2 Estimación del Área de Influencia en Calidad del Aire.
Este capítulo se centra en la determinación del Área de Influencia del COSAC I; en otros capítulos de este Informe Final se presentan en detalle aspectos tales como la descripción de las principales fuentes emisoras del transporte, cómo estimar las emisiones de este sector (con y sin COSAC), cómo ha evolucionado la calidad del aire en la ciudad, cuáles antecedentes sobre contaminación y ruido se han medido en el Estudio, etc., aspectos que se van a analizar en forma conjunta con los resultados de la modelación de la dispersión de contaminantes.
En la siguiente figura se presenta de manera esquemática el enfoque metodológico específico que se utilizará para la determinación del área de influencia y para la evaluación de la línea base (sin COSAC) mediante el uso de herramientas de modelación de la dispersión atmosférica de los contaminantes emitidos por las diversas actividades en la ciudad.
Figura 2-1. Enfoque Metodológico para la Modelación de la Dispersión
Se aprecia que el esquema es de tipo iterativo, donde se ingresa el inventario de emisiones, se modela la dispersión de ellas, se comparan las concentraciones simuladas con las observadas y, en caso de no existir buena concordancia, se retorna a la etapa de cálculo de las emisiones, revisando los supuestos respecto a factores de emisión, niveles de actividad, etc. hasta que se llega a tener un inventario razonablemente apropiado para la zona estudiada, al cual se le puede denominar entonces ‘inventario validado’. Los Capítulos 8 y 9 entregan en detalle cómo se han estimado las emisiones del sector transporte sin y con COSAC I en operación, respectivamente. Este es un aspecto importante de recalcar, ya que se produce una sinergia entre esta actividad, la actividad de generación del inventario de emisiones de la línea base y el monitoreo de la línea base del COSAC I, puesto que éste último antecedente permite mejorar el inventario de emisiones de fuentes móviles mediante la modelación de la dispersión de esas emisiones y la comparación de lo monitoreado con lo simulado.
En resumen, las dos tareas principales que se ejecutarán son:
a) La simulación de la dispersión de todas las emisiones de fuentes móviles para el área metropolitana de Lima y Callao (sin COSAC I), generará simulaciones que se verificarán mediante la comparación con el monitoreo ambiental, validando la aplicación del modelo de dispersión. Esto permitirá establecer la línea base del transporte, previa a la implementación del COSAC I.
b) La simulación de la dispersión de todas las emisiones de fuentes móviles para el área metropolitana de Lima y Callao (con COSAC I), generará simulaciones que, al ser comparadas con las simulaciones de la línea base, permitirán definir el área de influencia del COSAC I.
A continuación se describe en detalle la selección del modelo de dispersión escogido, la preparación de los archivos de entrada al modelo, la visualización como herramienta de verificación de la consistencia de la información generada, etc.
2.1 MODELO DE DISPERSIÓN ATMOSFÉRICA PARA LIMA CALLAO
Como modelo de dispersión se va a emplear el Industrial Source Complex (ISC3, versión actualizada a Febrero de 2002), modelo Gaussiano desarrollado por la Agencia de Protección del Ambiente de EEUU (U.S. EPA) para modelar todo tipo de fuentes emisoras: puntuales, areales, volumétricas, etc. y que se ha aplicado por más de una década en estudios de impacto ambiental en todo el mundo, es decir, se trata de una herramienta ampliamente utilizada y confiable, libre de errores y sesgos, y completamente documentada en el sitio de Internet de U.S. EPA (http://www.epa.gov/scram001). El equipo consultor posee amplia experiencia en la aplicación de este modelo, con muy variadas condiciones meteorológicas y de emisiones (zonas urbanas, rurales e industriales). Sin embargo, una limitación del modelo es que no considera las reacciones químicas, aspecto que será discutido a lo largo de este Capítulo.
Puesto que el modelo ISC3 fue inicialmente concebido para estimar impactos de grandes complejos industriales, cabe preguntarse por qué es válido aplicarlo a zonas urbanas como Lima-Callao. Al respecto se entrega la siguiente justificación:
a) Normalmente cuando se hace modelación de calidad del aire en zonas urbanas se modelan las emisiones del transporte como fuentes de área. Esto se debe a que el interés de los reguladores es estimar el impacto que producen las emisiones sobre toda un área representativa de exposición potencial promedio de la población. Es decir, no interesa representar con alta resolución espacial lo que pasa en la calle misma, sino estimar el impacto promedio sobre toda un área donde se va a estar moviendo la población. Este es, al fin y al cabo, el dato que se va a ligar a antecedentes de epidemiología ambiental para estimar el riesgo en salud pública.
b) Las versiones antiguas de ISC3 hacían muy difícil poder simular zonas urbanas, excepto si se incluyesen todos los arcos del transporte como fuentes de emisión lineales. En tal caso la cantidad de información requerida por los modelos es muy compleja, ya que equivale a establecer la geometría de cada uno de los arcos en la ciudad (ancho de la calle, alturas ‘representativas’ de edificios vecinos, etc.). Dado que esto correspondería a tener un levantamiento en tres dimensiones de la superficie de la ciudad con un altísimo grado de detalle espacial, se optó por la alternativa a), la cual es la que normalmente se usa en evaluación de impactos por el transporte en zonas urbanas.
c) Finalmente, cualquier otro modelo de dispersión que se desee implementar va a requerir una preparación de gran cantidad de archivos de meteorología para la zona de Lima Callao, puesto que los modelos más avanzados de dispersión de contaminantes utilizan información muy compleja de campos tridimensionales de variables meteorológicas (temperatura, vientos, etc.).
Dados los alcances y recursos involucrados en este Estudio, se tomó la decisión de utilizar ISC3 debido a que acepta información meteorológica relativamente simple, como se presentará a continuación en esta Sección.
d) No obstante lo expresado en el punto anterior, se procuró utilizar información característica de Lima Callao, para lo cual se recurrió a fuentes oficiales de información meteorológica para Lima (SENAMHI), como se presenta más adelante en esta Sección.
A continuación se detalla la preparación de la información requerida por el modelo.
2.1.1 Dominio y geomorfología
Con el objetivo de poder abarcar toda el área de emisiones producidas por la red vial y los impactos en sus alrededores, se escogió un dominio que incluyera toda la red vial principal de Lima y los distritos de la ciudad. De esta manera se hace la búsqueda del área de influencia en toda la zona metropolitana de Lima Callao y no solamente los distritos por donde pasa el COSAC I.
El dominio escogido tiene origen sur-oeste en la coordenada 260 km UTM Este y 8,620 km UTM Sur, con una extensión de 70 kilómetros en dirección Oeste-Este y de 100 kilómetros en dirección Sur-Norte, siendo el punto opuesto de este
rectángulo el punto con coordenadas 330 km UTM Este y 8,720 km UTM Sur. El dominio rectangular se dividió en celdas de 2x2 km que constituyen una grilla superficial, sobre la cual se va a generar información de entrada al modelo (emisiones, por ejemplo); también se va a usar para representar los resultados de la modelación de la dispersión de los distintos contaminantes considerados.
