METODOLOGÍA PARA EL ANÁLISIS DE LA INFORMACIÓN

METEOROLÓGICA REQUERIDA PARA LA APLICACIÓN DEL MODELO

AERMOD EN EL DOMINIO DE SANTIAGO DE CALI

EDWARD ANDRES CASTAÑO CORREA

2126120

UNIVERSIDAD AUTÓNOMA DE OCCIDENTE

FACULTAD DE INGENIERÍA
DEPARTAMENTO DE ENERGÉTICA Y MECÁNICA
PROGRAMA INGENIERÍA AMBIENTAL
SANTIAGO DE CALI
2019
 METODOLOGÍA PARA EL ANÁLISIS DE LA INFORMACIÓN
METEOROLÓGICA REQUERIDA PARA LA APLICACIÓN DEL MODELO
AERMOD EN EL DOMINIO DE SANTIAGO DE CALI.

EDWARD ANDRES CASTAÑO CORREA

2126120

Proyecto de grado para optar al título de

Ingeniero Ambiental.

Director
ANA PAOLA LASSO PALACIOS
Ingeniera Sanitaria, M.Sc.

UNIVERSIDAD AUTÓNOMA DE OCCIDENTE

FACULTAD DE INGENIERÍA
DEPARTAMENTO DE ENERGÉTICA Y MECÁNICA
PROGRAMA INGENIERÍA AMBIENTAL
SANTIAGO DE CALI
2019
 Nota de aceptación:

Aprobado por el Comité de Grado en

cumplimiento de los requisitos exigidos
por la Universidad Autónoma de
Occidente para optar al título de
Ingeniero Ambiental.

Mario Andrés Gandini Ayerbe

Jurado

Rosa María Gómez

Jurado

Santiago de Cali, 28 de octubre de 2019

3
Dedico este trabajo a mi madre por su apoyo incondicional.

4
 Agradezco a Paula Correa y Gabriela Cadavid que fueron un motor importante
para la elaboración de este proyecto.

A mis abuelos, tíos y demás familiares por siempre apoyarme.

A Ana María Panesso por su amor y apoyo y su familia por ser una gran compañía
en todo este proceso.

A la profesora Ana Lasso por su ayuda en elaboración de este proyecto.

A la señora Eliana Castro por su ayuda en la recolección de información.

5
 CONTENIDO

pág.

RESUMEN 12

INTRODUCCIÓN 13

1. PLANTEAMIENTO DEL PROBLEMA. 14

2. ANTECEDENTES Y JUSTIFICACIÓN. 15

3. OBJETIVOS 17

3.1 OBJETIVO GENERAL 17

3.2 OBJETIVOS ESPECÍFICOS 17

4. MARCO TEÓRICO 18

4.1 MODELOS DE DISPERSIÓN. 18

4.2 DATOS METEOROLÓGICOS. 18

4.3 MODELOS DE PREDICCIÓN DE DATOS METEOROLÓGICOS. 19

5. METODOLOGÍA 21

5.1 ESTIMACIÓN DE LAS VARIABLES METEOROLÓGICAS A

PARTIR DE DATOS OBTENIDOS EN ESTACIONES
METEOROLÓGICAS. 21

5.2 OBTENCIÓN DE DATOS DEL MODELO WRF 21

5.3 COMPARACIÓN DE INFORMACIÓN OBTENIDA DEL MODELO

WRF E INFORMACIÓN REAL TOMADAS DE LAS ESTACIONES DE
MONITOREO METEOROLÓGICO. 22

5.4 OBTENCIÓN DE DATOS PARA LA EJECUCIÓN DE LOS

MODELOS AERMET Y AERMOD. 22

6. RESULTADOS Y DISCUSIÓN. 26

6.1 ANÁLISIS DE DATOS METEOROLÓGICOS. 26

6
6.2 COMPARACIÓN DE DATOS METEOROLÓGICOS. 28

6.3 EJECUCIÓN DEL MODELO AERMOD Y COMPARACIÓN DE

RESULTADOS. 30

6.4 METODOLOGÍA PARA EL ANÁLISIS DE INFORMACIÓN

METEREOLÓGICA PARA EL USO DEL MODELO AERMOD 34

7. CONCLUSIONES Y RECOMENDACIONES 36

REFERENCIAS 37

ANEXOS 41

7
 LISTA DE TABLAS

pág.

Tabla 1 Condiciones para el uso del modelo AERMOD. 25

Tabla 2 Comparación de datos de precipitación para la estación

meteorológica en B.A.M.F.S. y los datos de W.R.F. 29

Tabla 3Comparación de datos de temperatura para la estación

meteorológica en B.A.M.F.S. y los datos de W.R.F. 30

Tabla 4 Tabla para elección de estabilidad con la metodología de

Pasquill – Gifford. 41

Tabla 5 Comparación de datos de precipitación para la estación

meteorológica en B.A.M.F.S. y los datos de W.R.F. 47

8
 LISTA DE FIGURAS

pág.

Figura 1 Mapa para identificación del área de dispersión y la fuente

de emisión. 23

Figura 2 Etapas del proceso para el uso del modelo AERMOD. 24

Figura 3 Precipitación acumulada mensual para el año 2017 26

Figura 4 Velocidad promedio mensual en el año 2017. 27

Figura 5 Temperatura promedio mensual, temperatura más baja y

más alta registrada en cada mes para el año 2017. 28

Figura 6 Dispersión de 8 horas de CO con los datos del modelo

WRF. 31

Figura 7 Dispersión de 8 horas de CO con los datos obtenidos por el

método racional. 32

Figura 8 Dispersión de 1 horas de CO con los datos del modelo

WRF. 33

Figura 9 Dispersión de 1 horas de CO con los datos obtenidos por el

método racional. 33

Figura 10 Diagrama de flujo referente a la metodología. 35

Figura 11 Datos de precipitación acumulada mensual en la estación

climática ordinaria La Cumbre desde 1975 a 2007. 43

Figura 12 Tabla con datos de precipitación acumulada mensual en

la estación La Cumbre para los años de 1981-1989, 1991-1996, 1998-
2000, 2003 y 2005. 44

Figura 13 Porcentaje mensual de precipitación según el promedio de

precipitación mensual, con los datos de la Figura 10. 45

Figura 14 Ejecutable 1 del modelo AERMET. 49

Figura 15 Ejecutable 2 del modelo AERMET. 50

Figura 16 Ejecutable 3 del modelo AERMET. 50

9
Figura 17 Ejecutable del modelo AERMOD. 51

10
 LISTA DE ANEXOS
pág.

ANEXO A Establecer la estabilidad mediante el método de Pasquill -

Gifford. 41

ANEXO B Utilización del método racional para complemento de

datos faltantes provenientes de las estaciones meteorológicas. 42

ANEXO C Análisis de capacidad de predicción de datos atípicos. 47

ANEXO D Generación de paquetes de datos para el uso del modelo

AERMOD. 49

11
 RESUMEN

La contaminación atmosférica es un problema global, que va ligado al desarrollo

económico. Este tipo de contaminación se debe a las emisiones que son generadas
por industrias, el transporte o las actividades cotidianas de los humanos. Para la
evaluación de la contaminación atmosférica se tienen herramientas como el
monitoreo o la simulación de contaminantes atmosféricos. En Colombia se cuenta
con redes de monitoreo en las principales ciudades del país, esta medición es
efectiva pero costosa. Por otra parte, se han realizado simulaciones de la calidad
del aire sin embargo es necesario verificar la calidad de los datos climatológicos
para asegurar la confiabilidad de la información generada.

Uno de los mayores problemas que presenta la información meteorológica es la falta

de datos que son necesarios para la ejecución de modelos de dispersión en el
contexto local. Por esto en este proyecto se planteó una evaluación de los datos
meteorológicos recopilados en la zona de estudio para su uso en el modelo
AERMOD. Estos datos corresponden a datos del IDEAM para la ciudad de Cali.

En la evaluación se encontró que, aunque la estación del IDEAM reporta datos

anuales, estos no están completo. Dado que se requieren datos hora a hora en el
modelo, se propuso una herramienta para completar los datos faltantes y una
metodología de comparación entre datos reales y datos agregados, con el fin de
evaluar la viabilidad estadística de la propuesta. Con esto se logró determinar que
la herramienta de sustituir los datos faltantes por datos del modelo WRF es válida
estadísticamente y podría tener mayor aplicación en el futuro.

Al ejecutar el modelo AERMOD con cada uno de los paquetes de datos se encontró
que estadísticamente estos valores no tenían diferencias significativas y podían ser
usadas cualquiera de los 2 paquetes de datos. Finalmente, con todo el proceso
realizado durante el trabajo, se planteó una metodología para la revisión de datos
meteorológicos y la ejecución del modelo AERMOD que permita futuras
aplicaciones para la obtención de calidad del aire.

Palabras clave: simulación de la calidad del aire, AERMOD, datos

meteorológicos.

