1
Universidad de los Andes, Bogotá
GENERACION DE UN ATLAS ESTACIONAL DE VIENTOS Y
SU RELACION CON LAS CONCENTRACIONES DE
MATERIAL PARTICULADO PRESENTES EN BOGOTÁ,
COLOMBIA
Lara Gutiérrez Santander 201127013
Asesor de Tesis: Ricardo Morales Betancourt
2
Tabla de contenido
Introducción………..3
Metodología………...3
Base de Datos………....3
Método de Interpolación………...5
Análisis direccional: Gráficas concentración vs. velocidad del viento………..9
Resultados………11
Mapas mensuales de viento………12
Gráficas concentración vs. velocidad del viento……….18
Discusión y Análisis de Resultados………21
Mapas mensuales de viento………21
Análisis de las curvas Concentración vs velocidad del viento Sector norte………...22
Sector Occidental………..23
Sector Centro………23
Sector Sur………..24
Conclusiones………25
Tabla de figuras Figura 1 Ejemplo de Semivariogramas para componentes u y v de la velocidad en el mes de Abril ... 7
Figura 2 Mapa del dominio de Interpolación con Grilla ... 9
Figura 3 Modelo de Caja (Husar, Schichtel, & Renard, 1998) ... 10
Figura 4 Modelo de Caja para contaminante X ... 10
Figura 5 Mapas de Viento de Enero y Febrero ... 12
Figura 6 Mapas de Viento Marzo y Abril... 13
Figura 7 Mapas de Viento Mayo y Junio ... 14
Figura 8 Mapas de Viento Julio y Agosto ... 15
Figura 9 Mapa de Vientos Septiembre y Octubre ... 16
Figura 10 Mapa de Vientos Noviembre y Diciembre ... 17
Figura 11 Curvas de Concentración vs. Velocidad del viento para el Sector Norte ... 18
Figura 12 Curvas de Concentración vs. Velocidad del viento para el Sector Occidental ... 19
Figura 13 Curvas de Concentración vs. Velocidad del viento para el Sectores Centro y Sur ... 20
Tabla 1 Ubicación de las Estaciones de la RMCAB ... 4
Tabla 2 Parámetros introducidos en el software ArcGIS para interpolación de superficie de vientos ... 7
3
Abstract
Se generaron 12 campos de velocidad interpolados del viento mensual para la ciudad de Bogotá a partir de datos de 21 estaciones de la Red de Monitoreo de Calidad del Aire de Bogotá (RMCAB) que midieron los parámetros velocidad y dirección del viento durante 15 años. Los mapas se generaron usando el método de interpolación IDW y el Sistema de Información Geográfica ArcGIS. El propósito principal de generar los mapas es el de predecir el comportamiento estacional del viento en la ciudad para evaluar su influencia en las concentraciones de contaminantes atmosféricos presentes. Adicionalmente se evaluó con curvas concentración vs. velocidad del viento para diferentes direcciones, el comportamiento local o regional de las emisiones en diferentes zonas de la ciudad. Se identificaron dos patrones de vientos en la ciudad a lo largo del año; uno que parece estar influenciado en mayor medida por factores locales y otro que está muy influenciado por factores regionales. Por otro lado, se llegó a la conclusión que el norte y el sur de la ciudad las concentraciones de PM10 están gobernadas por emisiones regionales mientras que en el occidente las concentraciones presentes se deben a fuentes locales y presentan mayores grados de sensibilidad al aumento en la velocidad del viento.
1. Introducción
El análisis de la información meteorológica es un factor esencial para la modelación de la contaminación atmosférica. Los modelos de dispersión de contaminantes buscan replicar las condiciones atmosféricas de la realidad como lo son la humedad relativa, la temperatura, la precipitación y la velocidad y dirección del viento, entre otros. No obstante, todos los modelos meteorológicos necesitan como entrada datos reales que se toman como observaciones puntuales, es aquí donde la interpolación juega un papel fundamental. Adicionalmente, el análisis del viento en conjunto con las observaciones de las concentraciones de contaminantes puede proporcionar información preliminar importante sobre el régimen de emisiones presentes y las dinámicas de transporte de contaminantes en un lugar determinado. (Husar, Schichtel, & Renard, 1998)
Los análisis realizados sobre las características del viento en Bogotá se han dado principalmente mediante los informes anuales generados por la Red de monitoreo de Calidad del Aire de Bogotá y el Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM). Sin embargo estos informes contienen información de promedios anuales que en su mayoría no contribuyen a visualizar en el detalle el ciclo estacional de la velocidad y la dirección del viento en la ciudad. Además, en este trabajo se busca incorporar el soporte estadístico que proporcionan 15 años de mediciones horarias.