Las elevaciones de terreno fueron obtenidas de archivos tipo GTOPO30 provenientes del Servicio Geológico de EEUU (U.S. Geological Survey, http://edcdaac.usgs.gov/gtopo30/dem_img.asp). GTOPO30 es un formato de almacenamiento digital de elevaciones (DEM) con espaciamiento horizontal de grillas con resolución de 30 segundos de arco, es decir, aproximadamente un kilómetro.
Figura 2-2. Procesamiento información geográfica.
Toda la información geográfica fue procesada en el ambiente computacional dado por el software ISC3-View. Este software (desarrollado por Lakes Environmental, EEUU; http://www.weblakes.com/) posee un menú basado en una interfaz gráfica que permite conectar de manera sencilla el procesamiento de la información meteorológica, los datos de geomorfología, las opciones de ISC3, archivos de emisiones, simulaciones de dispersión, etc. en un solo ambiente computacional amigable. En este sentido ISC3-View permite realizar en forma simple tareas complejas de modelación, proporcionando además un menú interactivo de detección de problemas, procedimientos de validación de la información meteorológica, y chequeo de la información de entrada al modelo ISC3, además de variadas opciones de visualización de datos, tales como las que se presentan en las siguientes figuras.
A continuación se muestran algunas imágenes en dos y tres dimensiones del área de modelación, mostrándose la ubicación geográfica de distritos de Lima, la red vial y las elevaciones de terreno.
Figura 2-3. Dominio de modelación con despliegue de distritos y red vial
Figura 2-4. Dominio de modelación con despliegue de alturas de terreno.
Figura 2-5. Dominio de modelación con despliegue de límites geográficos de los distritos de Lima.
Figura 2-6. Dominio de modelación con despliegue de alturas de terreno y red vial.
Estas figuras nos permiten verificar que la información que le estamos entregando al modelo de dispersión es la que corresponde a la topografía de la zona metropolitana de Lima Callao; en particular, el dominio de modelación incluye todos los distritos del área metropolitana, lo que garantiza poder estimar potenciales impactos en toda la población potencialmente afectada.
2.1.2 Análisis y procesamiento de la información meteorológica.
2.1.2.1 Fuentes de Información meteorológica
Se obtuvo información meteorológica de dos fuentes principales:
- SENAMHI (año 2004):
o Información superficial de temperatura horaria de la estación C. DE MARTE ubicada en la sede central del SENAMHI (Cahuide 785, Jesús María, Lima 11) con coordenadas 12° 05' latitud sur y 77º 02’
longitud oeste.
o Información superficial de velocidad y dirección del viento horaria de la estación La Molina con coordenadas 12° 05' la titud sur y 76° 57' longitud oeste.
o Información en altura de temperatura, velocidad y dirección del viento de resolución diaria para la zona de Lima en varios niveles entre los 100 y 2000 metros de altura sobre el nivel del mar. La data sólo cubría desde el 26 de Marzo al 23 de Junio y desde el 2 de Octubre al 31 de Diciembre del 2004.
- U.S. NCDC (Nacional Climatic Data Center, EEUU):
o Información superficial de temperatura; velocidad y dirección del viento;
cobertura y altura de nubes; presión atmosférica y precipitaciones en resolución horaria. Estación ubicada en el aeropuerto Jorge Chávez de Lima. Información obtenida para años 2003 y 2004 completos.
La selección de la data a ser utilizada consideró que se necesitaba disponer de meteorología de años recientes, debido a que se desea modelar la línea base ambiental del transporte y, además, disponer de monitoreo ambiental en la zona metropolitana Lima Callao para poder comparar simulaciones con observaciones, de acuerdo a la primera tarea a ser ejecutada en este producto del Estudio.
Dado que los antecedentes del monitoreo de calidad del aire realizado por DIGESA (ver Capítulo 5 para mayor discusión al respecto) indican cambios relevantes de las concentraciones de contaminantes medidas en los últimos años, se consideró principalmente la modelación de la calidad del aire considerando la meteorología del año 2004 y comparando con las mediciones de la DIGESA del mismo año y las realizadas en este Estudio. No obstante, se añadió comparaciones con los registros históricos de DIGESA cuando éstos estaban disponibles.
2.1.2.2 Procesamiento de la Información meteorológica en altura
En primer lugar, los datos en altura son procesados para establecer la altura de mezclado en la mañana y en la tarde, es decir, los valores extremos que alcanza este parámetro en cada día que será modelado; esta información es crítica ya que la altura de mezclado define el volumen vertical hasta el cual se mezclan los
contaminantes en la dirección vertical. Es por esto que se utilizó la información de los radiosondeos realizados en Lima para el año 2004, con el objeto de disponer de información meteorológica en altura medida en la misma zona de modelación. Esta es la opción preferida por la U.S. EPA para la aplicación de modelos de dispersión en una zona urbana.
Utilizando los datos de los perfiles verticales de temperatura de los radiosondeos y los datos superficiales de temperatura medidos en el aeropuerto Jorge Chávez, se procedió a calcular los valores diarios de alturas de mezclado mínima y máxima sobre Lima Callao; para esto se empleó la metodología de Holzworth, que consiste en trazar adiabáticas secas a partir de las temperaturas mínima y máxima en superficie, respectivamente, hasta que se cortan con el perfil vertical de temperatura entregado en el radiosondeo, definiendo así los valores mínimo y máximo de la altura de mezclado, respectivamente. De esta forma, al presentarse inversiones térmicas a baja altura sobre el suelo (caso típico de Lima Callao), estas inversiones controlan la ubicación del mínimo y máximo de la altura de mezclado, respectivamente. Así, si el borde inferior de la inversión térmica asciende durante el año, las alturas de mezclado también ascienden, y viceversa.
Sin embargo, el año 2004 no estaba completo, por lo que hubo que recurrir al uso de correlaciones empíricas propuestas en la literatura para estimar aquellos valores faltantes. Las alturas de mezclado obtenidas de estas dos maneras fueron analizadas y comparadas en promedios mensuales, junto con los valores mensuales reportados en los boletines meteorológicos de SENAMHI, verificándose que los valores estimados de correlaciones empíricas y los obtenidos a partir de radiosondeos verticales son similares en magnitud a lo largo del año con los valores reportados por SENAMHI.
De esta forma, se generó la información completa de alturas de mezclado para todo el año 2004, combinado las alturas de mezclado obtenidas de perfiles verticales con las obtenidas a partir de correlaciones empíricas.