12
 INTRODUCCIÓN

La contaminación atmosférica es un problema global ligado al desarrollo económico.

Esta contaminación proviene de emisiones naturales o antropogénicas. Según la
Resolución 610 de 2010, emisión atmosférica es “La descarga de una sustancia o
elementos al aire, en estado sólido, líquido o gaseoso, o en alguna combinación de
éstos, proveniente de una fuente fija o móvil” (Resolución 0610, 2010). Estas
fuentes están asociadas a todas las actividades humanas, desde la producción de
materias primas como los cultivos, los procesos productivos como plantas de
procesamiento o actividades diarias como el transporte.

Las emisiones atmosféricas están compuestas principalmente por material

particulado, óxidos de nitrógeno, óxidos de azufre, metales y monóxido de carbono,
ozono (Xu, 2016). Estos compuestos son perjudiciales para el medio ambiente y la
salud humana. Dados los efectos nocivos que estos compuestos presentan, la
concentración máxima a la que los humanos pueden ser expuestos es controlada
por la normatividad que varían de acuerdo a cada país. Sin embargo, la
Organización Mundial de la Salud (WHO por sus siglas en inglés) recomienda unos
valores límite que aplican en cualquier contexto. Según la WHO, en zonas urbanas
y rurales la contaminación del aire ocasionó la muerte prematura de 4,2 millones de
personas en el año 2016, de las cuales el 91% se concentró en países de bajos y
medianos ingresos y el 24% fueron por complicaciones con el sistema respiratorio
(Organizacion Mundial de la Salud, 2018).

En la evaluación de los niveles de contaminación atmosférica, la determinación de

las concentraciones de los contaminantes se puede hacer mediante redes de
monitoreo de la calidad de aire. No obstante, los costos del monitoreo pueden limitar
el establecimiento de las estaciones. Por eso es necesario el uso de otra
herramienta de la gestión de la calidad del aire, como los modelos de dispersión de
contaminantes atmosféricos. Estos datos permiten explorar las condiciones de un
área con la finalidad de determinar los responsables de las emisiones y tomar
decisiones para el control. Este tipo de aplicaciones requiere de datos de calidad
que en ocasiones no se encuentran disponibles.

En este sentido, este proyecto busca proponer una metodología para la estimación
de datos meteorológicos con el fin de complementar los datos disponibles para la
aplicación de los modelos de calidad del aire. Se espera que con este tipo de
información se mejoren las aproximaciones en la estimación de las concentraciones
de contaminantes que pueden afectar la salud de la población.

13
 1. PLANTEAMIENTO DEL PROBLEMA.

La modelación de la contaminación atmosférica es una herramienta útil para la

determinación de la afectación de la calidad del aire cuando no se cuenta con
información de monitoreo atmosférico. Sin embargo, esta modelación supone el
desarrollo de unas condiciones básicas para la información de entrada que deberían
garantizarse para que los resultados obtenidos sean lo más aproximados a la
realidad como permitan los cálculos computacionales. Dentro de estas condiciones
está la confiabilidad de los datos de emisión, el reconocimiento de los receptores
sensibles, la topografía y su influencia sobre las condiciones locales y la veracidad
de la información meteorológica.

Este último insumo resulta de gran complejidad para el desarrollo de modelos de

calidad del Aire en Colombia. Aunque en el país se encuentran redes
meteorológicas, los datos no siempre resultan asequibles, además de las
dificultades en cuanto a la resolución temporal y espacial en todo el territorio
colombiano. Sumado a esto en Colombia no se cuenta con un protocolo de uso o
procesamiento de dicha información, generando complicaciones en los resultados
que se traducen en la confiabilidad de la información obtenida.

Atendiendo la ausencia de información en el territorio colombiano, se recurre al uso

de modelos de pronóstico meteorológico, de acuerdo a lo mencionado por la
Agencia de Protección Ambiental de los Estados Unidos (EPA por sus siglas en
inglés) (CIEMAT, 2018) para modelación de contaminantes. Sin embargo esta
información conlleva un grado alto de incertidumbre debido a la enorme aleatoriedad
del clima (dirección y velocidad de los vientos, Humedad, radiación, nubosidad,
precipitación, etc.) (Malakan, 2018); dichas imprecisiones pueden ajustarse con
información meteorológica real, pero no se cuenta con dicha información.

Por esta razón se requiere definir como aproximar la información disponible y

determinar su aplicabilidad y calidad a través de una comparación de información
obtenida de modelos de pronóstico meteorológico. También es importante plantear
una metodología que permita en el contexto colombiano realizar estos cálculos y
obtener datos confiables para el desarrollo de modelos de dispersión.

14
 2. ANTECEDENTES Y JUSTIFICACIÓN.

La atmósfera es la capa gaseosa que rodea la Tierra y brinda las condiciones

óptimas para el desarrollo de los procesos biológicos y geológicos. Esta junto a las
demás matrices del medio ambiente, cuentan con una capacidad de carga la cual
viene siendo sobrepasada debido a las actividades humanas, que de una u otra
manera afectan esta y contribuye a la contaminación atmosférica.

Debido a que se sobrepasa la capacidad de carga de la atmosfera, es necesario la

implementación de herramientas que nos ayuden a realizar una debida gestión de
la calidad del aire, como los modelos de dispersión de contaminantes atmosféricos
que son una alternativa económica y viable en cualquier condición si se tienen los
datos necesarios. Estas herramientas son necesarias debido a los altos niveles de
contaminación que pueden llegar a experimentar algunas ciudades, como es el caso
de Beijing donde el gobierno informa a la gente en tiempo real como se encuentra
la calidad del aire para ver si es pertinente tomar medidas de protección para salir
a las calles (AQICN, 2018).

Para su ejecución los modelos de dispersión de contaminantes usan datos

meteorológicos, esta información puede provenir de varias fuentes como lo son:
estaciones climatologías locales, regionales o satelitales o modelos estadísticos.
Como es el caso de un estudio en Cuba, donde se utilizó el modelo meteorológico
WRF con el fin de pronosticar la precipitación en el periodo de mayor precipitación
del año (Moya Alvarez, 2015). En este caso se utilizaron 2 mallas, una externa de
24x24 Km y una interna de 8x8 Km de resolución. Los datos obtenidos por el modelo
se compararon con los datos de la Red de Estaciones Meteorológicas de Cuba,
obteniendo una desviación estándar de 5 mm para la predicción de cantidad de
lluvia, aciertos del 81% para la estimación de periodos de lluvia de 6 a 12 horas y
73% para periodos de 30 a 36 horas. Aunque el modelo fue oportuno para
determinar los periodos de lluvia, en este no fue acertado para la cantidad de lluvia
esperada.

Igualmente en Colombia, el IDEAM realizó la implementación del modelo

meteorológico WRF para la Sabana de Bogotá en el año 2012 (Arango, 2012). Para
este caso se utilizaron 3 mallas anidadas de 15x15 Km en los cuales se tenía en
cuanta el flujo del pacifico y las 3 cordilleras, 5x5 Km en el cual abarcaba la cordillera
central, oriental y el valle formado por estas y finalmente una malla de 1,67x1,67
Km en la cual solo se tenía en cuenta la sabana de Bogotá. Para este estudio se
hicieron ajustes de topografía y se utilizaron datos de 3 estaciones de la red de
estaciones automáticas del IDEAM para la ciudad de Bogotá. Como resultado se
obtuvo que es necesario realizar ajustes de topografía ya que estos pueden afectar
de manera significativa los resultados del modelo. En cuanto a la temperatura, se

15
obtuvo que en una de las 3 estaciones este parámetro era mayor que la registrada,
igualmente ocurría para la precipitación, pero en este caso eran estaciones
diferentes y no había mayor diferencia estadística en la toma de datos de 3 a 5 días.

Es igual para el caso de estudio puntual se realizó la modelación de calidad de aire

en la zona industrial de Mapa Ta Phut, Tailandia (Malakan, 2018). En este estudio
se realizó la modelación de calidad del aire mediante el modelo AERMOD y el uso
de variables meteorológicas reales y pronosticadas, esto con el fin de determinar la
fiabilidad de los datos. Como resultados, se obtuvieron que los valores obtenidos
por el modelo AERMOD no podían ser comparados con valores de las estaciones
de monitoreo puesto que la cantidad de contaminante analizado no era suficiente
para determinar que pudieran haber afectaciones, sin embargo en la determinación
de la fiabilidad de los datos meteorológicos se obtuvo que los valores de velocidad
del viento y temperatura no tenían mayor diferencia, aunque en la rosa de los
vientos fue donde encontraron problemas y esto se le atribuyo a la cantidad de
edificios cercanos a las fuentes de emisión.

Además del uso de modelos, es posible determinar las condiciones de calidad del
aire de un área mediante redes de monitoreo de calidad de aire, pero este tiene un
elevado costo desde su implementación y su funcionamiento, además con esto no
se puede hacer evaluación de eventos puntuales lo cual puede traer problemas para
medidas sancionatorias de ser el caso. Por eso se opta por el uso de modelos en
los cuales se pueden hacer evaluaciones puntuales que ayudan en la gestión y
reglamentación de emisiones en zonas específicas.