2. Metodología
2.1.Base de Datos
En el análisis realizado se utilizó información de 22 estaciones que han existido como parte de la Red de Monitoreo de Calidad del Aire de Bogotá (RMCAB). Cada estación cuenta con equipos especializados para medir diferentes variables meteorológicas y de Calidad del Aire de manera horaria como velocidad del viento, dirección del viento,
4
temperatura, precipitación, humedad relativa, radiación solar y concentraciones de contaminantes criterio. La RMCAB fue inaugurada en 1998 y desde entonces ha contado con estaciones que han aparecido y desaparecido. Gracias a esto hoy se cuenta con una base de datos extensa que cubre aproximadamente 15 años. Con el pasar de los años, la RMCAB se ha venido densificando y ha alcanzado un cubrimiento cada vez mayor en la ciudad. En la Tabla 1 se muestra la ubicación de las estaciones de la RMCAB.
Tabla 1 Ubicación de las Estaciones de la RMCAB
Estación Latitud Longitud Emisiones Dominantes PM10 Bolivia 4°44'9.12'' N 74°7' 33.18' O De fondo NO
Cade Energía 4°37’19.0”N 74°06’05.2”W - SI
Carvajal 4°35' 44.22'' N 74°8' 54.9'' O De fondo SI Cazuca 4°35'41.80"N 74°11'5.34"W - SI Central de Mezclas 4°33’24.7”N 74°08’15.6”W - SI
CDAR 4°39’30‚48”N 74°5’2‚28”O De fondo SI
Chico Lago 4°39'34.0" N 74°03'35.0"W - SI Fontibón 4°40'12.36'' N 74°8' 29.58''O De fondo SI Guaymaral 4°47'1.52"N 74°2'39.06"W De tráfico SI Kennedy 4°37’30‚18”N 74°9’40.8”O De fondo SI Las Ferias 4°41'26.52'' N 74°4' 56.94'' O De Tráfico SI Min Ambiente 4°37'31.75"N 74°4'1.13"W - SI
Olaya 4°35’30.7”N 74°05’19.9”W - SI
Puente Aranda 4°37'54.36'' N 74°7' 2.94'' O Industrial SI San Cristóbal 4° 34'21.54''N 74° 5' 1.68'' O De fondo SI Suba 4°45'40.86''N 74°5'36.54''O De fondo SI Tunal 4° 34'34.62'' N 74° 7' 51.48'' O De fondo SI
Usme 4°28’52.79’’N 74°7’34.96’’W - NO
Universidad Nacional 4°38’38.3”N 74°05’39.4”W - SI Usaquén 4°42' 37.26''N 74°1' 49.5'' O De fondo SI Vitelma 4°34'53.62"N 74° 4'40.19"W - NO
Debido a que la Red cuenta con equipos que miden de manera continua las diferentes variables, es común que al analizar este tipo de bases de datos se encuentren una gran cantidad de valores faltantes por defectos en los equipos o simplemente porque la estación paró su actividad. Debido a esto, con el fin de obtener estimativos representativos de las características del viento en Bogotá, se calculó la cantidad de valores medidos para cada estación. Acto seguido, se incluyeron las estaciones que contaban con más de 1000 datos de velocidad y dirección del viento en cada mes, incluyendo los 15 años de análisis. A partir de estos datos se calcularon promedios mensuales multianuales para las componentes zonales u y meridionales v de la velocidad del viento y a partir de estos valores se calculó la magnitud promedio mensual de la magnitud de la velocidad y dirección promedio del viento en cada una de las estaciones de la ciudad. Finalmente, se utilizaron datos de PM10 de algunas estaciones que también midieron velocidad y dirección del viento para analizar la correlación entre velocidad, dirección y material particulado.
5
2.2.Método de Interpolación
El análisis de información meteorológica proveniente de estaciones de monitoreo distribuidas espacialmente en un espacio geográfico requiere de metodologías para poder describir el comportamiento general de un fenómeno continuo a partir de datos que se miden de manera puntual y discreta. Esto se realiza mediante la interpolación espacial, que lo que busca es predecir los valores de una variable dentro de una región en donde se han medido los valores de la variable en cuestión. En este orden de ideas, la interpolación espacial es una gran herramienta que permite conocer el comportamiento de diferentes fenómenos en ubicaciones en donde no existen mediciones (Li & Heap, 2014). Este tipo de análisis es esencial en la toma de decisiones en múltiples áreas pero sobretodo juega un papel fundamental en Calidad del Aire puesto muchas de estas variables meteorológicas, como el viento, juegan un papel muy importante en las dinámicas de transporte y transformación de los contaminantes atmosféricos (U.S Environmental Protection Agency, 2015). Adicionalmente el uso de Sistemas de Información Geográfica ha revolucionado la implementación y optimización de los diferentes métodos de interpolación (Hartwig, Dumolard, & Dyras, 2007).