2.1.2.3 Procesamiento de la Información meteorológica superficial
A partir de la información meteorológica superficial, se procedió a aplicar el procedimiento estándar de la EPA de EEUU, definido por ejemplo en el modelo meteorológico AERMET. El objetivo de este procesamiento consiste en generar parámetros micro-meteorológicos tales como niveles de turbulencia y clases de estabilidad empleados por el modelo ISC3 para calcular los parámetros de dispersión del penacho de cada fuente emisora que se modela, de acuerdo a la formulación Gaussiana estándar. Estas propiedades turbulentas de la atmósfera se calculan para cada hora de modelación debido a que son variables dinámicas que cambian hora a hora, al igual que la velocidad del viento, definiendo así la dispersión local de las emisiones mediante la aproximación Gaussiana. Más adelante se definen en forma más precisa en que consisten dichas clases de estabilidad.
Es así como la información superficial horaria de temperatura; velocidad y dirección del viento; cobertura y altura de nubes; presión y precipitaciones fue ingresada al programa PCRAMMET de procesamiento meteorológico a través de la interfase
RAMMET-View (disponible dentro del software ISC3-View), junto con los máximos y mínimos diarios de altura de mezclado que pide el programa PCRAMMET (y que fueron previamente calculados con la información meteorológica de altura, ver sección 2.1.2.2).
El programa PCRAMMET, desarrollado también por la EPA de EEUU, utiliza la información de meteorología superficial más las características superficiales locales del terreno (albedo, razón de Bowen, latitud, longitud, estacionalidad) para estimar el balance de energía superficial y así estimar los flujos turbulentos de momentum y calor (u* y H, respectivamente) que definen el estado local de la turbulencia, mediante la aplicación de ecuaciones de diagnóstico. Posteriormente estos resultados se utilizan para estimar la clase de estabilidad (A, B, C, D, E y F) predominante en cada hora de simulación. La clasificación de estabilidad va desde condiciones muy inestables (A) con alta insolación pasando por condiciones neutras (D) características de transiciones al amanecer y atardecer o en presencia de nubosidad y condiciones estables (E,F) nocturnas con cielo despejado y vientos débiles o al amanecer. La siguiente Tabla entrega los criterios para realizar la clasificación de las condiciones de estabilidad atmosférica que se emplean en la modelación de dispersión mediante la aproximación Gaussiana en modelos como ISC3.
Tabla 2-1. Clases de Estabilidad Atmosférica.
Velocidad superficial del viento (m/s) Insolación y Cobertura de Nubes < 2 2 a < 3 3 a < 5 5 a < 6 > 6
Fuerte insolación diurna (*) A A-B B C C
Moderada insolación diurna A-B B B-C C-D D
Leve insolación diurna (#) B C C D D
Día o noche nublada D D D D D
Noche y cobertura de nubes ≥ 0.5 - E D D D
Noche y cobertura de nubes < 0.5 - F E D D
(*) Correspondiente a ángulos de elevación solar de 60° o más.
(#) Correspondiente a elevaciones solares de 15 a 35°.
A continuación se describen brevemente las características de cada categoría de estabilidad.
o Clase A: atmósfera muy inestable, con velocidades del viento menores a 3 m/s e insolación moderada a fuerte, cielos despejados.
o Clase B: atmósfera inestable, con insolación moderada a intensa, vientos entre 2 y 4 m/s, cielos despejados o levemente nublados.
o Clase C: atmósfera ligeramente inestable, insolación leve, velocidades de 2 a 5 m/s, cielos parcialmente nublados;
o Clase D: atmósfera neutral, corresponde típicamente a condiciones de nubosidad predominante, a veces en combinación con vientos superficiales intensos, mayores a 5 m/s.
o Clase E: atmósfera estable, condiciones nocturnas con vientos débiles, menores a 3 m/s.
o Clase F: atmósfera muy estable, vientos muy débiles, menores a 2 m/s.
Las condiciones no clasificadas corresponden a condiciones nocturnas con vientos muy débiles y ausencia de nubes, en las cuales se produce mucha oscilación de la dirección del viento, lo cual añade incertidumbre a las predicciones de impactos ambientales. En todos los casos se supone que se está trabajando con promedios horarios de las variables meteorológicas, tal como se emplean en el modelo ISC3.
PCRAMMET también interpola y suaviza las alturas de mezcla calculadas anteriormente, obteniendo valores horarios de la altura de mezclado a través de un procedimiento de interpolación numérica desarrollado originalmente por Holzworth e implementado en todos los programas de dispersión Gaussianos recomendados por la EPA de EEUU.
2.1.2.4 Características del viento.
A continuación se muestra un resumen grafico de las condiciones meteorológicas simuladas por PCRAMMET para el año 2004, con los datos del Aeropuerto Jorge Chávez. Estos gráficos provienen de la interfase gráfica Rammet-View, la que permite visualizar de manera sencilla la información meteorológica de entrada al modelo de dispersión.
La figura 2-7 muestra la rosa de los vientos (valores horarios) para el año 2004, donde se aprecia que la dirección predominante del viento es sur, con un 42% de las frecuencias observadas. En esta dirección las velocidades predominantes están entre 2 –3 y 3 – 4 m/s; las máximas velocidades registradas están entre 6 – 8 m/s y las otras direcciones predominantes son SSE y SSW. Además, no se registraron calmas (situaciones con vientos muy bajos o condiciones de estancamiento), lo que se explica por la ubicación costera del aeropuerto ya que, como se presenta en el capítulo 5 de este Informe Final, al ingresar las masas de aire a la ciudad y acercarse a las estribaciones cordilleranas, se producen condiciones de estancamiento del viento, generándose allí condiciones de calmas más frecuentes.
Respecto a la ausencia de calmas del viento en la figura 2-7, cabe señalar que las calmas se presentan cuando la velocidad del viento es muy baja. Esto puede deberse a que el viento es efectivamente muy débil, o bien a que el instrumento de medición (anemómetro) no es capaz de medir velocidades muy bajas del viento (en el caso de la figura 2-7, el instrumento es capaz de medir velocidades por sobre 0.5 m/s). También puede ocurrir que cerca de la estación meteorológica haya obstáculos relevantes (como edificios) que frenan el viento y se producen estancamientos locales que no reflejan la circulación del viento a mayor escala espacial (se trata de mediciones espúreas dentro de la data completa).
Los datos representados en las figuras 2-7 y 2-8 corresponden a la estación meteorológica del aeropuerto Jorge Chávez, es decir, con buenas condiciones de ventilación todo el día debido a la cercanía de la costa. Al respecto, en el capítulo 5 se hace mención a un cuadro resumen de porcentajes de calmas del viento hecho en el Estudio de Saturación. Dado que esos datos fueron tomados de otras ubicaciones en la zona metropolitana de Lima Callao, los valores de calmas no son directamente comparables con los presentados en este Capítulo del Informe Final.
