Modelamiento Calidad de Aire Ecuador PDF
Modelamiento Calidad de Aire Ecuador PDF
Modelamiento Calidad de Aire Ecuador PDF
de Cuenca-Ecuador
Modeling air quality in the city of Cuenca-Ecuador
Resumen– El monitoreo de la calidad de aire en la ciu- sults with high resolution in both: local and global areas.
dad de Cuenca detectó problemas de contaminación, In addition, the lack of information regarding emissions
iniciándose así un trabajo más profundo sobre la disper- of pollutants to feed the model and continuous monito-
sión y transporte de los contaminantes descubiertos. ring devices was evident.
Se trabajó con los modelos de dispersión DISPER5.2
y WRF/Chem, analizándose la calidad de modelación, Key words– Air Quality, DISER5.2, WRF/CHEM, ArcGIS.
grado de aproximación y limitantes. El Sistema de In-
formación Geográfico ArcGIS permitió visualizar los
mapas generados en los modelos. DISPER5.2 presentó
1. INTRODUCCIÓN
una modelación de baja calidad debido a una limitada
resolución en la simulación. La modelación es puntual, En la actualidad, el estudio de los procesos que
no hay relación entre todos los datos de entrada. WRF/ sufren los contaminantes emitidos a la atmósfera
Chem estableció una relación entre los datos geográfi- se basa en el uso de modelos numéricos que si-
cos y meteorológicos de la zona de estudio con la quími- mulan los procesos físicos y químicos de dichos
ca de los contaminantes, reportando resultados con una
alta resolución, tanto en áreas locales como globales.
contaminantes. Estos modelos son ampliamente
Además, se evidenció la falta de información referente utilizados por los organismos encargados de con-
a emisiones de contaminantes para la alimentación del trolar la contaminación del aire, para identificar
modelo y de equipos de monitoreo continuo. las contribuciones de origen y ayudar en el diseño
Palabras clave– Calidad del aire, DISER5.2, WRF/ de estrategias efectivas de control de la contami-
CHEM, ArcGIS. nación. La United States Environmental Protection
Agency (USEPA) [1] manifiesta que los modelos
Abstract– The air quality monitoring performed in the
city of Cuenca, pollution problems became evident, the-
pueden ser utilizados para predecir las concentra-
refore a more detailed study related to the dispersion ciones futuras de contaminantes provenientes de
and transport of contaminants was conducted. In this múltiples fuentes después de la implementación
context two dispersion models such as: DISPER5.2 de programas de regulación, con el fin de evaluar
and WRF/Chem, were applied to analyze the quality
la efectividad de dichos programas.
of modeling, degree of approximation and limitations.
The Geographic Information System ArcGIS allowed vi- Dentro de los modelos de dispersión existe
sualization the maps generated from the models. The normalmente un módulo químico que representa
DISPER5.2 model showed a low quality modeling, due los procesos de transformación química y de fase,
to limited resolution simulation, modeling is punctual
and no relationship between all input data. The second un módulo meteorológico que entrega los campos
model (WRF/Chem), established a relationship between de vientos, temperatura, humedad, etc., que son
geographic and meteorological data of the study area necesarios para la resolución de la ecuación de
with chemistry and pollutant dispersion, reporting re-
Recibido: 23/04/2015 Aceptado: 19/05/2015 ITECKNE Vol. 12 Número 2 • ISSN 1692 - 1798 • ISSN Digital 2339-3483 • Diciembre 2015 • 188 - 197
Modelamiento de la calidad del aire en la ciudad de Cuenca-Ecuador – Moscoso, Vázquez, Astudillo 189
continuidad de cada contaminante y un módulo terpolación espacial, que son de utilidad para
que resuelve los procesos de transporte como la diversos casos de estudio como por ejemplo el
advección, convección, turbulencia, entre otros; análisis de contaminación acústica [9], contami-
todos estos módulos están conectados con ba- nación atmosférica, entre otros. Un software de
ses de datos como son los inventarios de emi- gran utilidad para desarrollar esta actividad es
siones, datos de topografía y usos de suelos de el Sistema de Información Geográfico ArcGIS que
la zona [2]. emplea el método de ponderación de distancias
Existen varios tipos de modelos matemáticos inversas (IDW, Inverse Distance Weighting [10],
para estudiar la dispersión de los contaminantes [11], que utiliza combinaciones lineales de los
atmosféricos. Los modelos gaussianos son de datos de los puntos conocidos para estimar los
uso común para el estudio de fuentes puntuales valores de locaciones desconocidas [12].
