Este documento describe diferentes sistemas y herramientas de pronóstico de calidad del aire, incluyendo experiencias internacionales y nacionales. Explora recursos técnicos, tecnológicos e infraestructura necesarios, así como diferentes modelos como persistencia, análisis de series de tiempo, criterio, árboles de clasificación, ecuaciones de regresión, modelos auto-organizativos, modelación numérica y análisis fenomenológico. Finalmente, analiza experiencias nacionales e internacionales y ofrece recom

1. Sistemas de Pronóstico de
Calidad del Aire, Experiencias
Internacionales y Nacionales
Desafíos Futuros
Claudio Cortés
Jefe del Laboratorio de Informática Ambiental
Centro Nacional del Medio Ambiente
Agosto 12, 2011

2. Herramienta/Sistema de
Pronóstico
 Recursos técnicos
 Recursos tecnológicos
 Recursos en infraestructura
 Recursos humanos
 Sistema de pronóstico : La suma de
todo lo anterior.

3. Modelos de pronóstico
Herramientas
Herramientas de pronóstico
de pronóstico
Entornos micro (pronóstico a corto Entornos macro (pron óstico a
plazo, zona puntual) mediano-largo plazo, regió n extensa)
Modelos numéricos
Cualitativas
Subjetivos Cuantitativas
Objetivos
de pronóstico (determinísticos)
Estadísticos: Regresió n
Persistencia
(LR, MOS, ARIMA, etc.)
Climatología Estadísticos: Clasificaci n
ó
Auto-Organizativos: Neuronal
Criterio
(Determinístico)
Auto-Organizativos: Bayesiano
Experiencia
(Probabilístico)

4. Persistencia
 Asume estado estático o
relativamente sin cambios
 Herramienta de pronóstico básico
 Genera condiciones de inicio para
otras herramientas

5. Persistencia
 Fortalezas
◦ Aplicable a periodos donde hay poco
cambio (por ejemplo verano)
◦ No requiere experiencia para su
implementación y operación
◦ Las mediciones, como condiciones de
inicio se pueden obtener por observación

6. Persistencia
 Debilidades
◦ No es posible temporalizar el fenómeno a
pronosticar
◦ Aplicable a fenómenos de escasa
variabilidad
◦ No se puede obtener un resultados
determinado, solo rangos

7. Análisis de series de tiempo
 Basada en análisis de series de
tiempo
 Caracteriza la zona, muestra ciclos
típicos
 Se debe analizar una extensa base de
datos, por lo menos 5 años

8. Análisis de series de
tiempo, climatología
 Fortalezas
◦ Herramienta básica para el conocimiento
del comportamiento de fenómenos en la
zona
◦ No requiere herramientas ni
conocimientos estadísticos avanzados
para su uso o implementación

9. Análisis de series de tiempo,
climatología
 Debilidades
◦ No es considerada una herramienta de
pronóstico, sino mas bien la base de ellas
◦ No toma en consideración componentes
dinámicas
◦ Requiere un historial extenso de
mediciones

10. Criterio
 Utilizar valores umbrales para
caracterizar configuraciones típicas
 Son usualmente las llamadas “reglas
de oro”
 Reglas construidas en base a un
análisis estadístico acabado.

11. Criterio
 Fortalezas
◦ No requiere herramientas ni
conocimientos estadísticos avanzadas
◦ Disminuye los sesgos causados por la
aplicación de otras técnicas como la
Persistencia.

12. Criterio
 Debilidades
◦ La selección de valores umbrales se
puede considerar como un proceso
subjetivo
◦ No aplicable a valores determinados,
aplicable a rangos

13. Arboles de clasificación
(CART)
 Clasifica datos en grupos disímiles
 Se aplica análisis estadístico
 Similar al Criterio, pero CART es
100% objetivo

14. Arboles de clasificación
(CART)

15. Arboles de clasificación
(CART)
 Fortalezas
◦ No requiere herramientas ni
conocimientos estadísticos avanzadas
◦ Permite identificar condiciones similares,
cuando estas condiciones con el
resultados de diferentes procesos

16. Arboles de clasificación
(CART)
 Debilidades
◦ Requiere experiencia teórico/práctica
para su desarrollo
◦ Peligra con valores de entrada muy
cercanos a los umbrales.