Es posible que estaciones de meteorología ubicadas hacia el interior de las cuencas
meteorológicas presenten mayores condiciones de calmas, sobre todo en entornos urbanos con obstáculos relevantes.
Figura 2-7. Rosa de los vientos año 2004, muestra el origen de los vientos.
Con respecto a la comparación de los resultados de las figuras 2-7 y 2-8 con los antecedentes del monitoreo meteorológico realizado en el presente Estudio, se corrobora que en las cuatro estaciones de monitoreo meteorológico no se detectaron calmas del viento. En efecto, las velocidades mínimas registradas en las estaciones Pantanos, Miraflores, Centro Histórico y Norte fueron de 1.1, 0.5, 1.0 y 0.7 m/s, respectivamente. Por otra parte, si se definen las calmas como las velocidades menores a 1 m/s, entonces en las estaciones Pantanos, Miraflores, Centro Histórico y Norte los porcentajes de calmas corresponden a 0, 15.6, 0 y 10.1 %, respectivamente; en el caso del Aeropuerto Jorge Chávez (figuras 2-7 y 2-8) el porcentaje estaría por debajo del 2%.
Figura 2-8. Caracterización clases de estabilidad con dirección del viento año 2004, muestra el origen de los vientos.
En resumen, los altos porcentajes de calmas del viento citados en el Estudio de Saturación claramente no son representativos del entorno urbano del COSAC I, aunque sí es posible que correspondan a situaciones de estancamiento del aire en zonas en altura en las microcuencas meteorológicas de la zona metropolitana. Como no tenemos claridad sobre la ubicación y límite de detección de los anemómetros utilizados en dicho Estudio, no podemos sacar más conclusiones al respecto.
Para finalizar esta sección, las rosas de los vientos medidas en la campaña de monitoreo realizadas en este Estudio son muy similares a las mostradas en las figuras 2-7 y 2-8, excepto en el caso de Miraflores, donde hay diferencias importantes en las direcciones predominantes del viento, lo que se debe a aspectos locales de las edificaciones y topografía dominante.
2.1.2.5 Características de la estabilidad atmosférica.
La gráfica 2-8 de las estabilidades atmosféricas indica que la condición más predominante es la estabilidad neutra (D), seguida por las condiciones de estabilidad (E) y leve inestabilidad (C). En una menor proporción se registran las condiciones F(muy estable), B (inestable) y A (muy inestable), en orden decreciente. La alta frecuencia de estabilidades neutras se explica por la persistencia de condiciones de nubosidad estratiforme en la zona metropolitana, las que sólo se debilitan en los meses de verano, cuando se interrumpe la nubosidad dando paso a cielos despejados (ver sección 2.2, Segundo Informe de Avance).
Figura 2-9. Clases de vientos y estabilidades a lo largo del año 2004
La figura 2-9 nos entrega los histogramas de las velocidades del viento y de las clases de estabilidad, respectivamente, observada en todos los datos del año 2004
para todas las direcciones del viento. En el caso de la velocidad del viento, la mayor frecuencia se da en el intervalo 3 – 4 m/s, con el 32.1% de las observaciones,
seguida por los intervalos 2 – 3 m/s y 4 – 5 m/s, con porcentajes del 26.4 y 20.5 %, respectivamente. En el caso de las estabilidades, domina claramente la clase D, con un 47.6% de las horas, seguida por las clases C y E, ambas con un 17%.
Figura 2-10. Clases de vientos y estabilidades verano del año 2004
En el caso de las condiciones de verano, la figura 2-10 muestra que la distribución de velocidades cambia con respecto al valor anual, incrementándose las frecuencias de velocidades en los intervalos 3 – 4 m/s y 2 – 3 m/s hasta los valores 34.2 y 29.9
%, respectivamente, mientras que disminuye la participación del intervalo de velocidades de 4 – 5 m/s, descendiendo a un 18.9%. En el caso de las estabilidades atmosféricas, la condición de neutralidad (clase D) aumenta su participación a un 54.4%, reduciéndose las participaciones de las clases C y E principalmente, con respecto al valor anual.
Por el contrario, la situación es diferente en el caso del invierno, donde se incrementan las frecuencias de velocidades del viento en los tramos 4 – 5, 5 – 6 y 6 – 8 m/s, es decir, la velocidad del viento aumenta en magnitud en los meses de invierno con respecto a la situación de verano, para esos intervalos de mayores
velocidades. Por otra parte, en las clases de estabilidad atmosférica se aprecia un incremento de las situaciones de mayor estabilidad E y F, que alcanzan frecuencias de 22.5 y 7.1 % respectivamente, reduciéndose las condiciones clase D a un 38.1 %;
es decir, en invierno las condiciones de estabilidad atmosférica son más estables que en verano, con menores capacidades de dispersar las emisiones de contaminantes.
Figura 2-11. Clases de vientos y estabilidades invierno del año 2004
2.1.3 Incorporación de las emisiones del transporte
Las emisiones del transporte determinadas mediante la metodología MODEM a partir de las corridas del Modelo de Transporte Urbano para Lima Callao (ver Capítulo 8 de este Informe Final) fueron caracterizadas como fuentes de área, es decir, emisiones que se emiten a la atmósfera a nivel del suelo. Luego, en cada una de las grillas de 2x2 km del dominio de modelación donde efectivamente existen emisiones de fuentes móviles se procedió a calcular las emisiones de los contaminantes a ser modelados, lo que implica sumar en cada celda del dominio de modelación las contribuciones de cada arco de red vial que pasa por dicha celda.
Como ya se mencionó al comienzo de esta sección 2.1, esta es la forma usual en
que se representan las emisiones del transporte en evaluaciones de impactos en calidad del aire en zonas urbanas en todo el mundo.
Como contaminantes a ser modelados se consideraron aquellos que se miden en la red de monitoreo administrada por DIGESA, es decir: partículas respirables finas (PM2.5), partículas totales en suspensión (PTS), anhídrido sulfuroso (SO2) y dióxido de nitrógeno (NO2). A estos contaminantes se añadió el PM10 y el monóxido de carbono (CO), los cuales, si bien no han sido medidos en la red DIGESA, sí están considerados en la campaña de monitoreo ambiental realizada en este Estudio. El PM10 es relevante de cuantificar debido a sus efectos en salud pública y, dado que el CO es un buen trazador de las emisiones del transporte, se consideró necesario simular también la dispersión de este gas contaminante.
La versión actualizada del modelo ISC3 considera emisiones dinámicas que varían por hora del día, por día de la semana y por mes del año, lo cual permite incorporar de manera más realista estos datos dinámicos al modelo. Es importante destacar que el inventario de emisiones señalado corresponde a un inventario de emisiones con mucho más detalle que un inventario agregado en Ton/año, ya que para poder aplicar modelos de dispersión se requiere disponer de emisiones distribuidas espacialmente (emisiones para cada arco vial a ser incluido en el análisis), y distribuidas temporalmente (es decir emisiones para cada hora del día).