En general, los métodos de interpolación siguen la forma que se muestra a continuación (Luo, Taylor, & Parker, 2008)
𝑧̂(𝑥0) = ∑ 𝜆𝑖∗ 𝑧(𝑥𝑖) 𝑛
𝑖=1
Donde 𝑧̂ es el valor estimado de la variable de interés en el punto 𝑥0 y 𝑧(𝑥𝑖) es el valor
muestrado en el punto 𝑥𝑖. Adicionalmente 𝜆𝑖 es el parámetro de ponderación asignado al
valor del punto en el que se muestreó la variable y n es el número de puntos muestreados para realizar la estimación. No obstante, la selección de un método de interpolación tiene una alta dependencia y especificidad del set de valores que se busca modelar ya que existen diferencias sustanciales entre los diferentes métodos que determinan el valor de 𝜆𝑖 que se debe usar en el modelo (Li & Heap, 2014). A continuación se muestran algunas
clasificaciones que hay que tener en cuenta a la hora de seleccionar un método de interpolación.
En primer lugar, los métodos de interpolación pueden ser globales o locales: los globales usan la información de todos los puntos del área de interés para determinar las tendencias generales en el comportamiento de la variable, mientras que los locales buscan capturar la información en un área delimitada alrededor del punto en donde se busca realizar la estimación. Los métodos de interpolación también pueden ser exactos o inexactos, es decir que el valor predicho puede ser igual o diferente al valor medido en la ubicación medida. Adicionalmente, los métodos pueden ser determinísticos o estocásticos, lo que hace referencia a la inclusión o no inclusión de la incertidumbre asociada a los estimativos de la variable. Finalmente, también pueden ser graduales o abruptos y cóncavos y convexos lo cual hace referencia a los cambios que sufre la variable con la distancia y los valores mínimos máximos que puede tomar la variable, respectivamente (Li & Heap, 2014).
6
El primer paso para determinar qué método de interpolación se debe usar es realizar un análisis exploratorio de los datos para verificar si existe algún tipo de transformación que pueda realizar para mejorar los resultados de la interpolación. Adicionalmente, es necesario verificar si existe algún tipo de correlación o estructura espacial entre los datos. Para realizar esta tarea, se crea un semivariograma; una curva en donde en dónde se grafica la distancia entre los puntos contra la correlación espacial, que se cuantifica con el parámetro 𝛾 que se define como (Luo, Taylor, & Parker, 2008):
𝛾(ℎ) = 1
2 ∗ 𝑁(ℎ)∗ ∑ [𝑍(𝑠𝑖) − 𝑍(𝑠𝑖+ ℎ)]
2 𝑁(ℎ)
𝑖=1
Donde ℎ la distancia entre los puntos para los cuales se quiere encontrar la correlación y 𝑁(ℎ) es el número de valores que se encuentran a una distancia ℎ. Cuando existe correlación espacial entre los puntos se espera que para puntos muy cercanos el valor de 𝛾 sea cercano a cero y este aumente a medida que el valor de h aumenta.
De acuerdo la metodología propuesta por Hip & Li (2013) para seleccionar métodos de interpolación de información proveniente de variables ambientales, se seleccionó el método IDW(Inverse Distance Weighting) para realizar la interpolación de las componentes zonales y meridionales de la velocidad del viento a partir de los datos horarios de las estaciones de la de RMCAB. Este método se seleccionó debido a que se contaba únicamente con 21 estaciones repartidas por toda la ciudad y el análisis exploratorio de los datos no permitió identificar que se viera claramente una estructura espacial definida en los datos al analizar los semivariogramas mensuales de los (Ver Figuras 1). Adicionalmente en trabajos como los realizados por Burrough y McDonnell (1998) se mencionado que se requieren por lo menos de 50-100 muestras para generar variogramas estables y otros estudios como el de (Chang et al.1998) hablan de usar un mínimo de 28 muestras para usar métodos geo estadísticos como Kriging. Adicionalmente, se realizaron versiones de prueba de las interpolaciones con ambos métodos y el uso de Kriging no suponía una mejora de los resultados obtenidos.