17. Ecuaciones de regresión
 Herramienta más analizada en la
literatura y mas aplicada
 Se determina un predictando, en base
a éste se analizan las variables que
pueden influir de mayor manera en su
comportamiento

18. Ecuaciones de regresión
 Fortalezas
◦ No requiere de herramientas estadísticas
avanzadas, ni de mayores conocimientos
◦ Herramienta objetiva, muy documentada,
ampliamente utilizada en una variedad de
disciplinas

19. Ecuaciones de regresión
 Debilidades
◦ Requiere un cierto nivel de experiencia
teórico/práctica para su desarrollo y
actualización, no así para su operación
◦ Tiende a presentar mejor acierto en
valores ubicados en torno a la media de
la distribución
◦ Requieren actualización periódicas de
los coeficientes, para incorporar cambios
en el patrón de las condiciones de
entrada

20. Modelos auto-organizativos
 Algoritmos computacionales que
simulan el procesamiento cerebral de
los organismos biológicos en términos
de reconocimiento de patrones
(Redes Neuronales)
 Debe ser entrenados con el fin de
poder identificar patrones en un
complicado escenario de datos
relacionados de manera no lineal.

21. Modelos auto-organizativos

22. Modelos auto-organizativos
 Fortalezas
◦ Encuentra relaciones difíciles de
cuantificar con alguna de las
herramientas anteriores, permite
encontrar relaciones no lineales
◦ Capaz de pronosticar valores extremos
con mayor efectividad, tomando como
precaución que los datos de
entrenamiento contengan estos datos
extremos
◦ No requiere experiencia para su
operación

23. Modelos auto-organizativos
 Debilidades
◦ Fáciles de desarrollar, pero muy
complejas de entender
◦ Incapacidad de extrapolar, condiciones
que no fueron incluidas en los datos de
entrenamiento no serán pronosticadas.

24. Modelación con métodos
numéricos
 Consiste en representar
matemáticamente procesos físicos y
químicos
 Estos procesos, en el modelo, son el
resultado de aproximaciones
numéricas
 Es la herramienta mas completa y a la
vez la más compleja

25. Modelación con métodos
numéricos
 Fortalezas
◦ Basadas en toda la teoría conocida
◦ Aplicable a una extensa área geográfica,
no sólo a un punto
◦ Pronostica para zonas donde no se
tienen mediciones
◦ Puede ser usado para mejorar el
entendimiento de los procesos que
afectan el resultado

26. Modelación con métodos
numéricos
 Debilidades
◦ Su implementación requiere mucho
esfuerzo, mala implementación puede
reducir drásticamente el resultado
◦ Siempre hay errores en las condiciones
de inicio (monitoreo, inventarios) que
pueden influir en los resultados
◦ Requiere personal muy especializado y
grandes recursos computacionales

27. Análisis fenomenológico
 Se basa en la experiencia y en las
capacidades del personal a cargo del
pronóstico
 Consiste en la síntesis de la
información observada y pronosticada
por otras herramientas

28. Análisis fenomenológico
 Fortalezas
◦ Integración de nuevas fuentes de
información, adaptable a nuevos
descubrimientos, técnicas y herramientas
◦ Integración de información cuantitativa a
cualitativa
◦ Integración y el tratamiento selectivo de
gran cantidad de información en poco
tiempo
◦ Permite reducir el sesgo de las
herramientas cuantitativas.

29. Análisis fenomenológico
 Debilidades
◦ Requiere un alto nivel de experiencia
para su aplicación, personal experto

30. Análisis preliminar
Menos recursos,
Herramientas
de pronóstico
Menor desempe ño
Persistencia
Climatolog
ía
Criterio
Estadísticos
Auto-organizativos
Modelaci n Numérica
ó
Fenomenol
ógica Mas recursos,
Mayor desempeño

31. Experiencia nacional
 Conama:
◦ Modelo Cassmassi: Regresión Lineal
Múltiple, PM10, MACAM(RM)
 USACH:
◦ Modelo USACH: Modelo basado en
redes neuronales, PM10 y PM2.5,
MACAM(RM)
 UNAB:
◦ Modelo WRF-OIWA: Modelo
determinístico WRF/Chem, MACAM(RM)

32. Experiencia nacional
 Cenma:
◦ Modelo Cenma-MOS: Regresión Lineal
Múltiple con autoajuste de coeficientes,
PM10, MACAM(RM)
◦ Modelo Cenma-Neuronal: Modelo
basado en Redes Neuronales, PM10,
MACAM(RM)
◦ Modelo Cenma-Rancagua: Regresión
Lineal Múltiple, PM10, Rengo Rancagua
y San Fernando
◦ Modelo Cenma-Temuco: Regresión
Lineal Múltiple, PM10, Temuco y Padre
Las Casas

33. Experiencia nacional
◦ Modelo WRF-Cenma: Modelo
determinístico de características físico-
químicas, en implementación. Macrozona
Central.
◦ Sistema integrado de pronóstico
fenomenológico: Basado en la decisión
del personal experto.