como las chimeneas industriales, mientras que La correcta implementación de estos mode-
los de escala local y regional son herramientas los permite identificar la contribución de cada
de gestión de calidad del aire ya que consideran una de las fuentes, así como evaluar el impacto
los efectos de múltiples fuentes, contaminantes que posee cada uno de los contaminantes sobre
primarios y secundarios, procesos de deposición la calidad de aire en la región estudiada [13].
y meteorología local y regional. Los modelos glo- En este trabajo, se reporta un estudio preli-
bales al igual que los locales y regionales abarcan minar de la aplicación de dos modelos de dis-
múltiples variables y, además, resuelven las ecua- persión de los contaminantes atmosféricos. En
ciones de continuidad para toda la atmósfera [3]. primera instancia se describe la configuración de
Entre los modelos gaussianos se tiene el soft- los modelos; luego se detalla la modelación y fi-
ware DISPER5.2, que permite evaluar de una ma- nalmente se comparan los resultados obtenidos
nera rápida y sencilla la dispersión de una gran entre los modelos con la finalidad de establecer
cantidad de contaminantes atmosféricos en el el más adecuado para zonas topográficamente
aire como monóxido de carbono (CO), monóxido complejas como la ciudad de Cuenca.
de nitrógeno (NO), hidrocarburos, cloro, plomo,
partículas en suspensión, entre otros [4]. 2. MATERIALES Y MÉTODOS
Los modelos eulerianos son aplicables a esca-
las global, mesoescalar, regional o local. Permi- 2. 1 Sitio de estudio
ten el procesamiento numérico en paralelo con
gran eficiencia y generan información meteoroló- Para la zona de estudio se consideró la ciudad
gica en lugares exentos de monitoreo directo [5]. de Cuenca ubicada en un valle interandino de la
Uno de los modelos eulerianos de última gene- sierra sur ecuatoriana, a una altitud promedio de
ración es el modelo Weather Research and Fore- 2550 metros sobre el nivel del mar. Las coorde-
casting (WRF) de código libre, que se utiliza para nadas geográficas centrales de la ciudad son 2º
pronóstico e investigación meteorológica. Es un 53’50.79”S y 79º 0’15.82”W. La superficie del
modelo numérico de mesoescala no hidrostáti- área urbana de la ciudad es de aproximadamen-
co de previsión del tiempo y de contaminantes te 72km2.Topográficamente se pueden distinguir
atmosféricos, creado como un sistema opera- tres terrazas, la primera con alturas que van des-
cional flexible y eficiente computacionalmente y de los 2560 hasta los 2620msnm, llamada Loma
ofrece una avanzada descripción física, química del Cullca; la terraza central donde se emplaza el
y numérica de la atmósfera [6], [7]. Incluye va- centro histórico de la ciudad con curvas de nivel
rios núcleos dinámicos para la resolución de las entre 2560 y 2520msnm y la tercera terraza con-
ecuaciones empleadas en la simulación, paque- siderada la parte baja, es una planicie que se ele-
tes de física, programas de inicialización como el va unos pocos metros sobre los cauces de los ríos
WRF-Var para la asimilación de datos y el WRF/ y está rodeada por un cordón de colinas bajas y
Chem para la simulación de la química de los quebradas, las curvas de nivel están por el orden
contaminantes [8]. de los 2520 y 2500msnm.
Para visualizar la información generada por La Fig. 1 muestra de manera detallada la topo-
los modelos se emplean herramientas de in- grafía del sitio de estudio.