7
Figura 1 Ejemplo de Semivariogramas para componentes u y v de la velocidad en el mes de Abril
IDW es un método determinístico, local, inexacto, gradual y convexo que incorpora la idea de que los puntos cercanos al punto estimado deben tener valores más similares al punto de interés que los valores lejanos y el cambio entre los dos puntos se debe dar de forma gradual entre los dos valores. En otras palabras, los valores medidos cerca al lugar de la predicción tendrán más influencia sobre la predicción que los valores que se midieron lejos. Este ha sido un método que tradicionalmente se ha usado ampliamente para la interpolación de variables climáticas, sobre todo en ocasiones en donde se tiene un conocimiento limitado del comportamiento de la variable de análisis.
A continuación se muestra la expresión para calcular el valor estimado de la variable analizada usando IDW(Burrough & McDonnell, 1998):
:
𝑧̂(𝑠0) = [∑ 𝑤(𝑑𝑖) ∗ 𝑧(𝑠𝑖)
𝑁 𝑖=1
∑𝑁𝑖=1𝑤(𝑑𝑖)
]
Donde 𝑧̂(𝑠0) es el valor estimado de la variable en el punto de interés y 𝑧(𝑠𝑖) es el valor de la variable medida en 𝑠𝑖. Por otro lado, 𝑤(𝑑𝑖) es la función que determina el peso que
se le asignará a cada medición en la ponderación de la variable y los parámetros que se determinen para esta función determinarán significativamente los resultados de la interpolación. Estos parámetros son el número de vecinos que se incluirán, el radio de búsqueda y la potencia, que determina qué tanta variación debe tener la variable con respecto a la distancia. En la Tabla 2 se muestran los parámetros utilizados para la interpolación realizada para los mapas mensuales.
Tabla 2 Parámetros introducidos en el software ArcGIS para interpolación de superficie de vientos
Parámetro Valor del Parámetro
Número mínimo de Vecinos 15
Número máximo de vecinos 10
Potencia (1-2) Dependiendo de validación cruzada
Para realizar la determinación de la potencia, se usó la función de ArcGIS para realizar la validación cruzada que optimiza el parámetro potencia minimizando el error cuadrático
8
medio de la predicción (RMSEP). Adicionalmente, después de realizar la interpolación se realizó el cálculo de una métrica que determina el desempeño del método removiendo el valor de la medición de la superficie generada y calculando el valor en ese punto a partir de las otras observaciones de la superficie. Este valor se conoce como el error cuadrático medio y se calcula como (Luo, Taylor, & Parker, 2008) (Esri, 2015):
𝑅𝑀𝑆𝐸 = √1 𝑁∑[
𝑁
𝑖=1
𝑧̂(𝑠𝑖) − 𝑧(𝑠𝑖)]2
En un caso ideal el RMSE debería ser cero. A en la Tabla 3 se muestran los valores de RMSE obtenidos para cada una de las interpolaciones realizadas con el fin de tener un punto de comparación con interpolaciones que se generen en el futuro con el mismo set de datos.
Tabla 3 Resultados de Validación Cruzada para la interpolación realizada
RMSE
Mes U V
Enero 0.383 0.507 Febrero 0.389 0.482 Marzo 0.419 0.528 Abril 0.371 0.547 Mayo 0.358 0.565 Junio 0.534 0.699 Julio 0.533 0.755 Agosto 0.455 0.566 Septiembre 0.522 0.436 Octubre 0.326 0.391 Noviembre 0.309 0.395 Diciembre 0.348 0.411
Finalmente, para realizar la interpolación se seleccionó un dominio de 22km*40km (22km en sentido Oeste-Este y aproximadamente 40km en sentido Norte-Sur), en el que se establecieron dos grillas de diferente tamaño para realizar la extracción de los valores de las capas raster generadas en la interpolación; una grilla con tamaño de celda equivalente a 1000m (mapas de visualización) y una con tamaño igual a 250m. A continuación en la Figura 2 se muestra en el mapa el dominio y la grilla que se utilizaron para la interpolación. También es posible visualizar la ubicación de las estaciones con sus respectivos nombres en la Figura 2.