Las emisiones fueron importadas desde MODEM hacia el modelo ISC3, a través de un procesamiento inicial generado por MODEM para crear emisiones con formato ISC3 y posteriormente importadas a través del software ISC3-View como indica la figura 2-12. El procesamiento de la información del inventario de emisiones anuales que genera MODEM se complementa con perfiles temporales para cada día de la semana y para los distintos meses del año, con lo cual se genera, para cada grilla del dominio de modelación, la suma total de emisiones anuales y una lista de factores de corrección para calcular las emisiones en cualquier hora del día, día de la semana y mes del año. De esta forma es posible definir solamente un subconjunto de las grillas del dominio que constituyen emisiones de área, es decir, sólo en aquellas grillas donde existen emisiones del transporte se generan las fuentes de área respectivas, cada una con dimensiones iguales a las de la grilla (2 x 2 km).
En la figura 2-13 se muestra una perspectiva de la localización de la red vial con las fuentes de emisiones de área creadas para caracterizar las emisiones de esta red, para verificar que la distribución geográfica de las fuentes de área es razonable. Se puede apreciar en la figura 2-13 que las celdas con emisiones de transporte se superponen a la red vial de Lima Callao, estando las restantes celdas del dominio de modelación con emisión cero.
Figura 2-12. Importación de emisiones a ISC3 con ISCview
Figura 2-13 Ubicación celdas de emisión en el dominio de modelación
2.2
Resultados de la modelación de la dispersión de emisiones del transporte.
En esta sección se presentan los siguientes resultados principales:
a) Verificación de la línea base de impactos del transporte por comparación del monitoreo ambiental con la simulación de la dispersión de las emisiones actuales del transporte (sin COSAC I).
b) Comparación de las simulaciones de dispersión de emisiones del transporte en los escenarios con y sin COSAC I para estimar en forma detallada el área de influencia del COSAC I, mediante el análisis de las diferencias de impactos entre ambos escenarios simulados.
2.2.1 Línea base del transporte: comparación de promedios mensuales.
En esta sección se hace una comparación de los promedios mensuales obtenidos con el modelo ISC3 con respecto a información de la DIGESA y de la campaña de monitoreo de este Estudio (monitoreo continuo y pasivo). Se realizó una simulación de la dispersión de las emisiones del transporte calculadas para la situación base (sin COSAC), considerando la meteorología de todo un año (2004 en este caso).
Para fines de comparación se calculó el promedio mensual de las concentraciones de los distintos contaminantes modelados, a partir del registro de valores horarios simulados por el modelo ISC3. Se adoptó este enfoque puesto que, en el protocolo de aplicación de modelos Gaussianos aceptado por la EPA de EEUU, se recomienda simular muchas horas, de manera que al tomar el promedio se cancelan errores aleatorios y el promedio de largo plazo (ejemplo: mensual o anual) posee menor incertidumbre y constituye un resultado cuantitativo más simple de interpretar y comparar con datos de monitoreo ambiental de periodos equivalentes.
Por otra parte, se estimó un valor del promedio mensual del monitoreo realizado por DIGESA para los distintos contaminantes medidos; cabe hacer notar que en este caso se constató que sólo se disponía de no más de 4-5 días con mediciones por mes, lo cual no entrega una muestra muy representativa. En efecto, los criterios de monitoreo de la EPA de EEUU exigen que al menos un 75% de la data del periodo sean válidos para fines de calcular dicho promedio. Por estos antecedentes recién presentados, las comparaciones con antecedentes de DIGESA que se van a discutir a continuación no son de carácter cuantitativo riguroso, sino que hay que tomarlas como una primera aproximación a la verificación de que el modelo de dispersión está entregando resultados confiables.
Por otra parte, en el caso del monitoreo ambiental de línea base realizado en este Estudio, se trata de monitoreos de una semana de duración que, si bien no cubren el mes completo, sí caracterizan el ciclo semanal de emisiones de la ciudad, por lo que los promedios semanales de estas mediciones se pueden asimilar a estimadores del promedio mensual correspondiente. Por lo tanto, se espera que estas mediciones sean más confiables que los valores reportados por DIGESA para fines de evaluar el desempeño del modelo de dispersión.
2.2.1.1 Material particulado fino PM2.5
Las siguientes figuras muestran que los promedios mensuales de PM2.5 simulados por el modelo ISC3 son sistemáticamente inferiores a los valores medidos tanto históricamente por DIGESA, como los medidos en la campaña de monitoreo del presente Estudio. Este comportamiento se da para todas las estaciones de monitoreo disponibles. Cabe hacer notar que las ubicaciones de la estaciones monitoras de Lima Centro, Lima Norte y Lima Sur (Pantanos y Miraflores) de la campaña realizada en este Estudio no corresponden a las ubicaciones de las estaciones monitoras manejadas por la DIGESA para esas zonas, aunque son relativamente cercanas; por esta razón se incluyó la información de la campaña de monitoreo continuo del presente Estudio (año 2005) para tener otra referencia en este análisis.
Era previsible que se obtuvieran simulaciones de material particulado fino (PM2.5) menores a las observadas, toda vez que no se están simulando las siguientes fuentes y procesos:
a) Generación de PM2.5 secundario (a partir de reacciones entre gases provenientes de todas las fuentes de la ciudad: móviles y fijas).
b) Aportes del aerosol marino (principalmente partículas finas).
c) Aportes de la erosión eólica en la cuenca árida de Lima Callao (emisiones fugitivas, principalmente partículas gruesas).
d) Aportes de las emisiones de la industria (chimeneas, procesos industriales).
e) Aportes de las emisiones de fuentes residenciales y comerciales (fuentes de área).
f) Otras fuentes misceláneas (incendios, quema de residuos).
A pesar de las discrepancias entre simulaciones y mediciones de la DIGESA del PM2.5, gran parte de las diferencias se pueden asociar a las fuentes y procesos ya descritas y que no se han simulado en este Estudio.
Como antecedente importante, la ex oficina PRAAM de la Municipalidad de Lima, llevó a cabo un análisis de elementos químicos en los filtros de PM10, los que fueron analizados por el laboratorio finlandés Geological Survey of Finland con la asesoría del Swedish Meteorological and Hydrological Institute (SMHI) de Suecia. Los valores reportados de azufre elemental para el Centro Histórico de Lima llegaron en promedio a 6 µg/m3, los que equivalen a 12 µg/m3 de sulfato y, asumiendo que se trata de sulfato de amonio, la concentración sería de 16.5 µg/m3. Es decir, el aporte de generación secundaria de material particulado fino en Lima Callao no es despreciable y puede constituir un aporte muy relevante, especialmente en el caso de la fracción fina (PM2.5), ya que los sulfatos están exclusivamente en este intervalo de tamaño de partícula (y no en la fracción gruesa del PM10).
