View
9
Download
0
Category
Preview:
Citation preview
Contribución de fuentes particulares a Material Particulado en el corregimiento la Loma, Zona Minera del Cesar
Marjolyne Morales Fontalvo
Trabajo Final de Maestría para optar el título de:
Magister en Ingeniería Ambiental
Director:
Néstor Y. Rojas, Ph.D.
Profesor Asociado
Departamento de Ingeniería Química y Ambiental
Universidad Nacional de Colombia
Universidad Nacional de Colombia
Maestría en Ingeniería Ambiental
Bogotá, Colombia
2018
TABLA DE CONTENIDO
Tabla de contenido
1 INTRODUCCIÓN ........................................................................................................ 5
2. Planteamiento del problema y Justificación ............................................................. 7
3. Estado del Arte…………………………………………………………………………………10
4. Objetivos………………………………………………………………………………………13
5. Marco Teórico…………………………………………………………………………………14
5.1. Fundamentos conceptuales para la modelación de receptores………………………15
5.1.1. Factorización de Matriz Positiva……………………………………………………….16
5.1.2. Modelo Receptor UNMIX………………………………………………………………..17
5.1.3 Balance químico de masas……………………………………………………………….18
5.1.4. Preparación de datos……………………………………………………………………18
6. Metodología……………………………………………………………………………………20
6.1.1 Obtención y pretratamiento de datos………………………………………..…………20
6.1.2. Reconstrucción másica…………………………………………………………………..21
6.2 Selección de Muestras……………………………………………………………………..21
6.3. Selección del modelo Receptor PMF………………………………………………...…..24
6.4 Ejecución del modelo Receptor……………………………………………………………24
6.5 Análisis de Resultados………..…………………………………………………………….25
7. Análisis y Resultados…………………………………………………………………………26
7.1. Comportamiento de las concentraciones de PM10 y PM2.5……………………………..26
7.2. Comportamiento de la composición química de PM10 y PM2.5…………………………26
7.3. Reconstrucción másica…………………………………………………………………….28
7.4. Resultados de la aplicación de PMF……………………………………………………..30
7.4.1. PMF aplicado a PM2.5……………………………………………………………………31
7.4.2. Aportes de las fuentes a la generación de PM2.5 según modelo
PMF…………………………………………………………………………………….36
7.4.3. PMF aplicado para PM10………………………………………………………………..37
7.4.4. Aportes de las fuentes a la generación de PM10 según modelo
PMF…………………………………………………………………………………………..41
7.5 Análisis Exploratorio de las muestras seleccionadas…………………………………..42
8. Conclusiones…………………………………………………………………………………..47
9. Bibliografía……………………………………………………………………………………..49
4
RESUMEN
A pesar de que la contaminación del aire por PM2.5 y PM10 en la zona minera del Cesar es
un problema claramente diagnosticado, no existe claridad sobre la contribución atribuible
a diversas fuentes de emisión de material particulado. Este trabajo parte de la información
sobre las concentraciones y la composición química de muestras de PM2.5 y PM10
recolectadas en la estación de monitoreo de calidad del aire del municipio de La Loma,
llevada a cabo entre enero y marzo de 2016 por Corpocesar, y aplica el modelo Positive
Matrix Factorization (PMF) para determinar esta contribución de fuentes. Se identificaron
seis factores. El tráfico rodado, especialmente el de vehículos con combustible diésel, fue
el principal contribuyente a PM2.5 y PM10. Los incendios forestales representaron la
segunda contribución, con el 22% y 23% de la masa de PM2.5 y PM10, respectivamente. La
quema de desechos y basuras aportó el 16% de la masa de PM2.5. y el 18% de la masa de
PM10. Los factores asociados al polvo emitido por la extracción de la mina, el polvo de la
carretera y el polvo transportado por el aire, representan un 13%, 8% y 16% de la masa de
PM2.5, respectivamente. Para el caso de la distribución de los aportes de cada fuente a la
emisión de PM10, se concluye que los factores asociados a material secundario, polvo en
carretera y polvo de la mina corresponden al 1%, 14% y 12%, respectivamente.