9
10
2.3.Análisis direccional de los datos de viento y su correlación con las concentraciones de contaminantes observadas en la ciudad
Para realizar el análisis direccional de las concentraciones de contaminantes se partió de la premisa de que si se tiene una fuente local de un contaminante (cerca al lugar de medición) la concentración del contaminante debe disminuir continuamente a medida que aumenta la velocidad del viento. Por otro lado, si la concentración no disminuye con la velocidad del viento es posible que las concentraciones observadas se deban a fuentes regionales (Husar, Schichtel, & Renard, 1998). Esto se puede ejemplificar de manera simple haciendo uso de uno se los modelos más sencillos utilizados en calidad del aire que se conoce como modelo de caja. Supongamos que se tiene una caja a la que ingresa por un lado un afluente de un contaminante X con concentración C0 (concentración de fondo) y velocidad unidireccional U. Adicionalmente adentro de la caja puede haber fuentes del contaminante X que se emiten a una tasa Q [g/s*m2], razón por la que la concentración del contaminante X a la salida de la caja, asumiendo mezcla completa instantánea estará dada por la expresión que se muestra en la Figura 3.
Figura 3 Modelo de Caja (Husar, Schichtel, & Renard, 1998)
En este orden de ideas, la variación de la concentración en función la velocidad del viento U unidireccional, asumiendo una concentración C0 de 50𝜇𝑔/𝑚3 y para diferentes tasas de
emisión en teoría se debe ver como la Figura 4.
11
Para incorporar el componente direccional en el análisis de los datos de la RMCAB, se dividieron los datos existentes de velocidad del viento y concentración de material particulado (PM10) en 4 categorías de acuerdo a la dirección meteorológica del viento (de dónde viene el viento) en ese momento. Las categorías seleccionadas fueron (1) 0°-90°,(2) 90°-180° (3) 180°-270° y (4) 270°-360°. Adicionalmente, dentro de cada categoría mencionada anteriormente se dividieron los datos de acuerdo a la magnitud de la velocidad en intervalos de 0.5m/s y se realizó el promedio de concentración de PM10 para cada intervalo de velocidad dentro de cada categoría de dirección. El número de intervalos dentro de cada categoría fue determinado en base al percentil 95 de los datos de velocidad de la estación de análisis debido a que se seleccionó el criterio de que cada intervalo debe tener al menos 100 datos válidos de concentración para ser incluido en las curvas de velocidad y concentración.
3. Resultados
A continuación se muestran los mapas mensuales generados con el método IDW. En la sección 2.2 se establece la metodología seguida para la generación de los mapas. Como se especifica en la leyenda, el color de los vectores indica el rango de velocidad en el que se encuentra la magnitud de la velocidad del viento. Por otro lado, el tamaño de los vectores también es proporcional a la magnitud de la velocidad del viento. Los vectores de color negro corresponden a las observaciones reales de cada una de las estaciones, por lo que para estos datos la velocidad del viento debe ser deducida del tamaño de los vectores y no de la escala de colores que se encuentra en la leyenda. Adicionalmente, en la Tabla 3 es posible ver los datos de la validación cruzada para cada uno de los componentes del viento y para cada mes.
Adicionalmente, las Figuras 11, 12 y 13 corresponden a las curvas de concentración vs. velocidad generadas con la metodología descrita en el numeral 2.3. En cada gráfica se muestra el valor promedio de la variable junto con el respectivo rango inter cuartil.
12
13
14
15
16
17
18
19
20
21
4. Discusión y Análisis de Resultados 4.1. Mapas mensuales de Vientos
A continuación se discutirán los cambios estacionales que ocurren en el mapa de vientos de Bogotá a medida que pasan los meses en el año.
En primer lugar, los meses de Enero y Febrero, la zona noroccidental de la ciudad está influenciada principalmente por vientos menores a 0.75 m/s provenientes de la dirección nororiental. Por otro lado, la parte sur de la ciudad se ve fuertemente influenciada por vientos provenientes del sur con velocidades más altas (entre 1-2m/s). Adicionalmente, la parte oriental de la ciudad está influenciada por vientos provenientes de sureste. La convergencia de estas corrientes se da a la altura del centro de la ciudad, razón por la que el comportamiento del viento en esta zona de la presenta un comportamiento errático; cerca a las estaciones Universidad Nacional y Centro de Alto Rendimiento. Otra razón que explica el comportamiento del viento en el centro de la ciudad es la densidad de puntos que se presenta en este lugar, esto puede tender a generar errores en el método de interpolación implementado. En el mes de Marzo se presenta un comportamiento similar a los dos meses anteriores pero los vientos provenientes del nororiente se intensifican hasta velocidades de 1m/s, este comportamiento se replica nuevamente en el mes de Abril.