16
 3. OBJETIVOS

3.1 OBJETIVO GENERAL

Evaluar la calidad de la información meteorológica disponible para la aplicación del

modelo AERMOD para la dispersión de contaminantes atmosféricos en el dominio
de Santiago de Cali.

3.2 OBJETIVOS ESPECÍFICOS

 Estimar las variables meteorológicas para el dominio de Santiago de Cali

requeridas por el modelo AERMOD a partir de información obtenida por modelos de
pronóstico WRF.

 Comparar la información obtenida de modelos de pronóstico WRF con

información real de estaciones meteorológicas ubicadas en el dominio de Santiago
de Cali para establecer su utilidad en la modelación de la calidad del aire.

 Establecer una metodología para el análisis de la información meteorológica

requerida para la aplicación del modelo AERMOD.

17
 4. MARCO TEÓRICO

4.1 MODELOS DE DISPERSIÓN.

Para la dispersión de contaminantes se cuenta con una gran variedad de métodos

de estimación, sin embargo, las metodologías más usadas son la dispersión
Gaussiana y la modelo de dispersión Lagrangiano. Estas 2 metodologías son
usadas en distintos modelos de dispersión que algunos varían de acuerdo a las
necesidades de la persona que este ejecutando el modelo.

La dispersión Gaussiana (Manzur, 2012) considera que la forma en la cual se

distribuye una pluma contaminante emitida por una fuente se distribuye de forma
Gaussiana en todos los sentidos. En cambio la dispersión Lagrangiano (Garcia
Lozano, 2012) tiene como referencia los movimientos de las sustancias, donde se
establece un volumen de control y se realiza su seguimiento.

En el mercado se encuentran diferentes tipos de modelos, los cuales manejan los

diferentes tipos de dispersión, que ya han sido mencionados. Es el caso del modelo
ADAM (CIEMAT, 2018) que combina el modelo de caja y el modelo gaussiano que
incorpora la termodinámica, química, transferencia de calor, entre otras variables y
se usa para contaminantes en fase liquida o vapor. El modelo DEGADIS (CIEMAT,
2018) que se utiliza para las fuentes puntuales de área y no considera el relieve de
la zona, por ultimo tenemos el HYSPLIT (CIEMAT, 2018) que es un modelo de
dispersión Lagrangiano.

Uno de los modelos que más uso tiene el AERMOD (EPA, 2018), modelo propuesto
por la EPA que utiliza la dispersión Gaussiana y considera las condiciones
climatológicas y el relieve de la zona, haciendo que su cálculo en cuanto a las
concentraciones sean más preciso.

4.2 DATOS METEOROLÓGICOS.

La diferencia entre la meteorología y climatología radica principalmente en que la

primera se ocupa de los estudios físicos, dinámicos y químicos de la atmosfera
terrestre, mientras la climatología estudia las características, variación, distribución
y posibles causas que ocasionen el evento (Sierra, 2006). Haciendo esta aclaración
vale resaltar que las variables para ambas ciencias son las mismas, lo que se
diferencia es el estudio que se le da en cada uno de estas ciencias.

18
Las variables meteorológicas que se utilizan para la modelación de contaminantes
atmosféricos son:

 Dirección del viento, el valor obtenido es el promedio de cada 10 minutos en

el tiempo que se está analizando de la dirección del viento. La dirección indica de
donde proviene el viento y su unidad de medición es en grados dextrorsum.
(Servicio Meteorologico Nacional, s.f.)

 Velocidad del viento, es el promedio aritmético de las velocidades medidas

en un lapso de 10 minutos en el tiempo que se realiza el estudio, sus unidades son
las de velocidad de distancia sobre tiempo y se toman las unidades que requiera el
modelo. (Servicio Meteorologico Nacional, s.f.)

 Temperatura ambiente promedio, es el promedio de las mediciones

realizadas en intervalos de 10 minutos en el tiempo de estudio, sus unidades son
grados centígrados o kelvin, dependiendo del modelo que se use. (Servicio
Meteorologico Nacional, s.f.)

 Humedad relativa, es el promedio de las mediciones realizadas en un

intervalo de 10 minutos, sus unidades son las de porcentaje. Este representa el
vapor de agua que tiene el aire con relación al máximo posible que podría tener si
estuviera saturado a la temperatura que se encuentra. (Georgia State University,
s.f.)

 Radiación, es la energía emitida por el sol, que se propaga en todas las

direcciones a través del espacio mediante ondas electromagnéticas. Sus unidades
son las de W/m2 (IDEAM, 2014)

4.3 MODELOS DE PREDICCIÓN DE DATOS METEOROLÓGICOS.

Por este motivo los datos deben ser tomados nuevamente o en su defecto utilizar
modelos de predicción meteorológicos. Vale aclarar que los 2 modelos no son
indispensables el uno del otro, que quiere decir esto que los modelos pueden ser
utilizados independientemente y no siempre deben ir relacionados.

Existe muchos modelos de predicción meteorológica entre los cuales se encuentra

el modelo MM5 (CIEMAT, 2018) se desarrolló conjuntamente entre la Universidad
Estatal de Pensilvania y la Centro Nacional de Investigaciones Atmosféricas de

19
EEUU, este modelo estaba basado en ecuaciones primitivas y no hidrostáticas, otro
modelo que es uno de los más usados es el Weather, Research and Forecasting o
WRF (CIEMAT, 2018) por sus siglas en inglés, el cual tiene bastantes similitudes
con el modelo MM5 pero programado de una forma más estructurada y modular
permitiendo mejoras y nuevas incorporaciones de una forma más simple.

20
 5. METODOLOGÍA

A continuación, se presentan las etapas planteadas para el desarrollo de este

proyecto.

5.1 ESTIMACIÓN DE LAS VARIABLES METEOROLÓGICAS A PARTIR DE

DATOS OBTENIDOS EN ESTACIONES METEOROLÓGICAS.

Los datos meteorológicos de medición (Datos reales) se tomaron de la estación

ubicada en la Base Aérea Marco Fidel Suarez (B.A.M.F.S.), la cual es administrada
por el Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM). Esta
estación se encuentra ubicada en el norte de la ciudad de Santiago de Cali, lugar
donde se realizó la modelación de calidad del aire.

De esta estación de tomaron las variables meteorológicas de radiación solar,

precipitación, velocidad del viento, dirección del viento, humedad relativa y
temperatura. Sin embargo, para el modelo AERMOD son necesario además de los
mencionados, datos de altura de mezcla y nubosidad, los cuales fueron hallados
mediante el método de estabilidad de Pasquill - Gifford (Mohan & Siddiqui, 1998)
ANEXO A y datos tomados de la estación ubicada en el Aeropuerto Internacional
Alfonso Bonilla Aragón, respectivamente.

Una vez se obtuvieron los datos de las estaciones se realizó un análisis de los datos
de cada una de las variables, encontrado que la mayoría de variables contaba con
datos faltantes para diferentes horas del día, en diversos días. Para poder obtener
la totalidad de los datos se optó por aplicar un modelo estadístico de
Método Racional (Barroso , 2018) como se muestra en el ANEXO B, el cual uso
el principio de regresión lineal para obtener los datos faltantes.

5.2 OBTENCIÓN DE DATOS DEL MODELO WRF

En este punto se realizó la estimación de las variables meteorológicas necesarias

para el modelo AERMOD mediante el modelo WRF. Este es un modelo de
predicción meteorológico, el cual se pueden predecir variables como precipitación,
temperatura mínima y máxima, entre otros (Arango, 2012). Esta información ha sido
adquirida mediante una solicitud al IDEAM, ya que la obtención de esta información
tiene un costo. Una vez obtenida la información se realizó una revisión de los datos,
procesando solo los datos requeridos para la ejecución del modelo.

21
5.3 COMPARACIÓN DE INFORMACIÓN OBTENIDA DEL MODELO WRF E
INFORMACIÓN REAL TOMADAS DE LAS ESTACIONES DE MONITOREO
METEOROLÓGICO.

Con la información del modelo WRF y la información de las estaciones de monitoreo

meteorológico para una misma condición y resolución espacial y temporal de la zona
de estudio se realizó la comparación con dos análisis. El primero fue una
comparación estadística de las medias de los dos grupos de datos, mediante una
prueba de hipótesis. Para este proceso se realizaron los siguientes pasos con cada
grupo de datos que se iban a analizar.

 Prueba de normalidad, para determinar si los datos cumplían con dicha

condición para poder realizar la prueba de comparación

 Una vez se sabe que los datos cumplen con los estándares de normalidad,
se plantea la hipótesis y se realiza la comparación.

 Al realizar la comparación y obtener el valor T0 se busca este valor en la tabla

T de Student con los grados de libertad correspondientes para obtener el resultado
de p-value para aprobar o descartar la hipótesis nula.

