h average of PM10 concentrations 30 h in advance in Santiago, Chile.
Atmospheric Environment. 36, (2002), 4555–4561.
[28] Perez, P. and Reyes, J. 2006. An integrated neural network model for PM10 forecasting. Atmospheric Environment. 40, 16 (May. 2006), 2845–2851.
[29] Shekarrizfard, M. and Hadad, K. 2012. Wavelet transform-based artificial neural networks ( WT-ANN ) in PM 10 pollution level estimation , based on circular variables. Environmental Science and Pollution Research. 19, 1 (2012), 256–268.
[30] Sistema de Informacion Ambiental de Colombia - SIAC: 2012.
Página 10 de 10
[31] Slini, T. et al. 2006. PM10 forecasting for Thessaloniki, Greece. Environmental Modelling & Software. 21, 4 (Apr.2006), 559–565.
[32] Universidad Industrial de Santander - Corpocesar 2012. Informe De Operación Del Sistema De Vigilancia De Calidad De Aire De La Ciudad De Valledupar, Departamento Del Cesar.
[33] World Health Organization 2005. Guías de calidad del aire actualización mundial - Reporte de la reunión de un grupo de trabajo en Bonn - Alemania.
[34] World Health Organization (WHO): 2011. http://www.who.int/mediacentre/factsheets/fs313/en/index.html. [35] World Health Organization - WHO 2000. Air Quality Guidelines. WHO Library Cataloguing in Publication Data. [36] World Health Organization - WHO 2005. Guías de calidad del aire de la OMS relativas al material particulado, el
ozono, el dióxido de nitrógeno y el dióxido de azufre.
[37] Yeganeh, B. et al. 2012. Prediction of CO concentrations based on a hybrid Partial Least Square and Support Vector Machine model. Atmospheric Environment. 55, (Aug. 2012), 357–365.