190 ITECKNE Vol. 12 Número 2 • ISSN 1692 - 1798 • ISSN Digital 2339 - 3483 • Diciembre 2015 • 188 - 197
Fig. 1. TOPOGRAFÍA DE LA CIUDAD DE CUENCA software ArcGIS 9.3. A continuación fue necesario
ingresar para cada punto el número de vehículos
por hora que circularon durante la jornada de me-
dición, así como las condiciones meteorológicas
como temperatura, velocidad y dirección del vien-
to. Otra variable importante para la modelación
fue el parámetro de estabilidad atmosférica de
Pasquill (K), que se calculó por medio del ángulo
de insolación para cada punto y hora de monito-
reo. Para esto se empleó el software on-line Sun
EarthTools [15]. Finalmente, con todos los datos
de entrada requeridos se calculó la dispersión de
los contaminantes [4]. En la Fig. 2 se muestra el
diagrama de flujo del modelo DISPER 5.2.
Fig. 2. DIAGRAMA DE FLUJO DEL PROGRAMA DISPER 5.2
Fuente: autores.
2. 2 Modelos
En la tabla II se muestran las emisiones esti- modelo WRF/Chem, para ello se empleó un soft-
madas en mol/km2.h para los contaminantes CO, ware para modelación fotoquímica en el cual se
NO y NO2, en las diferentes estaciones de moni- ingresaron las variables requeridas por el modelo.
toreo para la fecha y hora en la que se realizó el Una vez generado el archivo de emisiones, se in-
estudio. gresó en el modelo WRF/Chem para su ejecución.
Con los datos de emisiones listos, se proce- El diagrama de flujo para la ejecución del modelo
dió a generar el archivo netCDF necesario para el WRF/Chem se muestra en la Fig. 4.
TABLA I
FACTORES DE EMISIÓN PARA LOS CONTAMINANTES CO Y NOx
VEG 364 53 30 60 2 15 19
TABLA II
EMISIONES ESTIMADAS DE CO, NO Y NO2 PARA EL 11 DE JUNIO DEL 2012
Estación Hora (hh:mm) Emisiones CO (mol/km2h) Emisiones NO (mol/km2h) Emisiones NO2 (mol/km2h)
2.2.3 Sistema de Información Geográfica ArcGIS de carbono para el día 11 de junio del 2012. Al
9.3 realizar la modelación del contaminante CO en
los diferentes puntos de monitoreo, se presentó
Para el posprocesamiento de los resultados una mayor concentración en el centro de la ciu-
de la simulación, tanto de la parte meteorológica dad, proveniente del punto ubicado en la Estación
como química, se empleó el Sistema de Informa- de Servicio de la Av. Solano con una dirección del
ción Geográfico ArcGIS 9.3 para la visualización viento hacia el Nornordeste.
de los mapas meteorológicos y de dispersión de
Fig. 5. MODELACIÓN CON EL MODELO DISPER 5.2 PARA EL MONÓXIDO
los contaminantes atmosféricos estudiados, em- DE CARBONO (CO)
pleando para ello la herramienta de análisis espa-
cial IDW que resuelve la siguiente ecuación [21],
[22]:
n
( ) ( )
Ẑ S0 = R mi Z Si i = 1,…,n (4)
i=1
Fig. 8. DISPERSIÓN DEL CO EN ΜG/M3, OBTENIDOS CON EL WRF/CHEM; dos en este estudio, se encontraron algunas limi-
A) 09:00 - 10:00; B) 12:00 - 13:00
taciones que se detallan a continuación:
La dispersión obtenida con el modelo DIS-
PER5.2 no permite visualizar correctamente la
escala de colores, así como los valores de con-
centración representados en la parte inferior iz-
quierda del mapa. La ventana de trabajo del mo-
delo no permite emplear mapas de gran escala,
ya que no existe la opción de desplazarse a través
de toda la imagen, por lo que el área de estudio
es incompleta y no se obtiene una buena resolu-
ción. El modelo DISPER5.2 realiza la modelación
de manera puntual, es decir, que al ingresar los
datos de entrada no los relaciona para generar la
dispersión del contaminante.