34. Experiencia internacional
Localidad, país Tipo de Herramienta Implementado Acierto
herramienta durante
Sao Paulo, Brasil Modelo BRAMS-CATT 2002-2003 R2=0,7 (Subestima)
determinístico
ZMCM, México Modelo MM5-CIT 2002 No evaluado
determinístico,
ajustes estadísticos,
análisis
fenomenológico
Distintas Modelo MM5- MAQSP RT- 2002 Evaluado de
localidades, USA determinístico, SMOKE-BEIS3- acuerdo a la
ajustes estadísticos, CMAQ aplicación y
análisis reglamentación
fenomenológico vigente de cada
localidad
Hong Kong, Modelo MM5-CAMx- 2008 No evaluado
Beijing, China determinístico, CMAQ-
sistemas acoplados. Polyphemus-
NAQPMS,WRF-
Chem

35. Experiencia internacional
Localidad, país Tipo de Herramienta Implementado Acierto
herramienta durante
Graz, Austria Modelos Regresión Lineal 2003 PM10<75μg/m3
estadísticos. Múltiple, Arbol de 82,8%
decisiones. PM10≥75μg/m3
17,2%
Península Modelo WRF-Chem 2000-2004 70% (Subestima)
Arábica, Emiratos determinístico (WRF-Chem en
Árabes Unidos 2007)
Atenas, Grecia Modelo MM5-NMVOCs- S/I
determinístico CAMx
West Macedonia, Modelo MM5-CMAQ 2002 100% en AQI (error
Grecia determinístico, medio 9μg/m3)
análisis
fenomenológico
Torino, Italia Modelo RAMS-EMMA-FARM 2002 S/I
determinístico
Italia Modelo MM5-SMOKE- 2003 ±30% de error
determinístico CMAQ (Subestima)

36. Experiencia internacional
Localidad, país Tipo de Herramienta Implementado Acierto
herramienta durante
Columbia Británica, Modelo Estadístico Regresión Lineal 2005 En promedio:
Canadá Múltiple Bias: 0,056 μg/m3
MAE: 3,976 μg/m3
RMSE: 5,128 μg/m3
Thessaloniki, Regresión Lineal, LRA 2000 LRA: R2= 0,54
Grecia Arboles de decisión, CART CART: R2=0,62
Componentes PCA PCA: R2= 0,49
principales, Redes NN NN: R2= 0,50
Neuronales
Milan, Italia Redes Neuronales Redes Neuronales 2003 R2=0,75
Distintas Ensamblado EURAD-MOS 2004-2007 Rural : R2=0,19
localidades, Irlanda Determinístico, Urbano: R2=0,32
Estadístico
Temuco, Chile Modelo estadístico, Cenma-Regresión 2006 80%
análisis Lineal Múltiple
fenomenológico
Rancagua, Chile Modelo estadístico, Cenma- Regresión 2010 En evaluación
análisis Lineal Múltiple
fenomenológico
Santiago, Chile Modelo estadístico, CASSMASSI 2000 80%
análisis Regresión Lineal
fenomenológico Múltiple, Cenma
MOS, Cenma
Neuronal

37. Conclusiones
 Los sistemas de pronóstico en otros lugares
del mundo, han sido implementados después
del sistema que opera actualmente en RM.
 No es correcto someterlas a comparación,
si bien persiguen un mismo fin, sus principios
son totalmente distintos. Además, para
compararlas, deben gozar de las condiciones
de aplicabilidad óptimas para competir al
máximo de sus posibilidades (imposible en la
práctica).
 Toda herramienta de pronóstico tiene sus
debilidades y fortalezas, no existe técnica
infalible.

38. Conclusiones
 Modelos estadísticos, 100% objetivos,
presentan buen acierto con poco
tiempo de desarrollo e
implementación, buen balance entre
costo/efectividad
 La correcta aplicación de una
herramienta de pronóstico, se debe
basar en definir un indicador objetivo
que represente el problema que se
desea solucionar

39. Recomendaciones Generales
•La Fenomenología consiste en
tratar cada herramienta como
unidad de información,
sometidas a discusión por parte
de los expertos, con el fin de
llegar a una decisión
consensuada.
•Esto permite integrar dentro del
proceso del pronóstico variables
tanto cuantitativas como
cualitativas, estas últimas,
variables de muy difícil
tratamiento en las herramientas
cualitativas de pronóstico.

40. Desafíos Futuros
 Densificar la red de monitoreo local, velar por la
correcta operación. Mediciones son la base de toda
herramienta de pronóstico.
 Desarrollar herramientas de pronóstico de
PM2.5, como también profundizar el conocimiento de la
génesis, transporte, transformación, deposición e
impacto de los mismos.
 Mejora continua de inventarios de emisiones.
 Monitoreo en altura a fin de identificar perfiles verticales
 Implementación de herramientas de pronóstico
complementarias (modelos basados en distintas
técnicas).
 Lograr mayor anticipación a los eventos, capacidad de
respuesta ante episodios.
 Mejorar el Indicador de Calidad del Aire.
 Medidas estructurales de descontaminación más
eficaces.