PM 2,5 Lima Centro
0 20 40 60 80 100 120 140
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim2004 Obs2003 Obs2004 Este Estudio
Figura 2-14. Comparación de promedios mensuales de PM2.5 en la estación Lima Centro Histórico.
PM 2,5 Lima Callao
0 10 20 30 40 50 60
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim2004 Obs2003 Obs2004
Figura 2-15. Comparación de promedios mensuales de PM2.5 en la estación Callao.
PM 2,5 Lima Norte
0 20 40 60 80 100
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim2004 Obs2003 Obs2004 Este Estudio
Figura 2-16. Comparación de promedios mensuales de PM2.5 en la estación Lima Norte.
Las mediciones hechas en este Estudio tienden avalar las simulaciones, ya que las observaciones se encuentran por sobre las simulaciones, aunque no tan en exceso
como las mediciones de DIGESA, y las discrepancias que presentan con respecto a las simulaciones se pueden atribuir a las fuentes y procesos no simulados y que se han listado más arriba, particularmente a la generación de sulfato secundario a partir de las emisiones de SO2 en la ciudad. Por lo tanto, se puede concluir que el modelo es aceptable para fines de representar la dispersión de las emisiones de PM2.5 de las fuentes móviles, en la escala de promedios mensuales analizada aquí.
PM 2,5 Lima Este
0 20 40 60 80 100
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim2004
Obs2003
Obs2004
Figura 2-17. Comparación de promedios mensuales de PM2.5 en la estación Lima Este.
PM 2,5 Lima Sur
0 10 20 30 40 50 60 70
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim2004 Obs2003 Obs2004 Este Estudio
Figura 2-18. Comparación de promedios mensuales de PM2.5 en la estación Lima Sur. Para el caso del monitoreo continuo realizado en este Estudio, Febrero y Marzo corresponden a mediciones en
Pantanos de Villa y Miraflores, respectivamente.
La situación observada en Lima Centro, Lima Norte y Lima Sur tienden a corroborar lo anteriormente expuesto, en el sentido que hay una componente relevante de material particulado secundario, correspondiente a sulfato de amonio, el cual se genera en el ambiente a partir de la oxidación del SO2 emitido por el transporte, la industria y fuentes residenciales en la ciudad. Cabe hacer notar que en la zona metropolitana de Lima Callao se concentra aproximadamente el 65% de la actividad
industrial del país, por lo que las emisiones de SO2 de la industria son también relevantes al momento de analizar estas comparaciones gráficas. El tema de generación de aerosoles secundarios (sulfatos) se va a volver a discutir cuando se analicen los perfiles diarios de las simulaciones de calidad del aire y se comparen con los valores obtenidos del monitoreo continuo efectuado en este Estudio.
2.2.1.2 Partículas totales en suspensión, PTS
En este caso se constata que hay buena concordancia entre las predicciones del modelo y las observaciones hechas en el Centro Histórico, particularmente para los años 2003 y 2004, pero para el resto de las estaciones DIGESA se vuelve a apreciar una subestimación importante del modelo ISC3, situación similar a la ya observada en el caso del PM2.5. Sin embargo, en este caso las grandes diferencias entre las concentraciones observadas y las simuladas no se pueden explicar por el aporte de sulfatos secundarios al PTS, las que sólo explican una pequeña proporción de dichas diferencias.
PTS Lima Centro
0 50 100 150 200 250 300 350
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim2004 Obs 2003 Obs 2004 Obs 2001 Obs 2000 Obs 1999 Obs 1998 Obs 1997
Figura 2-19. Comparación de promedios mensuales de PTS en la estación Lima Centro Histórico.
PTS Callao
0 20 40 60 80 100 120 140
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim2004
Obs2003
Obs2004
Figura 2-20. Comparación de promedios mensuales de PTS en la estación Callao.
PTS Norte
0 50 100 150 200 250
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim
Obs2003
Obs2004
Figura 2-21. Comparación de promedios mensuales de PTS en la estación Lima Norte.
PTS Este
0 50 100 150 200 250 300 350 400
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim
Obs 2003
Obs 2004
Figura 2-22. Comparación de promedios mensuales de PTS en la estación Lima Este.
PTS Sur
0 50 100 150 200 250
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim
Obs 2003
Obs 2004
Figura 2-23. Comparación de promedios mensuales de PTS en la estación Sur.
Una posible explicación para las diferencias constatadas es que existen emisiones importantes de polvo fugitivo que mantienen partículas sólidas en suspensión. Es así como los monitoreos de contaminantes sólidos sedimentables (CSS) realizados por SENAMHI en forma rutinaria indican que las zonas Norte, Este y Sur presentan mayores valores de CSS que el resto de la ciudad. De aquí se puede concluir que hay emisores importantes de PTS en dichos sectores, y esto explicaría en parte la discrepancia entre modelo y monitoreo de PTS, ya que el modelo solo está considerando las emisiones del transporte, las que se tienden a concentrar en el Centro Histórico de Lima y su entorno.
Aquí también podemos concluir que el modelo está estimando en forma conservadora los impactos por PTS asociados al sector transporte, por lo que se puede utilizar para describir los impactos de dichas emisiones sobre las concentraciones de PTS en Lima Callao, también considerando promedios mensuales.
2.2.1.3 Anhídrido sulfúrico SO2
En el caso particular de este contaminante gaseoso, hay que considerar el aporte del sector industrial a las emisiones de SO2 en la zona urbana de Lima Callao. Dado que en el Plan Integral de Saneamiento Atmosférico (PISA, 2004), desarrollado por el CGIALLC no aparece en forma explícita el inventario de emisiones de SO2 para el sector industrial y que no corresponde al alcance de este Estudio levantar ese tipo de antecedentes, nos vamos a remitir a la estimación de las emisiones de SO2 a nivel nacional para el año 2002, que de acuerdo a cálculos del MINEM ascienden a 41,500 toneladas (citado en el PISA, 2004). Si consideramos que prácticamente el 70% de la actividad industrial se realiza en la zona metropolitana de Lima Callao, entonces se esperaría que las emisiones del sector industrial fuesen del orden de 30,000 toneladas anuales, es decir, muy superiores a las del sector transporte, que se han estimado en este Estudio en el valor de 7,000 toneladas/año, ver Capítulo 8 de este Informe Final.
Adicionalmente, en el Estudio “Caracterización del Sector Industrial de Lima Metropolitana”, realizado por GENIVAR/IMP/MML/ACDI (2002), se ha hecho un catastro con la distribución espacial de 18,914 industrias localizadas en la zona metropolitana, con lo cual se ha obtenido la siguiente figura, donde se puede apreciar que los distritos más industrializados corresponden a Lima, La Victoria, Ate y Callao, con el 19, 11.5, 11.2 y 5.2 % de las industrias, respectivamente.