Para este estudio en particular se presentó una
limitante en el modelo WRF/Chem al no disponer
de suficiente información para alimentar al mismo,
por lo que no se obtuvieron los resultados espera-
dos de pronóstico para la contaminación atmosfé-
rica. Sin embargo, se escogió este modelo por ser
el que menos limitaciones presenta y es uno de
los más recientes modelos numéricos que simu-
lan al mismo tiempo la meteorología y los procesos
Fuente: autores. de transporte químico de los contaminantes en la
Fig. 9. DISPERSIÓN DEL NO2 EN ΜG/M3, OBTENIDOS CON EL WRF/CHEM; atmósfera; lo que le proporciona una ventaja con-
A) 09:00 – 10:00; B) 14:00 – 15:00 ceptual y pragmática con relación a otros enfoques
que tratan con modelos separados tanto para la
meteorología como el transporte químico.
Validación del Modelo WRF/CHEM
Fig. 10. DISPERSIÓN DE O3 EN ΜG/M3, OBTENIDOS CON EL WRF/CHEM; to del monitoreo, mientras que, para la simulación
A) 09:00 - 10:00; B) 12:00 - 13:00
con el WRF/Chem se integran todos estos aspec-
tos junto con las condiciones de meteorología
para el respectivo pronóstico.
4. CONCLUSIONES
El software Canarina tiene una serie de limi-
tantes por lo cual no pudo ser utilizado para esta
investigación, es como un software didáctico que
no tiene mucha aplicación en esta.
Se ha seleccionado el modelo WRF/Chem para
realizar la modelación de los contaminantes at-
mosféricos de la ciudad de Cuenca debido a que
presenta la ventaja de integrar la meteorología y
los procesos de transporte químico de los conta-
minantes en la atmósfera; y como un instrumento
para generar y visualizar los mapas resultantes
de la modelación se empleó el Sistema de Infor-
mación Geográfico ArcGIS, ya que es un programa
muy útil para estudios geoestadísticos por la di-
versidad de herramientas del que dispone.
Se debe evaluar con mayor integralidad el
desempeño del modelo WRF/Chemy para afinar
Fuente:autores. aquellos elementos que pueden estar contribu-
yendo con las mayores incertidumbres en los re-
sultados del modelo.
Fig. 11. VALIDACIÓN DEL MODELO WRF/CHEM; A) MONÓXIDO
DE CARBONO; B) DIÓXIDO DE NITRÓGENO Para el pronóstico de la parte química se ne-
cesita de mayor información de la contaminación
de la ciudad de Cuenca, la cual permita generar
un historial de emisiones, con datos, horarios de
los diferentes contaminantes para alimentarlos al
modelo WRF/Chem.
Se debe estudiar más a profundidad las he-
rramientas disponibles en el modelo para la par-
te meteorológica y así poder emplear como datos
de entrada las condiciones meteorológicas locales
y conocer el grado de aproximación con los datos
satelitales que se utilizaron en el presente estudio.
REFERENCIAS
[1] USEPA, “Technology transfer network. Support center
for regulatory atmospheric modeling. Air quality mo-
dels”, United States Environmental Protection Agency,
12, Dic., 2011. [Online]. Disponible: http://www.epa.
gov/ttn/scram/aqmindex.htm.
[3] A. Misra, M. Roorda, H. Maclean, “An integrated mo- [14] [14] L. Gallardo, “Modelos de dispersión de contami-
delling approach to estimate urban traffic emissions”, nantes atmosféricos”, CONAMA, Santiago de Chile,
Atmos. Environ., vol. 73, pp. 81-91, Jul. 2013. Chile, 1997.
[4] Canarina Algoritmos Numéricos, “Aplicación informáti- [15] SunEarthTools.com, “Outilspour les consommateurs
ca para la simulación por ordenador de la contamina- et les concepteurs de l’énergiesolaire”, 23-Jul-2012.
ción atmosférica”, España, 2001, pp. 26-27. [Online]. Disponible: http://www.sunearthtools.com.
[5] R. Parra, “Evaluación preliminar de la temperatura [16] NCAR Earth System Laboratory (NESL), Mesoscale &
media en superficie del Ecuador para el año 2010, Microscale Meteorology Division, “Base de datos geo-
obtenida mediante el modelo Weather Research Fo- gráficos para modelación”, National Center for Atmos-
recasting (WRF)”, Avances, vol. 4, no 2, pp. C27-C35, pheric Research, 15 Jun. 2011. [Online]. Disponible:
Dic. 2012. http://www.mmm.ucar.edu/.