Posterior a esto se determinó el porcentaje de diferencia de los datos del modelo

respecto a los reales, para predecir datos atípicos de las variables meteorológicas
evaluadas y estimar si estos datos podrían tener una relación en la comparación de
los todos los datos como se muestra en el ANEXO C.

5.4 OBTENCIÓN DE DATOS PARA LA EJECUCIÓN DE LOS MODELOS

AERMET Y AERMOD.

Para este paso lo primero que se determinó fue el área de donde se iba a realizar
el estudio y con cual inventario de emisiones se va a ejecutar el modelo. Para este
caso se trabajó con un inventario de emisiones de monóxido de carbono (CO) de
una fuente puntual, estos datos fueron tomados de un trabajo previo de aplicación
del modelo AERMOD (Ortiz , 2019).

Una vez se tiene definido la fuente de emisión, se identificó el área circundante a la

fuente y se estableció un área de dispersión, la cual se muestra en la Figura 1. Esta
área es de 6 Km2 (con una resolución de 2000 metros horizontales y 3000 metros

22
verticales identificada con el color verde, donde se toman datos cada 10 metros)
dentro de los cuales se tiene la fuente puntual de emisión que se empleó en la
simulación. Es importante mencionar que en la Figura 1 se resaltó en rojo toda el
área del predio donde se encuentra la chimenea, sin embargo los estimativos fueron
para una fuente puntual.

Figura 1 Mapa para identificación del área de dispersión y la fuente de emisión.

Tomada de Google Earth (s.f.). Recuperado https://www.google.com/intl/es/earth/

Al momento de realizar la ejecución del modelo también se tuvo en cuenta los

edificios cercanos y se identificaron ciertas zonas de interés como centros
educativos, zonas comerciales y unidades habitacionales. Esta zona está en su
mayor parte en la comuna 6 de la ciudad donde el uso del suelo tiene vocación
residencial predominante; sin embargo, también se encuentran cerca a grandes
comercios, salidas principales de la ciudad y zona industrial (Zona de Acopi -
Yumbo).

Para realizar la ejecución del modelo AERMOD se siguieron las indicaciones de la

EPA (EPA, 2019), donde explica cómo se debe hacer el tratamiento de la
información para realizar para obtener los archivos generados por el modelo como
se muestra en el ANEXO D.

23
Para la ejecución del modelo AERMOD, es necesario tener en cuenta que la
ejecución del modelo se divide en 3 etapas principales, como se muestra en la
Figura 2. La primera parte es el procesamiento de los datos meteorológicos
mediante la herramienta AERMET, el cual procesa la información de entrada y da
como resultado los datos necesarios para la ejecución del modelo AERMOD. Para
la ejecución del modelo AERMET, es necesario ingresar los datos de manera
horaria con los valores de altura de mezcla, radiación solar, precipitación, presión
atmosférica de la zona, presión atmosférica de la estación de monitoreo, velocidad
del viento, altura a la cual se tomaron las muestras, dirección del viento, humedad
relativa y temperatura.

Etapa 1.
Etapa 2 Etapa 3
Obtencion de datos
Uso de AERMET Uso de AERMOD
meteorologicos

Figura 2 Etapas del proceso para el uso del modelo AERMOD.

Una vez se tienen estos valores se hace el procesamiento de estos, se obtienen los
datos adicionales para su ejecución del AERMOD que son: flujo de calor sensible,
velocidad de fricción superficial, escala de velocidad convectiva, gradiente de
temperatura potencial, altura de mezcla conducida por convección, altura de mezcla
mecánica, longitud de Monin - Obukhov. Igualmente se ingresaron valores
constantes (correspondientes a las características del área donde se encuentra la
estación) tales como: albedo, relación de Bowen y rugosidad del suelo (tomándose
esta como 0,07 debido a las características del suelo propias de un aeropuerto
(Steyaert y Knox, 2008). Este protocolo se realizó con los 2 paquetes de datos
(Datos reales y datos WRF), para poder llevar a cabo la ejecución del modelo
AERMOD.

Para la ejecución del modelo AERMOD, se requiere adicionalmente a los datos

meteorológicos, los datos de inventario de emisiones, ubicación de la fuente,
periodo de exposición, los cuales se muestran en la Tabla 1 (el periodo de
exposición hace referencia al periodo en el cual se promedian y presentan los datos
de dispersión, por ejemplo 1 hora, 8 horas o 24 horas). Posterior a esto, los datos
obtenidos en el modelo AERMOD pueden ser analizados de forma puntual que es
la extracción de los datos de puntos específicos o utilizar la herramienta grafica

24
AERPLOT, el cual genera gráficos de concentración o isopletas de acuerdo al
tiempo de exposición donde se pueden analizar zonas completas.

Tabla 1 Condiciones para el uso del modelo AERMOD.

Atributo Dato
Inventario de emisiones 75,06 mg*s-1

Tipo de contaminantes Monóxido de carbono

(CO)

Ubicación de la fuente 334288,90 385127,25

(UTM)

Periodo de exposición Exposición de 1 y 8

horas. (Resolución 2254,
2017)

Finalmente, para concluir este trabajo se recopiló y organizó los paquetes de datos
de meteorológicos procedentes del modelo WRF y datos de la estación
meteorológica y la información del inventario de emisiones para la ejecución de
modelo AERMOD de acuerdo al ANEXO D.

25
 6. RESULTADOS Y DISCUSIÓN.

6.1 ANÁLISIS DE DATOS METEOROLÓGICOS.

Previo a la comparación de datos meteorológicos obtenidos y los datos WRF, se

realizó un análisis de comportamiento de los datos. Este análisis se presenta en las
FigurasFigura 3,Figura 4 y Figura 5.

160

140
Precipitación (mm/mes)

120

100

80

60

40

20

Figura 3 Precipitación acumulada mensual para el año 2017

Como se observa en la Figura 3, en la que se muestra los acumulados de lluvia

mensual, se evidencia que la precipitación en la ciudad de Santiago de Cali,
corresponde a un ciclo bimodal. En este ciclo se tienen 2 temporadas de baja
precipitación (diciembre a febrero y junio a agosto) y 2 temporadas de alta
precipitación (marzo a mayo y septiembre a octubre) en un año. Para los meses de
mayor precipitación se puede tener una menor dispersión de los contaminantes
(Ouyang, 2015), ya que la lluvia hace que se presente un efecto de lavado en las
atmósfera, haciendo que los contaminantes se precipiten (Martin, 2005) y se
acumulen en el suelo, principalmente.

26
 2,5

Velocidad promedio (m/s)

2

1,5

0,5

Figura 4 Velocidad promedio mensual en el año 2017.

Igualmente se realizó el análisis de la velocidad promedio de viento a 10 metros de

altura. Como se evidencia en la Figura 4, la velocidad promedio tiene un rango
desde 1.5 a 2 m.s-1, teniendo el promedio más alto en el mes de agosto que coincide
con el uno de los periodos de baja precipitación. Para los meses de velocidad de
viento mayor, se espera una mayor dispersión de los contaminantes, principalmente
en fuentes elevadas como chimeneas que es la fuente que se tiene para este
estudio (Venegas y Mazzeo, 2018), haciendo que la velocidad del viento sea un
factor muy importante en la ejecución de modelos de dispersión.

Adicional a los anteriores análisis, se realizó el análisis de los promedios de

temperatura y los picos de temperatura, esto se muestra en la Figura 5. En la cual
podemos apreciar que la variación de temperatura, se tienen picos de altas
temperaturas promedio en el mes de agosto que coincide con el mes de mayor
velocidad promedio y un pico de baja temperatura promedio en el mes de mayo que
coincide con uno de los meses de periodos de alta precipitación. Estas alteraciones
en la temperatura hacen que en los meses de mayor temperatura se tenga una
mayor dispersión (De J. Montoya, Cepeda , y Eslava , 2004), debido a que
estos cambios de temperatura generan un incremento de la altura de mezcla y por
tanto el movimiento de las masas de aire.

27
 35
30

Temperatura (°C)
25
20
15
10
5
0

Temperatura mas alta en el mes Temperatura promedio en el mes

Temperatura mas baja en el mes

Figura 5 Temperatura promedio mensual, temperatura más baja y más alta

registrada en cada mes para el año 2017.

6.2 COMPARACIÓN DE DATOS METEOROLÓGICOS.

Para la comparación de todos los datos se realizó una prueba de igualdad de

medias mediante una prueba estadística, la cual plantea una hipótesis nula que
argumenta que las medias de cada conjunto de datos son estadísticamente iguales.
Esto se realizó con un 𝛼 = 0,05, lo que indica que si el valor de p-value se encuentra
en valores de 0 a 0,05 la hipótesis se acepta, de no ser aceptada se rechaza con la
hipótesis nula de no igualdad estadística entre los conjuntos de datos.