A la altura del mes de Mayo, los vientos provenientes del sureste comienzan a intensificarse y la dirección del viento presente en las localidades de Kennedy y Fontibón cambia. Por otro lado, la velocidad de los vientos provenientes de noreste también aumenta. Ya a altura del mes de Junio los vientos del sureste son absolutamente predominantes en casi la totalidad de la ciudad con velocidades entre 1.5 y 2m/s (podrían llegar a superar estos valores en la parte sur). No obstante en el centro de la ciudad las velocidades permanecen por debajo de 1m/s y no presentan una dirección clara. Con la llegada del mes de Julio también aparecen los vientos más fuertes del año provenientes del sureste, en localidad San Cristóbal los vientos pueden ser superiores a 3m/s. Este comportamiento prevalece hasta el mes de Octubre, cuando los vientos provenientes del suroeste y del este comienzan a reestablecerse nuevamente, mientras que los vientos del sureste comienzan a debilitarse, ejerciendo influencia únicamente en la parte oriental de la ciudad. En Noviembre y Diciembre lo que se observa es que se restablecen nuevamente las corrientes provenientes del norte que impactan la parte norte de la ciudad y se fortalecen nuevamente las corrientes provenientes del sur-occidente y el occidente que influencian el occidente de la ciudad.
En general, el comportamiento regional de los vientos en Colombia corresponde a la influencia de los vientos alisios del noreste y el sureste que confluyen en la Zona de Convergencia Intertropical. Los vientos que se evidencian en los meses de Junio, Julio y Agosto corresponden a la influencia del movimiento de la Zona de Convergencia Intertropical (ZCIT) hacia el norte, cuya rama del Pacífico en ese momento del año se encuentra a una latitud entre 8 y 10° Norte. Alrededor de Septiembre el segmento comienza a moverse hacia el sur, por lo que a partir de este mes la influencia de los vientos alisios disminuye. (Póveda, Waylen, & Pulwarthy, 2005)
Por otro lado, los otros meses del año parecen tener una mayor influencia de factores locales. Por ejemplo, es posible ver que el comportamiento de la dirección del viento es muy similar
22
en toda la región oriental de la ciudad, donde se encuentran los cerros. Esto lleva a pensar que la topografía juega un papel sumamente importante en el comportamiento de los vientos en la ciudad. En cambio, el resto de la ciudad tiene una dinámica totalmente diferente que seguramente está asociada a otros factores que gobiernan el comportamiento del viento superficial como la rugosidad de la superficie y los diferentes gradientes térmicos en la superficie que se presentan a lo largo del año que no se discutirán en este trabajo
4.2. Análisis direccional de Velocidad del Viento y Material Particulado
Para realizar el análisis direccional de la concentración de material particulado, se dividió la ciudad en tres sectores: norte, centro y sur. Se analizaron cada una de las estaciones de cada sector por separado con el fin de identificar tendencias similares dentro de cada sector.
4.2.1.Sector Norte
Guaymaral: Al analizar las concentraciones de material particulado en la estación de Guaymaral es posible ver que en general esta disminuye de 41𝜇𝑔/𝑚3
a 37𝜇𝑔/𝑚3 cuando la velocidad aumenta de 0-0.5 a 2.5-3m/s, lo que muestra
que en esta estación la concentración de PM10 tiene un comportamiento casi independiente de la velocidad del viento. No obstante, los vientos que provienen del norte parecen tender a aumentar la concentración de PM10 en Guaymaral. A pesar de esto, los vientos provenientes del sureste, que son predominantes durante todo el año, ayudan a disminuir la concentración en 6𝜇𝑔/𝑚3 con el aumento de la velocidad. En este caso ocurre un balance entre el viento que trae material particulado desde el noroeste y el viento desde el sur-este que disminuye la concentración.
Suba: En la estación de Suba es posible ver que la concentración es relativamente independiente de la velocidad del viento en casi todas las direcciones. Esto es un indicativo de que la concentración observada en suba corresponde en realidad a la concentración de fondo, es decir que proviene de fuentes regionales y no locales. Adicionalmente, el único aporte claro de material particulado proviene de la dirección nor-oriental, que corresponde a la dirección promedio de dónde viene el viento en todos los meses menos Junio, Julio, Agosto y Septiembre. Esto se puede deber a aportes regionales.
Usaquén: En la estación de Usaquén es claro que no hay una tendencia de la concentración a cambiar con cambios en la velocidad, lo que también lleva a concluir que las concentraciones observadas en Usaquén provienen de fuentes regionales.
Las Ferias: En el caso de la estación Las Ferias se da un aumento de aproximadamente 12𝜇𝑔/𝑚3 entre velocidades cercanas a 0 y 4m/s. Este aumento se puede dar principalmente por los vientos que vienen del noreste con concentraciones de 60𝜇𝑔/𝑚3. No obstante se puede considerar las fuentes que generan las concentraciones observadas ente este lugar también son de origen regional.