[6] M. Ritter, M. Müller, T. Ming-Yi, E. Parlow, “Air pollution [17] NCDC, NOAA, “Base de datos meteorológicos de
modeling over very complex terrain: An evaluation of pronóstico”, National Climatic Data Center, National
WRF-Chem over Switzerland for two 1-year periods”, Oceanic and Atmospheric Administration, 11 Ene.
Atmos. Res., pp. 132-133, 209–222, Oct.-Nov. 2013. 2012. [Online]. Disponible: http://www.ncdc.noaa.
gov/oa/ncdc.html.
[7] J. Rivera, O. Sánchez, E. Concepción, “Metodología
para el diseño de una red de monitoreo para la calidad [18] R. García, “Evaluación de escenarios utilizando el Mo-
del aire. Aplicación para la ciudad de Piura”, RPGA, delo Regional de Calidad del Aire Multiscale Climate
vol. 3, pp. 95-103, 2011. Chemistry Model”, (Tesis de Doctorado), Centro de
Ciencias de la Atmósfera, UNAM, México, 2002.
[8] W. Wang, C. Bruyère, M. Duda, J. Dudhia, D. Gill, H-C.
Lin, J. Michalakes, S. Rizvi, X. Zhang, “Advanced Re- [19] Radian International, “Manuales del Programa de In-
search WRF (ARW)” Version 3 Modeling User´s, Guide, ventarios de Emisiones de México”, Sacramento, CA,
Mesoscale & Microscale, Meteorology Division, Natio- 2000.
nal Center for Atmospheric Research (NCAR)”, USA,
2011, pp. 8-1, 8-4. [20] S. Peckham, G. Grell, S. McKeen, J. Fast, W. Gustafson,
S. Ghan, R. Zaveri, R. Easter, J. Barnard, E. Chapman, C.
[9] V. Vázquez, A. Astudillo, C. Espinoza, “Elaboración de Wiedinmyer, R. Schmitz, M. Salzmann, S. Freitas, WRF/
un mapa acústico empleando un Sistema de Informa- Chem Version 3.3 User’s Guide, USA, 2011, pp. 6.
ción Geográfica para la zona urbana de Cuenca”, CI-
YTA, vol. 1, pp. 1-9, Ene. 2011. [21] C. Gotway, R. Ferguson, G. Hergert, T. Peterson, “Com-
parison of kriging and inverse distance methods for
[10] K. Johnston, J. VerHoef, K. Krivoruchko, N. Lucas, mapping soil parameters”. SOIL SCI SOC AM J, vol. 60,
Using ArcGis Geostatistical Analyst.ESRI, USA, 2001. pp. 1237-1247, Jul. 1996.
[11] M. Villatoro, C. Henríquez, F. Sancho, “Comparación de [22] C. Schloeder, N. Zimmerman, M. Jacobs, “Comparison
los interpoladores IDW y Kriging en la variación espa- of methods for interpolating soil properties using lim-
cial de PH, CA, CICE y P del Suelo”, Agronomía Costa- ited data”, SOIL SCI SOC AM J, vol. 65, pp. 470-479,
rricense, vol. 32, no 1, pp. 95-105, Mar. 2008. Mar. 2001.
[12] E. Roberts, R. Sheley, R. Lawrence, “Using sampling [23] Z. Lozano, C. Bravo, F. Ovalles, R. Hernández, B. Mo-
and Inverse Distance Weighted Modeling for mapping reno, L. Piñango, J. Villanueva, “Selección de un dise-
invasive plants”, West N Am Naturalist, vol. 64, no 3, ño de muestreo en parcelas experimentales a partir
pp. 312-323, Ago. 2004. del estudio de la variabilidad espacial de los suelos”,
BIOAGRO, vol. 16, no 1, pp. 1-17, Ene. 2004.
[13] R. Fernández, D. Allende, F. Castro, P. Cremades, E.
Puliafito, “Modelado regional de la calidad de aire
utilizando el Modelo WRF/Chem: Implementación de
datos globales y locales para Mendoza”. AVERMA, vol.
14, pp. 01.43-01.50, 2010.