Con estas condiciones, se obtuvo como resultado que:

 Para la comparación de temperatura a las 7 a.m. con todos los datos

disponibles, se tuvo un valor de p-value de cero, por lo cual la hipótesis se acepta,
lo que indica que ambos conjuntos de datos son iguales estadísticamente.

 Para la comparación de temperatura a las 1 p.m. con todos los datos

disponibles, se tuvo un valor de p-value de cero, por lo cual la hipótesis se acepta,
lo que indica que ambos conjuntos de datos son iguales estadísticamente.

28
 Para la comparación de temperatura a las 7 p.m. con todos los datos
disponibles, se tuvo un valor de p-value de cero, por lo cual la hipótesis se acepta,
lo que indica que ambos conjuntos de datos son iguales estadísticamente.

 Para la comparación de precipitación con todos los datos, se tuvo un valor de

p-value de cero, por lo cual la hipótesis se acepta, lo que indica que ambos
conjuntos de datos son iguales estadísticamente.

Adicionalmente, se revisaron los datos atípicos encontrados en los dos grupos de

datos. La comparación de los datos meteorológicos medidos y pronosticados se
realizó a partir de los datos de precipitación y temperatura. En la Tabla 2 se presenta
la comparación de los datos de precipitación y en la Tabla 2. para temperatura.
Esto se realizó con el fin de establecer si estos datos tenían alguna diferencia y si
esta podía tener algún tipo de relación con los resultados de la comparación de
todos los datos.

Tabla 2 Comparación de datos de precipitación para la estación meteorológica

en B.A.M.F.S. y los datos de W.R.F.

Fecha Valor REAL Valor WRF Diferencia

29-mar 19,8 25 -26%
16-abr 16,1 23 -43%
30-abr 23,7 17 28%
20-jun 23,1 19 18%
14-nov 35,3 27 24%
15-nov 40,4 30 26%
Diferencia promedio 4,5%

Como se puede apreciar en la tabla 2, la variación de los datos no es constante. Sin

embargo, el promedio de diferencia entre los datos atípicos es de 4,5%. Este valor
indica que los valores de del modelo WRF son útiles al momento de completar datos
faltantes para la ejecución del modelo AERMOD en la ciudad de Santiago de Cali.

Para el caso de la temperatura se realizó la misma prueba, pero en este caso se

tomaron datos atípicos en cada uno de los extremos para cada uno de las
condiciones. De acuerdo a los registros históricos del IDEAM, para los datos que
corresponden a las 7 a.m. se escogieron datos cuyo valor estaba por debajo de los
20°C, para los datos de 1 p.m. se escogieron datos que tuvieran un valor por encima

29
de los 31°C y para los datos de las 7 p.m. se escogieron datos que tuvieran un valor
superior a los 25°C.

Tabla 3Comparación de datos de temperatura para la estación meteorológica

en B.A.M.F.S. y los datos de W.R.F.

Diferencia
Fecha 7 a.m. 1 p.m. 7 p.m.
promedio.
1-Feb -48% 5% -4% -16%
15-Feb -4% 20% 7% 8%
16-Feb -4% 14% 11% 7%
12-Abril 0% 20% 11% 10%
14-Jun 2% 10% 1% 4%
22-Jul -7% 5% 0% -1%
6-Ago -4% 9% 0% 2%
12-Ago -17% 15% 16% 5%
16-Ago 6% 7% 4% 6%
10-Sep -19% 4% -4% -6%
12-Sep 0% 9% 19% 9%
Diferencia
-9% 11% 6% 2,7%
promedio.

Como se puede ver en la Tabla 3 . la diferencia entre los valores, si se hace

comparación por cada conjunto de datos correspondiente a cada hora es de
2,7%. Este valor hace que se pueda tener cierto grado de confianza en los
datos del modelo WRF para completar datos meteorológicos faltantes
necesarios en la ejecución del modelo AERMOD.

6.3 EJECUCIÓN DEL MODELO AERMOD Y COMPARACIÓN DE

RESULTADOS.

Para realizar la ejecución del modelo del AERMOD, se tuvo en cuenta que en la
zona no se contaba con datos de nubosidad, por este caso se tomaron los datos de
la base ubicada en el aeropuerto Alfonso Bonilla Aragón que presta sus servicios
para la ciudad de Cali y que tiene condiciones similares a las presentadas en la
B.A.M.F.S.

30
A partir de los datos obtenidos en el modelo AERMOD, se generaron 4 figuras con
la datos de concentración para las condiciones de dispersión de 1 y 8 horas de
exposición según la normativa aplicable (Resolución 2254, 2017), la cual indica los
niveles máximos de concentración permisible y tiempo de exposición de acuerdo a
cada contaminante.

Las Figura 6 yFigura 7 corresponden a los datos de concentración para una

exposición de 8 horas y estas corresponden a ejecuciones con datos del modelo
WRF y datos de las estaciones meteorológicas, respectivamente.

Figura 6 Dispersión de 8 horas de CO con los datos del modelo WRF.

Tomada de Google Earth (s.f.). Recuperado .

https://www.google.com/intl/es/earth/

Los datos obtenidos a partir de la ejecución del modelo se compararon con los datos
de referencia de la norma (Resolución 2254, 2017), se encontró que esta chimenea
como fuente puntual sola, cumple con la norma para ambos casos pues la norma
determina que el valor máximo de concentración de CO para una exposición de 8
horas en Colombia es de 5.000 µg*m-3 y vemos que en las figuras que para ambos
casos los valores máximos no pasan de 1 µg*m-3.

31
Adicional a esto, se realizó una comparación de conjuntos de datos, la misma
planteada en la metodología para la comparación de las medias de cada conjunto
de datos, con las mismas condiciones de hipótesis y α. Para este caso se encontró
que el valor de p-value es 0, lo que indica que estos conjuntos de datos, así tengan
variaciones en sus niveles máximos y mínimos son iguales estadísticamente, lo que
indica que para este caso de estudio cualquiera de los 2 grupos es válido para las
condiciones de 8 de exposición.

Figura 7 Dispersión de 8 horas de CO con los datos obtenidos por el método

racional.

Tomada de Google Earth (s.f.). Recuperado.

https://www.google.com/intl/es/earth/

Igualmente, en las Figura 8Figura 9 se presentan los datos correspondientes a una

exposición de 1 horas y estas corresponden a ejecuciones con datos del modelo
WRF y datos de las estaciones meteorológicas, respectivamente.

32
Figura 8 Dispersión de 1 horas de CO con los datos del modelo WRF.
Tomada de Google Earth (s.f.). Recuperado .
https://www.google.com/intl/es/earth/

Figura 9 Dispersión de 1 horas de CO con los datos obtenidos por el método

racional.
Tomada de Google Earth (s.f.). Recuperado https://www.google.com/intl/es/earth/

33
Al igual que los datos obtenidos a partir de la exposición de 8 horas de exposición,
se realizó una compararon con los datos de referencia de la norma (Resolución
2254, 2017), se encontró que esta fuente puntual, cumple con la norma para ambos
casos pues la norma determina que el valor máximo de concentración de CO para
una exposición de 1 horas en Colombia es de 35.000 µg*m-3 y vemos que en las
figuras que para ambos casos los valores máximos no pasan de 1 µg*m-3.

Adicional a esto, se realizó una comparación de conjuntos de datos, la misma

planteada en la metodología para la comparación de las medias de cada conjunto
de datos, con las mismas condiciones de hipótesis y α. Para este caso se encontró
que el valor de p-value es 0, lo que indica que estos conjuntos de datos, así tengan
variaciones en sus niveles máximos y mínimos son iguales estadísticamente, lo que
indica que para este caso de estudio cualquiera de los 2 grupos es válido para las
condiciones de 1 de exposición.

6.4 METODOLOGÍA PARA EL ANÁLISIS DE INFORMACIÓN

METEREOLÓGICA PARA EL USO DEL MODELO AERMOD

La metodología que se plantea para el uso de esta herramienta de calidad de aire,

contempla su inicio en el establecimiento de la zona de estudio y termina con los
datos de dispersión o graficas de dispersión, como se muestra en la Figura 10, la
cual es un paso a paso que se explicara a continuación:

 La primera parte se debe establecer zona de estudio, esto se debe cumplir

las preguntas básicas de toda investigación las cuales son ¿Dónde? ¿Cuándo? y
¿Por qué?, ya que esto determina el alcance del estudio y las limitantes que se
puedan tener de acuerdo a la zona que se está trabajando.

 Una vez se establece la zona de estudio se debe tener información sobre la

emisión o las emisiones que se van a tener en cuenta para el análisis y datos
meteorológicos. El primero se obtiene dependiendo de la fuente ya sea por medio
de factores de emisión o muestreo y el segundo, para este trabajo se realizó la
búsqueda en el Sistema de Información para la gestión de datos Hidrológicos y
Meteorológicos (DHIME, 2018).