23
4.2.2. Sector Occidental
Puente Aranda: El comportamiento de la estación de Puente Aranda es muy similar al comportamiento de Fontibón. Para todas las direcciones presentes se da una disminución en la concentración de material particulado cuando se da un aumento en la velocidad del viento (aproximadamente 15𝜇𝑔/𝑚3 por cada aumento de entre 4.5-5m/s). Adicionalmente, también es posible ver que para velocidades bajas (<0.5m/s) las concentraciones de material particulado se comportan de manera independiente en todas las direcciones. Esto lleva a pensar que el comportamiento que presenta la estación de Puente Aranda corresponde a la presencia de fuentes locales.
Kennedy: En la estación de Kennedy también se presenta una disminución en la concentración como función de la velocidad del viento en unos 12𝜇𝑔/𝑚3 para todas las direcciones. No obstante, cuando soplan los vientos que vienen del suroeste y el noreste, se presentan reducciones desde 90𝜇𝑔/𝑚3 a bajas velocidades hasta 64𝜇𝑔/𝑚3 cuando soplan vientos con velocidades entre 5y 5.5m/s. Al observar el comportamiento de los vientos en los diferentes meses del año, es posible ver que estos vientos que ayudan a diluir la concentración de PM10 se presentan en los meses Enero, Febrero, Marzo, Octubre, Noviembre y Diciembre. Por otro lado, los vientos que contribuyen en menor medida a la reducción en la concentración provienen del suroeste, que corresponde al comportamiento predominante de los vientos de Junio, Julio, Agosto y Septiembre.
Carvajal Sevillana: En la estación de Carvajal se presenta un comportamiento extraño que no coincide con el de las demás estaciones de la zona Occidental ya que se presenta un aumento en la concentración de PM10 con el aumento de velocidad.
4.2.3.Sector: Centro
Centro de Alto Rendimiento: En esta estación se ve una reducción no muy importante en la concentración de PM10 como función de la velocidad en todas las direcciones. Para bajas velocidades (<2m/s) parece no haber dependencia en la concentración de la velocidad del viento. Sin embargo, a partir de este punto los vientos del sector noroccidental presentan una reducción en la concentración desde 42𝜇𝑔/𝑚3 para velocidades menores a 0.5m/s hasta 30𝜇𝑔/𝑚3 para velocidades de 4.5m/s. Por otro lado los vientos de provenientes de la zona nororiental son los que contribuyen en menor medida a la reducción de las concentración ya que para velocidades mayores a 0.5m/s a portan concentraciones superiores a los 45𝜇𝑔/𝑚3. En este orden de ideas, es posible decir que los sectores más contaminados son el suroccidental y el noroccidental.
24
Tunal: Finalmente la estación de Tunal muestra un leve aumento de la concentración con la velocidad desde <0.5 donde la concentración es
57𝜇𝑔/𝑚3hasta 1.5 donde es igual a 60𝜇𝑔/𝑚3. Para vientos >2m/s se da una
disminución de 2𝜇𝑔/𝑚3. Este comportamiento se debe a que los vientos que soplan desde el sureste presentan un aumento en la concentración de PM10 desde
54𝜇𝑔/𝑚3para velocidades menores a 0.5m/s hasta 80𝜇𝑔/𝑚3 para velocidades
entre los 3-3.5m/s. Por otro lado, es posible ver una disminución importante en la concentración de PM10 en 10𝜇𝑔/𝑚3 cuando los vientos soplan desde el noroccidente, lo que lleva a pensar que este es el sector sucio para esta estación. Adicionalmente, por otro lado los vientos desde el suroeste contribuyen a diluir el contaminante. Es posible ver que esto concuerda con lo observado en los mapas realizados puesto que la dirección predominante en esta estación es desde el sur.
Finalmente es posible ver cómo en general se ve que el norte de la ciudad las concentraciones de material particulado se mantienen constantes como función la velocidad del viento, mostrando un régimen controlado por fuentes de PM10 regionales que aportan desde el norte. De igual forma también se evidenció que en general en el norte se observan concentraciones de PM10 más bajas en relación al resto de la ciudad (<40𝜇𝑔/𝑚3). Por otro lado, en la Zona occidental de la ciudad en la mayoría de las estaciones se presenta un decrecimiento de la concentración de PM10 como función del viento, esto ocurre debido a que las concentraciones observadas en esta zona son el producto de emisiones locales. Esto es de esperarse puesto que el sector industrial de la ciudad está ubicado en el occidente en cercanías a la estación de Puente Aranda. Por otro lado en la zona sur de ciudad las fuentes de PM10, como en el norte, parecen ser de origen regional y el componente direccional del viento parece ser fundamental para controlar las concentraciones que se observan en este lugar de la ciudad. Para las estaciones evaluadas en el centro y en el sur fue posible ver que existe sensibilidad de las concentraciones de PM10 a la velocidad del viento particularmente para los vientos que provienen del noroccidente y el sur occidente.