De acuerdo con el mapa de la distribución espacial de estas industrias, entonces resulta claro que es esperable que en las zonas de monitoreo de Callao, Centro Histórico, Lima Norte y Lima Este, el aporte de las industrias a los impactos por SO2
sea relevante. La excepción la constituye el sector de Pantanos de Villa, donde el catastro arroja un número pequeño de actividades industriales.
A continuación se presenta la discusión de los resultados para los monitoreos realizados tanto por DIGESA como en este Estudio. En el caso del monitoreo realizado con tubos pasivos éstos fueron ubicados en postes de alumbrado público, con lo cual quedaron directamente expuestos a las emisiones del transporte; esto
hace que esos monitores sean directamente impactados por la pluma de las emisiones del transporte, sin que sean diluidas las emisiones en un área más representativa de la exposición de la población, por lo cual tienden a medir impactos altos y muy localizados. Los monitores continuos, por el contrario, fueron ubicados en zonas más protegidas del impacto directo de las emisiones del transporte, por lo que se espera que tiendan a medir impactos más representativos de toda una zona alrededor del punto de monitoreo.
Figura 2-24 Distribución espacial de fuentes industriales en la zona metropolitana de Lima Callao.
Fuente: Estudio “Caracterización del Sector Industrial de Lima Metropolitana”, desarrollado por GENIVAR/IMP/MML/ACDI (2002).
SOx Lima Centro
0 20 40 60 80 100 120 140 160 180 200
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim 2004 Obs2003 Obs2004 Obs2000 Obs1999 Obs1998 Este Estudio (Continuo) Este Estudio (Pasivo)
Figura 2-25. Comparación de promedios mensuales de SO2 en la estación Centro Histórico.
En el caso de la estación Lima Centro, se aprecia que las concentraciones de SO2
han disminuido en los últimos años, y que las simulaciones están por debajo de los valores medidos por la DIGESA. Por otra parte, los valores del monitoreo en tubos pasivos hecho en este Estudio se acercan bastante a lo simulado (corresponde al promedio de los valores de los puntos Jirón Huaraz, Avda. Moquegua, Calle Chancay, Jirón Junin y Plaza Grau), y que el valor del monitoreo continuo realizado en Plaza Grau entregó un resultado menor (4.8 µg/m3) al valor allí simulado. Por lo tanto, en este caso de la zona Centro Histórico, se puede concluir que el modelo está sobreestimando el aporte del sector transporte. La razón de esta sobre estimación se atribuye a que el modelo no está considerando la oxidación del SO2
en la atmósfera para producir sulfatos secundarios, aspecto ya mencionado en el caso de la evaluación del desempeño del modelo para el caso del PM2.5, y lo que es avalado por mediciones del contenido de azufre en el PM10 de Lima Callao.
En el caso de la estación Callao se aprecia que el modelo se acerca bastante a los valores medidos por DIGESA, incluso el modelo entrega valores por encima de lo monitoreado por DIGESA en Septiembre y Noviembre del 2004. No se realizó monitoreo en esa zona en este Estudio. Debido a la cantidad importante de actividades industriales en el sector de Callao, nuevamente se concluye que el modelo está sobreestimando allí los impactos por el transporte, por las razones ya expuestas en el párrafo anterior.
En el caso de la zona Norte de Lima, nuevamente se aprecia que las simulaciones son iguales o incluso superan tanto los valores reportados por DIGESA como el monitoreo realizado en este Estudio (para el caso de los tubos pasivos se tomó el promedio de los puntos Parque Jacintos, Sánchez Carrión, Las Guabas, Calle A, Calle 8, Guayana, Eleodoro Cevallos y UNI). Es decir, el modelo está sobreestimando los impactos por SO2 del sector transporte.
SOx Callao
0 5 10 15 20 25 30 35 40 45 50
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim2004
Obs2003
Obs2004
Figura 2-26. Comparación de promedios mensuales de SO2 en la estación Callao.
SOx Lima Norte
0 5 10 15 20 25 30 35 40 45 50
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim Obs2003 Obs2004 Este Estudio (Continuo) Este Estudio (Pasivo)
Figura 2-27. Comparación de promedios mensuales de SO2 en la estación Lima Norte.
SOx Lima Este
0 10 20 30 40 50 60 70 80
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim2004
Obs2003
Obs2004
Figura 2-28. Comparación de promedios mensuales de SO2 en la estación Lima Este.
En el caso del sector Lima Este, hay menos claridad de que el modelo esté sobreestimando los aportes del sector transporte, aunque sólo tenemos por comparación las mediciones de DIGESA; hay que tener presente que en esa zona existe una alta concentración de actividades industriales, las que se extienden a lo largo de la microcuenca correspondiente (ver figura 2-24), por lo que es factible que, aunque el modelo sobreestime emisiones, esto se ve enmascarado por el mayor aporte del sector industrial a las emisiones de SO2 en esa zona.
Por otra parte, en la zona de Lima Sur, se aprecia nuevamente que el modelo subestima los valores reportados por DIGESA; en esta caso el monitoreo realizado en este Estudio por métodos pasivos (promedio de los puntos Pantanos de Villa, Jirón Karwarasu, Plaza Raimondi y Jirón Ayacucho) es muy inferior a lo modelado; lo mismo se puede decir del monitoreo continuo realizado en Pantanos de Villa.
Nuevamente podemos concluir que el modelo está sobreestimando los aportes del sector transporte en esa zona y que no se puede descartar que las observaciones reportadas por la DIGESA allí también incluyan impactos relevantes del sector industrial.
SOx Lima Sur
0 5 10 15 20 25 30
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim Obs2003 Obs2004 Este Estudio (Continuo) Este Estudio (Pasivo)
Figura 2-29. Comparación de promedios mensuales de SO2 en la estación Lima Sur.
En resumen, en el caso del SO2 el modelo no es adecuado para fines de representar los impactos causados por el sector transporte, ya que las simulaciones tienden a sobreestimar los impactos causados por las fuentes móviles. Además, es perfectamente posible que haya zonas de la ciudad donde los impactos por SO2
estén controlados por la presencia de fuentes industriales relevantes, aspecto que no se ha profundizado más ya que no corresponde al alcance de este Estudio. La razón principal de la sobreestimación del modelo es que no se está considerando la oxidación del SO2 en la atmósfera para producir sulfatos secundarios, lo que reduciría considerablemente la magnitud de las concentraciones ambientales de SO2.