 Ahora se debe determinar si es necesario completar los datos

meteorológicos, esto es muy importante, pues de esto depende una adecuada
simulación de la dispersión de los contaminantes. Para este caso, si no se cuenta
con la información necesaria, se sugiere el uso de los datos del modelo WRF o la

34
implementación del método racional para obtener datos faltantes como se muestra
en el ANEXO B.

 Una vez se tienen los datos completos, se realiza la ejecución del modelo
AERMET, como se muestra en el ANEXO D. En este se muestra como se generan
los archivos necesarios para la ejecución de modelo AERMET y AERMOD.

 Cuando se tienen los archivos necesarios para la ejecución del modelo

AERMOD, se ejecuta el modelo AERMOD como se muestra en el ANEXO D.

 Posterior a la ejecución del modelo AERMOD. Se define si es necesario o no

la ejecución de la interfaz gráfica del modelo AERMOD, que se llama AERPLOT.

Figura 10 Diagrama de flujo referente a la metodología.

Como se muestra en la Figura 10 esta metodología es un paso a paso el cual viene

acompañado de un explicativo en el cual se dan las pautas básicas para la ejecución
del modelo AERMOD.

35
 7. CONCLUSIONES Y RECOMENDACIONES

 Se logró determinar una herramienta para la obtención de datos

meteorológicos faltantes para las condiciones de Santiago de Cali para la ejecución
del modelo AERMOD.

 Estadísticamente los paquetes de datos meteorológicos que se utilizaron

para la ejecución del modelo AERMOD, son iguales. Esto indica que no se
encuentran diferencias significativas en los datos y que ambos se pueden son
válidos para la ejecución del modelo.

 Se planteó una metodología para la implementación de modelo AERMOD

con el uso de las herramientas para la obtención de datos meteorológicos faltantes,
con el fin de establecer un protocolo para la utilización del modelo en el contexto
local.

 Se encontraron problemas al momento de la ejecución del modelo AERMOD

ya que no se contaba con una información de calidad por parte de las entidades
responsables, por eso se realizó el uso de modelo racional ya que es una manera
accesible y asequible a la información.

 Se recomienda, tener en cuenta las edificaciones cercanas pues estas

pueden ocasionar interacción con la dispersión haciendo función de difusores de la
pluma contaminantes.

 Se recomienda, analizar el efecto de lavado que generar la precipitación en

la atmosfera y su efecto en la dispersión de la emisión.

36
 REFERENCIAS

AQICN. (2018). Beijing Air Pollution. Recuperado el julio de 2019 Beijing Air
recuperado Pollution: Real-time Air Quality Index (AQI):
http://aqicn.org/city/beijing/

Arango, C., y Ruiz, J. (2012). Implementacion del modelo WRF para la sabana de
Bogota. Recuperado ,:
http://www.ideam.gov.co/documents/21021/21132/Modelo_WRF_Bogota.pd
f/f1d34638-e9f8-4689-b5f4-31957c231c46

Barroso Mena, F. U. (12 de febrero de 2018). Estimación de datos meteorologicos

faltantes. Clase 3 - Precipitación [Material de clase]. Universidad Autonoma
de Occidente. Recuperado de
https://mail.google.com/mail/u/0/#search/barroso/FMfcgxwDqfMNkgpZKpNr
KMRhzpkWZFsr

CIEMAT. (2018). Modelizacion de la contaminacion atmosferica: Recuperado

http://www.ciemat.es/MCAportal/portal.do?TR=C&IDR=169

CIEMAT. (2018). Modelos de dispersión alternativos de la EPA. CIEMAT:

Recuperado http://mca-
retemca.ciemat.es/MCAportal/portal.do;jsessionid=262C6566192C95AF61F
3F61326C515C8?IDM=106&NM=4

De J. Montoya, G., Cepeda P., W., y Eslava R., J. A. (2004). Características de la

turbulencia y de la estabilidad atmosférica en Bogotá. En: Revista de la
academica Colombiana de Ciencias Exactas, Físicas y Naturales, 28(108),
327-335. doi:0370-3908

DHIME. (2018). IDEAM. Recuperado : http://dhime.ideam.gov.co/portal/home/

EPA. (2018). Air Quality Dispersion Modeling - Preferred and Recommended

Models. Recuperado https://www.epa.gov/scram/air-quality-dispersion-
modeling-preferred-and-recommended-models

37
EPA. (2019). Support Center for Regulatory Atmospheric Modeling (SCRAM). Air
Quality Dispersion Modeling - Preferred and Recommended Models:
Recuperado https://www.epa.gov/scram/air-quality-dispersion-modeling-
preferred-and-recommended-models

Garcia Lozano, D. (2012). Modelo numerico de la dispersion de contaminantes

asociada al flujo atmosferico dentro del entorno urbano especifico de la
ciudad de Bogota. Bogota, Colombia: Universidad Nacional de Colombia.
Facultad de Ingenieria. Departamento de mecanica y mecatronica.

Georgia State University. (s.f.). Humedad relativa. (G. S. University, Editor)

HyperPhysics: Recuperado http://hyperphysics.phy-
astr.gsu.edu/hbasees/Kinetic/relhum.html#c4

IDEAM. (2014). Radiacion solar. Recuperado el noviembre de 2018 [en línea], de

IDEAM: Recuperado http://www.ideam.gov.co/web/tiempo-y-clima/radiacion-
solar

Malakan, W., Keawboonchu, J., y Thepanondh, S. (2018). Comparison of AERMOD

performance using observed and prognostic meteorological data.
EnvironmentAsia, 38-52.

Manzur, M., Benzal, G., y Gonzales, S. (2012). Modelos de dispersion de

contaminantes atmosfericos. Congreso de Medio Ambiente 7-22. La Plata:
Asociacion de Universidades Grupo Montevideo.

Martin, P. B. (2005). Contaminación del aire por material particulado en la ciudad de

Buenos Aires. Contaminación del aire por material particulado en la ciudad
de Buenos Aires,(Trabajo de doctorado) Facultad de ciencias exactas y
naturales, Universidad de Buenos Aires:

Mohan, M., y Siddiqui, T. (1998). Analysis of various schemes for the estimation of
atmospheric stability classification. Atmospheric Environment, 32(21), 3775-
3781.

Moya Alvarez, A., y Ortega Leon, J. (2015). Aplicacion del modelo meteorologico
WRF para el pronostico de precipitacion en periodo lluvioso de Cuda, 2014.
Apuntes de Ciencia y Sociedad, 135-145.

38
Organizacion Mundial de la Salud. (2018). Calidad del aire y salud. Organizacion
Mundial de la Salud: Recuperado http://www.who.int/es/news-room/fact-
sheets/detail/ambient-(outdoor)-air-quality-and-health

Ortiz Libreros, J. M. (2019). Evaluación del impacto en la calidad del aire de las
actividades de un horno de cremación de un camposanto en la zona urbana
del municipio de Santiago de Cali. Evaluación del impacto en la calidad del
aire de las actividades de un horno de cremación de un camposanto en la
zona urbana del municipio de Santiago de Cali. Santiago de Cali, (Tesis de
pregado), Colombia: Universidad Autonoma de Occidente.

Ouyang, W., et al . (2015). The washing effect of precipitation on particulate matter

and the pollution dynamics of rainwater in downtown Beijing. Science of Total
Environment(505), 306-314.
doi:https://doi.org/10.1016/j.scitotenv.2014.09.062

Resolución 0610, Por la cual se establece la Norma de Calidad del Aire o Nivel de
Inmisión, para todo el territorio nacional en condiciones de referencia
(Ministerios de ambiente, vivienda y desarrollo territorial 24 de Marzo de
2010). Recuperado de
https://www.alcaldiabogota.gov.co/sisjur/normas/Norma1.jsp?i=39330

Resolución 2254, Por la cual se adopta la norma de calidad de aire ambiente y se

dicta otras disposiciones (Ministerio de Ambiente y Desarrollo Sostenible 1
de Noviembre de 2017). Recuperado de
http://www.minambiente.gov.co/images/normativa/app/resoluciones/96-
res%202254%20de%202017.pdf

Servicio Meteorologico Nacional. (s.f.). Variables meteorologicas. Comision

nacional del agua Recuperado de: http://smn.cna.gob.mx/es/variables-
meteorologicas

Sierra Urrego, M. (2006). Establecer la asociacion existente entre las variables

meteorologicas temperatura, velocidad del viento y precipitacion y las
concentraciones de PM10 registradas en la red de calidad de aire de Bogota
D.C. Bogota D.C., Cundinamarca, Colombia.

Steyaert, L., y Knox, R. (2008). Reconstructed historical land cover and biophysical
parameters for studies of land‐atmosphere interactions within the eastern

39
 United States. AGU Publications. Recuperado
https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2006JD008277

Venegas, L., y Mazzeo, N. (2018). La velocidad del viento y la dispersión de

contaminantes atmosfericos. Departamento de Aeronáutica - Universidad
Nacional de La Plata: Recuperado
http://www.aero.ing.unlp.edu.ar/cliv2/public/actas%20congreso/15.Venegas.
CLIV2.pdf

Xu, H.-H.,et al. (2016). Characteristics of atmospheric compositions in the

background area of Yangtze river delta during heavy air pollution episode.
Hindawi Advances in meteology.