5. Conclusiones
Para concluir es posible decir que al comparar los mapas generados mediante la interpolación con las curvas de concentración vs. velocidad se pudo establecer el origen local de las emisiones en el Occidente de la ciudad y regional en las zonas norte y sur; al evaluar la sensibilidad de las concentraciones observadas al aumento en la velocidad del viento en diferentes direcciones. Adicionalmente, se pudo identificar el hecho de que los cambios en las concentraciones responden a cambios estacionales (mensuales) que se dan a lo largo del año en la velocidad y en la dirección del viento.
En este orden de ideas quedan varias preguntas por responder. En primer lugar, se debe verificar con observaciones si el comportamiento estacional de las concentraciones de material particulado en la ciudad corresponde al comportamiento que predicen los mapas de viento y las curvas de concentración vs velocidad que se generaron. Adicionalmente, se debería hacer un esfuerzo por capturar las variaciones temporales del viento en escalas menores que permitan realizar análisis diurnos de los comportamientos de las concentraciones de contaminantes en la ciudad.
Finalmente, también se deben emplear esfuerzos para generar campos de viento que representen mejor las variaciones temporales y espaciales del viento, ya que los campos de velocidad
25
generados en este trabajo representan sólo una de múltiples soluciones posibles. En la medida que se generen representaciones más realistas del viento se podrá tener una mejor calidad de información para alimentar los modelos de Calidad del Aire en Bogotá y para entender el comportamiento de los contaminantes en la ciudad.
Bibliografía
Esri. (9 de 12 de 2015). IDW(Spatial Analyst) Tool. Obtenido de ArcGIS Resource Center: http://help.arcgis.com/es/arcgisdesktop/10.0/help/index.html#//009z0000006m000000
Hartwig, D., Dumolard, P., & Dyras, I. (2007). Spatial Interpolation for Climate Data: The Use of GIS in Climatology and Meteorology. Londres: ISTE.
Husar, R. B., Schichtel, B. A., & Renard, W. P. (1998). Ozone as a Function of Local Wind Speed and Direction: Evidence of Local and Regional Transport. Washington.
Li, J., & Heap, A. D. (2014). Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling & Software, 173-189.
Luo, W., Taylor, M., & Parker, D. (2008). A comparison of spatial interpolation methods to estimate continous wind speed surfaces using irregularly distributed data from England and Wales. International Journal of Climatology, 947-959.
Póveda, G., Waylen, P. R., & Pulwarthy, R. S. (2005). Annual and inter-annual variability of the Present Climate in Northern South America and Southern Mesoamerica. ELSEVIER, 4-7.
Schichtel, B. A. (1999). Local and Regional Contributions of Fine Particulate Mass to Urban Areas in the Mid-Atlantic and Southwestern US. Washington.
Secretaría Distrital de Ambiente. (2013). Informe Anual de Calidad del Aire 2013. Bogotá. Secretaria Distrital de Ambiente. (2013). Informe Anual de Calidad del Aire 2014. Bogotá. Secretaría Distrital del Ambiente. (2014). Ficha Técnica de la RMCAB. Bogotá.
U.S Environmental Protection Agency. (15 de Diciembre de 2015). Technology Transfer Network Support Center for Regulatory Atmospheric Modeling. Obtenido de Meteorological Models:
http://www3.epa.gov/scram001/metmodel.htm
Wainwright, J., & Mulligan, M. (2004). Environmental Modelling: Finding Simplicity in Complexity. San Francisco: Wiley.
Webster, R., & Oliver, M. A. (2001). Geostatistics for Environmental Scientists. John Wiley & Sons. Whiteman, D. C. (2000). Mountain Meteorology: Fundamentals and Applications.
Y.H., C., Scrimshaw, M., & R.H.C., E. J. (1998). Geostatistical analysis of sampling uncertainty at the Tollesbury Managed Retreat site in Blackwater Estuary, Essex, UK: Kriging and cokriging approach to minimise sampling density. Science of The Total Environment.