2.2.1.4 Dióxido de Nitrógeno NO2
Cabe destacar que en este caso el modelo de dispersión simula solamente el total de óxidos de nitrógeno NOx, ya que la suma de NO y NO2 es aproximadamente constante a escala urbana, por lo que se puede tratar a los NOx como si fuesen un compuesto inerte, el cual solamente se dispersa en la atmósfera. A continuación, hubo que hacer un supuesto con respecto a las concentraciones de NO2, las que se estimaron como un 20 % del NOx total. En efecto, las emisiones del transporte corresponden mayoritariamente a NO, siendo el NO2 un componente minoritario en ellas (típicamente corresponden a un 10% de los NOx emitidos); sin embargo, debido a las reacciones de carácter fotoquímico que se presentan posteriormente entre los óxidos de nitrógeno y los compuestos orgánicos volátiles, se produce un incremento del NO2 a medida que avanza la hora del día y los contaminantes son transportados por los vientos predominantes en la cuenca de Lima Callao. No es posible estimar este efecto hora a hora debido a que el modelo de dispersión no considera reacciones químicas. Por esto, para fines de estimar promedios mensuales, se adoptó el valor porcentual señalado al comienzo de este párrafo.
Otro aspecto importante de aclarar es que en el monitoreo realizado en este Estudio se privilegió medir muy cerca de las vías de transporte, precisamente para evitar interferencias con emisiones que no provienen del transporte. Sin embargo, en el caso del NO2, por tratarse de un contaminante con un aporte de origen secundario asociado a reacciones químicas, la medición hecha tiende a subestimar los impactos por NO2, ya que las emisiones frescas del transporte tienden a estar dominadas por el NO y no por el NO2. Este aspecto se va a tomar en cuenta en las discusiones que se hacen a continuación.
Las siguientes figuras muestran que las simulaciones del modelo para la meteorología del año 2004 subestiman sistemáticamente a las mediciones de la DIGESA correspondientes a los años 2003 y 2004, excepto en el caso de Lima Norte (donde hay pocas mediciones para el periodo analizado). Además, los resultados del monitoreo realizado en este Estudio son semejantes los valores simulados, particularmente el monitoreo pasivo, lo cual es aceptable considerando que el monitoreo hecho en este Estudio tendería a subestimar los impactos por NO2, y al hecho de que estamos modelando solamente fuentes móviles.
En el caso del sector Centro Histórico, los datos de DIGESA del año 2004 están por sobre los simulados, pero por un leve margen. En este sector, claramente dominado por el transporte, el modelo (con las aproximaciones ya comentadas para estimar NO2 como un porcentaje del total de NOx) está operando satisfactoriamente. En las demás estaciones las mediciones de DIGESA están muy por sobre los simulado, mientras que los resultados de las mediciones del presente Estudio muestran mayor semejanza con lo simulado.
NO2 Lima Centro
0 50 100 150 200 250 300
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim Obs2003 Obs2004 Obs2001 Obs2000 Obs1999 Obs1998 Obs1997 Este Estudio (Continuo) Este Estudio (Pasivo)
Figura 2-30. Comparación de promedios mensuales de NO2 en la estación Lima Centro.
En la zona de Callao no se hicieron mediciones en este Estudio, pero las simulaciones del modelo tienden a estar por debajo de los valores reportados por la DIGESA, excepto en los meses de Enero y Febrero. Esto es razonable si se considera que las fuentes industriales son relevantes en esa zona, por lo que su aporte podría explicar las diferencias entre simulación y observación.
NO2 Callao
0 5 10 15 20 25 30 35
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim*
Obs2004
Obs2003
Figura 2-31. Comparación de promedios mensuales de NO2 en la estación Callao.
En el caso de la estación Lima Norte, existe menos información de DIGESA para evaluar el modelo de dispersión, pero los valores medidos en la campaña realizada en este Estudio tienden a corroborar las simulaciones y la aproximación presentada en esta Sección (aunque se trata de sólo dos puntos de comparación).
NO2 Lima Norte
0 5 10 15 20 25 30 35 40 45 50
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim Obs2004 Obs2003 Este Estudio (Continuo) Este Estudio (Pasivo)
Figura 2-32. Comparación de promedios mensuales de NO2 en la estación Lima Norte.
En el caso de Lima Este existen más mediciones mensuales de DIGESA, las que nuevamente están por sobre las simulaciones en todo el periodo analizado. En este caso, por tratarse de una zona viento abajo de fuentes móviles e industriales relevantes, la mayor subestimación del modelo podría atribuirse a que existe mayor conversión de NO a NO2 en dicha zona, con masas de aire más envejecidas que llegan al lugar de monitoreo con incrementos de la razón NO2/NOx. Debido a que este es un fenómeno asociado a la química atmosférica, no es modelado por ISC3.
NO2 Lima Este
0 10 20 30 40 50 60 70
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim*
Obs2004
Obs2003
Figura 2-33. Comparación de promedios mensuales de NO2 en la estación Lima Este.
En el caso de la estación Lima Sur, nuevamente encontramos que el monitoreo de DIGESA sobreestima consistentemente las concentraciones simuladas, pero el monitoreo realizado allí (tanto continuo como pasivo) es similar a los valores estimados por el modelo de dispersión. Hay que hacer notar que dicha zona posee actividad industrial relevante, tal como se ha mostrado en la figura 2-24, por lo que
es posible que parte de las discrepancias detectadas (entre Agosto y Diciembre del 2004) se puedan atribuir a la presencias de fuentes emisoras industriales.
NO2 Lima Sur
0 5 10 15 20 25 30 35
1 2 3 4 5 6 7 8 9 10 11 12
Mes
ug/m3
Sim**
Obs2004 Obs2003 Este Estudio (Continuo) Este Estudio (Pasivo)
Figura 2-34 Comparación de promedios mensuales de NO2 en la estación Lima Sur.
En este caso concluimos que el modelo de dispersión está estimando razonablemente la línea base del transporte en la zona metropolitana de Lima Callao, sobre todo para fines de representar la variabilidad espacial de los impactos.
Hubiera sido más adecuado haber asumido una fracción de NO2/NOx que fuese más representativa de la actividad fotoquímica característica de la cuenca de Lima Callao. Sin embargo, tal tipo de modelación excede el alcance del presente Estudio, y además hubiera requerido disponer de un inventario de emisiones completo para Lima Callao, lo cual tampoco forma parte del alcance del presente Estudio.
2.2.1.5 Conclusiones de la línea base simulada, promedios mensuales (situación sin COSAC I).
Los resultados de los promedios mensuales de concentraciones de contaminantes simulados por el modelo de dispersión ISC3 muestran un comportamiento coherente con la mediciones de DIGESA y con el monitoreo hecho en este Estudio; la excepción es el caso del SO2, lo cual se debe en gran parte a que no está considerando la oxidación del SO2 en la atmósfera (para producir posteriormente sulfatos secundarios), y también en parte a la contribución del sector industrial a las concentraciones ambientales, aspecto que no forma parte de este Estudio pero que requiere ser investigado más a fondo.
Las simulaciones mensuales están consistentemente por debajo de las concentraciones medidas (exceptuando el SO2), lo cual era de esperarse, ya que se están simulando solamente las fuentes del transporte, y no otras que son relevantes en la ciudad.