40
 ANEXOS

ANEXO A Establecer la estabilidad mediante el método de Pasquill - Gifford.

Para estabilizar la estabilidad mediante este método se necesitan 2 datos y uno de

ellos varía de acuerdo al momento en el cual se necesita. Para el momento del día
se necesita el valor de velocidad del viento a 10 metros sobre la superficie en la
unidad de metros por segundos y la radiación solar presente en ese momento, el
valor que varía de acuerdo al momento del día es la radiación. En el momento que
se no tiene radiación se utilizan los valores de nubosidad, estos valores se cruzan
en una tabla y en esta se determina la estabilidad.

Tabla 4 Tabla para elección de estabilidad con la metodología de Pasquill –

Gifford.

Día Noche*
Velocidad del Radiación solar. (W/m2)
viento a 10m de
Fuerte Moderada Nubes** Nubes**
la superficie Débil <290
>580 290 – 580 ≥4/8 <3/8
(m/s)

0-2 A A-B B E F
2-3 A-B B C E F
3-5 B B-C C D E
5-6 C C-D D D D
≥6 C D D D D

 Donde la noche se define como el periodo que va desde una hora después
de la puesta de sol y una hora antes de la salida del sol.

 ** Nubosidad expresada en octavas de bóveda celeste cubierta por nubes.

 Para cielos completamente nublados, tanto el día como la noche se asume

estabilidad clase D.

41
 ANEXO B Utilización del método racional para complemento de datos
faltantes provenientes de las estaciones meteorológicas.

Para la estimación de datos faltantes se utilizó el método racional (Barroso Mena,

2018), esto lo que nos indica es la utilización de promedios porcentuales para
determinar valores faltantes dentro de un conjunto de datos.
Para este proceso se explicará el paso que se debe tener en cuenta para realizar la
utilización de este método.
1. Lo primero que se debe hacer es seleccionar la variable y la escala de tiempo
que se necesita.

2. organizar los datos de acuerdo a la escala de tiempo que se seleccionó.

Para este caso de ejemplo se escogieron datos de la estación La Cumbre sobre
la precipitación acumulada. Estos datos al ser mensuales se acomodan de tal
manera que se pueda evidenciar en una fila todos los datos relacionado al año
y en las columnas los datos relacionados a los meses por año, como se muestra
en la Figura 11.

Igual aplica para los datos si fueran por día, se podrían los valores de tal manera
que en las filas se relacionen todos los días de los meses y en las columnas los
días, el inconveniente que esta genera es que no todos los meses tienen la
misma cantidad de días, por eso se debe hacer un ajuste (solo para este caso).

Igualmente, a los conjuntos de datos que tienen datos faltantes se hace la

sumatoria de los datos existentes para su posterior uso.

3. Se debe determinar cuáles conjuntos de datos tienen información completa y se

debe determinar sumatoria y promedio de cada estos conjuntos de datos para la
unidad de tiempo mayor, para este caso de forma anual, como se muestra en la
Figura 12.

42
AÑO ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC ∑p

1975 60 111 186 86 105 111 47 245 160 1111

1976 81 81 167 140 63 13 18 15 223 85 46 932
1981 34 81 29 264 247 66 72 49 79 141 155 68
1982 45 34 30 183 256 39 3 0 118 155 60 51
1983 24 0 106 95 84 58 21 18 15 138 94 52
1984 99 118 112 178 173 122 87 134 111 194 115 71
1985 43 8 56 91 135 89 90 110 141 142 136 22
1986 131 83 107 140 145 123 42 36 65 244 118 41
1987 30 25 81 163 212 14 57 133 101 213 51 89
1988 48 40 17 108 150 162 87 40 91 253 211 94
1989 48 95 89 94 136 54 51 45 110 163 196 88
1990 57 85 84 185 96 25 46 18 30 157 109 892
1991 0 8 128 141 199 31 55 25 98 84 99 63
1992 55 45 97 14 125 43 11 46 106 80 77 137
1993 53 105 247 259 163 35 35 45 230 69 179 21
1994 66 108 231 206 150 84 38 87 109 226 97 83
1995 0 0 81 154 110 158 111 126 121 224 108 102
1996 52 64 172 179 359 110 102 81 90 229 126 156
1997 87 65 144 232 238 116 31 135 105 255 8 1416
1998 1 98 192 237 316 111 71 99 183 82 140 45
1999 74 221 160 281 251 202 53 31 175 155 152 203
2000 26 117 77 122 233 78.6 63 31 120 216 142 23
2001 50 50 92 161 111 50 56 0 151 721
2002 35 27 174 66 68 125 119 65 81 117 100 977
2003 20 112 60 264 134 75 75 85 126 158 126 74
2004 57 6 16 90 157 13 79 4 176 108 81 787
2005 87 26 92 136 134 86 30 70 106 125 131 63
2006 65 35 186 242.2 132 157 22 69 71 155 1134
2007 24 99 226 349

Figura 11 Datos de precipitación acumulada mensual en la estación climática

ordinaria La Cumbre desde 1975 a 2007.

43
 AÑO ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC ∑ ̅
𝑿
1981 34 81 29 264 247 66 72 49 79 141 155 68 1285 107.1
1982 45 34 30 183 256 39 3 0 118 155 60 51 974 81.2
1983 24 0 106 95 84 58 21 18 15 138 94 52 704 58.7
1984 99 118 112 178 173 122 87 134 111 194 115 71 1513 126.1
1985 43 8 56 91 135 89 90 110 141 142 136 22 1063 88.6
1986 131 83 107 140 145 123 42 36 65 244 118 41 1275 106.3
1987 30 25 81 163 212 14 57 133 101 213 51 89 1169 97.4
1988 48 40 17 108 150 162 87 40 91 253 211 94 1301 108.4
1989 48 95 89 94 136 54 51 45 110 163 196 88 1169 97.4
1991 0 8 128 141 199 31 55 25 98 84 99 63 931 77.6
1992 55 45 97 14 125 43 11 46 106 80 77 137 836 69.7
1993 53 105 247 259 163 35 35 45 230 69 179 21 1441 120.1
1994 66 108 231 206 150 84 38 87 109 226 97 83 1485 123.8
1995 0 0 81 154 110 158 111 126 121 224 108 102 1295 107.9
1996 52 64 172 179 359 110 102 81 90 229 126 156 1720 143.3
1998 1 98 192 237 316 111 71 99 183 82 140 45 1575 131.3
1999 74 221 160 281 251 202 53 31 175 155 152 203 1958 163.2
2000 26 117 77 122 233 78.6 63 31 120 216 142 23 1249 104.1
2003 20 112 60 264 134 75 75 85 126 158 126 74 1309 109.1
2005 87 26 92 136 134 86 30 70 106 125 131 63 1086 90.5
Figura 12 Tabla con datos de precipitación acumulada mensual en la estación
La Cumbre para los años de 1981-1989, 1991-1996, 1998-2000, 2003 y 2005.

4. Una vez se tienen estos datos se debe determinar el porcentaje mensual de

precipitación, el cual se obtiene de dividir el promedio de precipitación anual
respecto a cada uno de los meses, con la siguiente ecuación.

𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑐𝑖𝑜𝑛 𝑚𝑒𝑛𝑠𝑢𝑎𝑙

% 𝑑𝑒 𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑐𝑖ó𝑛 𝑚𝑒𝑛𝑠𝑢𝑎𝑙 =
𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑝𝑟𝑒𝑐𝑖𝑝𝑖𝑡𝑎𝑐𝑖𝑜𝑛 𝑚𝑒𝑛𝑠𝑢𝑎𝑙

Y tenemos una tabla similar a la de la Figura 13, donde se realiza una prueba para
determinar si los datos están bien relacionados, las cuales constan de hacer la
sumatoria de los datos que corresponden a la unidad de tiempo mayor y el resultado
es la cantidad de unidades en el tiempo mayor multiplicado por 100 (para este caso
se tiene que son 12 meses por un año, entonces la sumatoria da como resultado
1200).