ABSTRACT
Although PM2.5 and PM10 air pollution problem has been clearly identified, the contribution
of various sources of particulate matter is not clear. This work takes information of
concentrations and chemical composition of PM2.5 and PM10 samples collected at the air
quality monitoring station of La Loma between January and March 2016 by Corpocesar,
and applies the Positive Matrix Factorization (PMF) model to determine this source
contribution. Six factors were identified by the PMF model. Road traffic, especially that of
diesel-powered vehicles, was the main contributor to PM2.5 and PM10. Forest fires
represented the second contribution, with 22% and 23% of the mass of PM2.5 and PM10,
respectively. Around 16% of the mass of PM2.5 and 18% of the mass of PM10 comes from
waste burning. The factors associated with particles emitted by the extraction of materials
from the coal mine, by road dust and dust resuspended and transported by air masses,
represent 13%, 8% and 16% of the mass of PM2.5, respectively. In the case of PM10, these
factors contribute 1%, 14% and 12% of total mass, respectively.
5
1 Introducción
La contaminación atmosférica es una problemática a la que cada vez se le atribuyen más
efectos sobre la salud y el medio ambiente. Uno de los contaminantes con mayor impacto
sobre la salud pública es el material particulado o PM (por las siglas en inglés de particulate
matter), que afecta a más personas que cualquier otro contaminante. El PM es un conjunto
de partículas sólidas y líquidas emitidas directamente al aire, tales como el hollín de diesel,
polvo de vías, el polvo de la agricultura y las partículas resultantes de procesos productivos
(Fang et al., 2003).
Químicamente, el PM es un contaminante altamente complejo, constituido, entre otros, por
sulfatos, nitratos, amoniaco, cloruro de sodio, cientos de especies carbonáceas no volátiles
y semivolátiles, polvo mineral y agua, especies que pueden interactuar entre sí para formar
otros compuestos en la atmósfera (Billet et al., 2007).. Conocer la composición química del
material particulado, tiene relevancia no solo desde el punto de vista de la química de la
atmósfera, sino también sobre la calidad del aire que se respira en las ciudades (Quijano,
Quijano & Henao, 2010).
En función de su diámetro aerodinámico, el material particulado usualmente se mide como
PM10 (partículas con un diámetro aerodinámico menor a 10 m) y PM2.5 (partículas con
un diámetro aerodinámico menor a 2.5 m). Las partículas más finas suponen mayor
peligro porque, al inhalarlas, pueden alcanzar zonas periféricas de los bronquiolos y alterar
el intercambio pulmonar de gases (WHO, 2005). El PM no sedimenta en períodos cortos
sino que permanece suspendido en el aire debido a su tamaño y densidad (Resolución 610
de 2010) (MAVDT, 2010). Por lo tanto, el control de material particulado fino plantea
grandes retos en el desarrollo de estrategias para mejorar la salud pública y el bienestar
de una comunidad.
Conocer la contribución de diferentes fuentes de material particulado es fundamental para
plantear estrategias de reducción de emisiones y su consecuente mitigación de impactos.
Una de las formas para determinarla es la aplicación de modelos de receptor, los cuales
son procedimientos matemáticos aplicados sobre datos de composición del material
particulado en la localización de un receptor. A diferencia de los modelos fotoquímicos y
6
de dispersión en calidad de aire, los modelos de receptor no se basan en los datos de
emisiones de contaminantes, datos meteorológicos ni mecanismos de transformación
química para estimar la contribución de las fuentes a una concentración dada en el
receptor. En cambio, los modelos de receptor usan las características físicas y químicas
de gases y partículas medidas en la fuente y en el receptor para identificar la presencia y
cuantificar la contribución de diversas fuentes (EPA).