44
AÑO ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC ∑ ̅
𝑿

1981 32 76 27 247 230 61 67 46 73 132 145 64 1200 100.0

1982 55 42 37 226 315 48 4 0 146 190 74 63 1200 100.0
1983 41 0 181 161 143 99 36 31 25 235 160 88 1200 100.0
1984 79 94 89 141 137 96 69 106 88 154 91 56 1200 100.0
1985 49 9 63 103 152 100 102 124 159 160 154 25 1200 100.0
1986 123 78 101 132 136 116 40 34 61 230 111 39 1200 100.0
1987 31 26 83 167 218 14 59 137 104 219 52 91 1200 100.0
1988 44 37 16 100 138 149 80 37 84 233 195 87 1200 100.0
1989 49 98 91 96 140 55 52 46 113 167 201 90 1200 100.0
1991 0 10 165 182 256 40 71 32 126 108 128 81 1200 100.0
1992 79 65 139 20 179 62 16 66 152 115 111 197 1200 100.0
1993 44 87 206 216 136 29 29 37 192 57 149 17 1200 100.0
1994 53 87 187 166 121 68 31 70 88 183 78 67 1200 100.0
1995 0 0 75 143 102 146 103 117 112 208 100 95 1200 100.0
1996 36 45 120 125 250 77 71 57 63 160 88 109 1200 100.0
1998 1 75 146 181 241 85 54 75 139 62 107 34 1200 100.0
1999 45 135 98 172 154 124 32 19 107 95 93 124 1200 100.0
2000 25 112 74 117 224 76 61 30 115 208 136 22 1200 100.0
2003 18 103 55 242 123 69 69 78 116 145 116 68 1200 100.0
2005 96 29 102 150 148 95 33 77 117 138 145 70 1200 100.0
∑ 901 1207 2054 3087 3544 1610 1078 1220 2181 3199 2433 1487

̅ (Sj)
𝑿 45 60 103 154 177 80 54 61 109 160 122 74
Figura 13 Porcentaje mensual de precipitación según el promedio de
precipitación mensual, con los datos de la Figura 10.

5. Después de obtener todos los datos se procede a hacer uso de la ecuación del
método racional.

∑𝑃
𝑃𝑖 = ( ) ∗ 𝑆𝑗
1200 − ∑ 𝑆𝑗

Donde:

 i es cada uno de las unidades de tiempo menor, que mínimo un dato de todos
los requeridos.

45
 Pi es precipitación mensual acumulada desconocida en cada año, medida en
milímetros (mm).

 ∑P es la suma de las precipitaciones mensuales conocidas en los años

incompletos en mm.

 ∑Sj es la suma de porcentajes promedios de los meses cuya precipitación se

desconoce en valor porcentual, no decimal.

 Sj es el porcentaje promedio asignado a cada uno de los meses desconocidos

o faltantes.

A manera de ejemplo se determinarán los datos de los meses faltantes del año
1975. Para este año como se muestra en la Figura 9, no tiene datos de los meses
de enero, febrero y diciembre y se tiene ∑P igual a 1111 mm.

Posterior a esto determinamos los Sj necesarios para estas condiciones, estos se

encuentran en la Figura 11, que en este caso son los meses de enero (45%), febrero
(60%) y diciembre (74%) e igualmente se determina el valor de ∑Sj que es 179%.
Una vez con estos datos se procede a realizar la sustitución de datos en la ecuación
del método racional.

Para el mes de enero de 1975 la ecuación seria.

1111
𝑃𝑒𝑛𝑒𝑟𝑜 = ( ) ∗ 45 ≃ 49
1200 − 179

De esta tenemos que la precipitación total del mes enero del año 1975 para la
estación de la cumbre fue de 49mm.

46
 ANEXO C Análisis de capacidad de predicción de datos atípicos.

Para el análisis de datos atípicos se seleccionaron datos extremos de las variables

de las cuales se tenía mayor información. Para esto se realizaron diagramas de
cajas y bigotes, con el cual se establecieron datos atípicos de las variables
precipitación y temperatura.

Para el caso de las precipitaciones solo se utilizó un dato por valor, ya que al tener
varios días sin precipitación al momento de realizar el diagrama todos los datos
atípicos que arrojaban eran valores mayores a cero.

Una vez se realizó el diagrama, se mira el histórico de datos meteorológicos de la

ciudad para determinar que cuales son realmente datos atípicos, haciendo uso de
los datos reportados por el IDEAM.

Una vez se seleccionan los datos que se van a analizar, se comparan datos reales
con el modelo WRF, se manera tal que el valor real es el valor base para esta
comparación. Con el de encontrar la diferencia porcentual de los datos del modelo
WRF respecto a los reales.

Tabla 5 Comparación de datos de precipitación para la estación meteorológica

en B.A.M.F.S. y los datos de W.R.F.

Fecha Valor REAL Valor WRF Diferencia

29-mar 19,8 25 -26%
16-abr 16,1 23 -43%
30-abr 23,7 17 28%
20-jun 23,1 19 18%
14-nov 35,3 27 24%
15-nov 40,4 30 26%
Diferencia promedio 4,5%

Para este caso los datos de precipitación fueron diarios y la ecuación a la cual
responden la diferencia es

𝑑𝑎𝑡𝑜 𝑟𝑒𝑎𝑙 − 𝑑𝑎𝑡𝑜 𝑊𝑅𝐹

𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑝𝑜𝑟𝑐𝑒𝑛𝑡𝑢𝑎𝑙 (%) = ∗ 100
𝑑𝑎𝑡𝑜 𝑟𝑒𝑎𝑙

47
Una vez se analizan todos los datos seleccionados se realiza un promedio aritmético
con los valores arrojados y se encuentra la diferencia porcentual del conjunto de
datos del modelo WRF respecto a los datos tomados de las estaciones
meteorológicas.

Igualmente se realizó con los datos de temperatura, pero en este caso se usaron
datos horarios de las 7 a.m., 1 p.m. y 7 p.m., en los cuales se realizaron los mismos
procedimientos, teniendo en cuanta los datos presentes en cada horario, horas de
la mañana, medio día y la noche, respectivamente.

48
 ANEXO D Generación de paquetes de datos para el uso del modelo
AERMOD.

Con base en la guía de usuario del modelo AERMOD dado por la EPA (EPA, 2018),
se establecieron estos pasos para la ejecución del modelo.

1. Para el uso del modelo AERMOD es necesario en primera medida hacer uso del
modelo AERMET, el cual es el procesamiento de los datos meteorológicos. Para
la ejecución de este es necesario el archivo ejecutable del AERMET o AERMOD,
el uso de la pantalla de simboles del sistema (cmd) para la ejecución del
AERMET y 4 archivos que se presentan a continuación.

El primero de ellos es el archivo con los datos meteorológicos los cuales deben
ir en un orden asignado, los cuales para este caso fueron año, día, hora, presión
atmosférica de la zona, altura de mezcla, precipitación, presión atmosférica
registrada por la estación de la cual se toman los datos, velocidad del viento,
altura a la cual se tomaron los datos, dirección del viento respecto al norte,
humedad relativa y temperatura promedio. Estos valores solo se ponen sin
ninguna referencia en un archivo con extensión .MET.

Igualmente se deben tener 3 ejecutables .OUT, los cuales se muestran a

continuación.

Figura 14 Ejecutable 1 del modelo AERMET.

Como se muestra en la Figura 14 se debe especificar el orden de los datos

establecidos en el archivo .MET como se muestra en la línea READ 1, tiempo

49
del cual se disponen datos (mínimo un año) como se muestra en XDATES y
localización de la estación como se muestra en LOCATION.

Figura 15 Ejecutable 2 del modelo AERMET.

El ejecutable 2 como se ve en la Figura 15, entrega como resultado un archivo

.MET el cual ya tiene los demás datos meteorológicos necesarios para el uso
del modelo AERMOD.

Figura 16 Ejecutable 3 del modelo AERMET.

Como se muestra en la Figura 14, el ejecutable 3 del modelo AERMET usa el

archivo .MET que genera el ejecutable 2. Este ejecutable genera 2 archivos de
extensión .SFC y .PFL, los cuales requiere el modelo AERMOD para su

50
 ejecución e información sobre la chimenea como Albedo, Relación de Bowen y
fricción superficial, respectivamente como se ve en la línea SITE_CHAR en
ejecutable 3.

2. Una vez se tienen los datos se ejecuta el modelo AERMOD, el cual requiere
como datos de entrada con los archivos .SFC y .PFL que tipo de dispersión
requiere y como desea que se presente la información, como se muestra en la
Figura 17.

Figura 17 Ejecutable del modelo AERMOD.

En la Figura 15, se ve en la parte superior en AVERTIME las condiciones de

dispersión que se quiere encontrar, para este caso se realizaron condiciones de
exposición de 1 hora, 8 horas y un año, donde se muestran los valores máximos

51
que se pueden tener para estas condiciones, adicionalmente se tiene la línea
POLLUTID la cual indica que tipo de contaminantes es sobre el cual se tiene
información en el inventario de emisiones.

Mientras que en la parte inferior encontramos los archivos que se generan son
tablas con los valores concentración de contaminantes por cada uno de los
puntos que se determinen como importantes, RECTABLE da todos los valores
por coordenada más altos registrados para cada tipo de condiciones de
exposición, MAXTABLE da el valor de los 50 puntos con mayor concentración
encontrados y PLOTFILE son los archivos necesarios para la ejecución del
modelo AERPLOT, que no se tendrán en cuenta en esta ocasión ya que el uso
de este modelo es opcional.

52