Este estudio tiene como propósito identificar las principales fuentes causantes de los
niveles de PM10 y PM2.5 en áreas-fuente de contaminación media y alta en el corregimiento
Paso del Municipio La Loma, Cesar. Las áreas-fuente, según el artículo 108 del decreto
979 de abril de 2006, se definen como la cantidad y características de las emisiones y el
grado de concentración de contaminantes en el aire, a partir de mediciones históricas con
que cuente la autoridad ambiental, con el fin de adelantar los programas localizados de
reducción de la contaminación atmosférica. En esta clasificación se establecen los distintos
tipos de áreas, los límites de emisión de contaminantes establecidos para las fuentes fijas
y móviles que operen o que contribuyan a la contaminación en cada una de ellas, el rango
o índice de reducción de emisiones o descargas establecidos para dichas fuentes y el
término o plazo de que éstas disponen para efectuar la respectiva reducción. Para ello,
aplicará la modelación de receptores a la caracterización química del material particulado
en el municipio de La Loma, que incluye carbono elemental, carbono orgánico, metales,
elementos de la corteza terrestre, aniones, cationes y compuestos orgánicos.
7
2. Planteamiento del problema y justificación La minería de carbón a cielo abierto contribuye a la generación de material particulado en
sus actividades de perforación, explosiones controladas, carga y descarga de escombros,
carga y descarga del carbón, transporte por carretera por caminos sin pavimentar y
pérdidas de vertederos de escombros expuestos al aire libre y plantas de manejo de
carbón. (Chakraborty et al., 2002)
La zona céntrica del Cesar es un importante centro de explotación de carbón en el país.
Las operaciones de minería de carbón a cielo abierto que pueden generar mayores
emisiones de contaminantes del aire incluyen la perforación, voladura, cargue y descargue
de estéril, cargue y descargue de carbón y las principales fuentes están ubicadas en vías
de acarreo, vías de trasporte, sitios de disposición de estériles, plantas de manejo de
carbón y las áreas expuestas de los pits de explotación (Chaulya, 2005). Se ha demostrado
que el tráfico vehicular en las vías de acarreo es la principal fuente de polvo fugitivo y puede
contribuir hasta en un 75-80% al polvo emitido en una mina de carbón a cielo abierto (Sinha
y Banerjee, 1996).
La autoridad ambiental del Cesar, Corpocesar, consciente de la problemática asociada a
tan importante actividad industrial, ha mantenido el área aledaña a la explotación minera
bajo constante vigilancia, para lo cual diseñó el Sistema Especial de Vigilancia de la
Calidad del Aire de la Zona Centro del Cesar –SEVCA_ZCC del Cesar. Este sistema ha
recopilado información relacionada con la calidad del aire ambiente de la zona minera
desde el año 2007 y vigila el cumplimiento normativo de los contaminantes criterio
partículas suspendidas totales PST, material particulado respirable PM10 y partículas finas
PM2.5.
Diferentes estudios de caracterización química de material particulado han sido realizados
en áreas de minería del carbón. Jones et al. (2001) realizaron la caracterización de
partículas dentro y en las proximidades de una mina de carbón a cielo abierto en South
Wales, encontrando que el polvo de las minas de carbón consiste principalmente de
partículas emitidas por vehículos y granos de minerales. Ghose y Majee (2007) evaluaron
la contaminación debida a minería de carbón a cielo abierto y las características del
material suspendido en Jharia Coalfield, India. Los valores de la fracción respirable de las
partículas suspendidas, las concentraciones de aniones y el material soluble en benceno
8
fueron altos y alarmantes para la salud humana, considerándose como fuentes de material
soluble en benceno la quema de carbón, las voladuras y el movimiento de vehículos. Dubey
et al. (2012) realizaron mediciones de metales traza en áreas de minería de carbón en India
y emplearon análisis de factores y factores de enriquecimiento para analizar las fuentes y
sus contribuciones al material particulado.
Sin embargo, hasta el año 2015 se consideraba a la actividad minera como la única fuente
importante de contaminación. Con los progresivos estudios e inventarios realizados en los
últimos años, se han identificado otras fuentes que se incluyen en el planteamiento del
problema, tales como Incendios forestales, quemas de residuos, vías despavimentadas y
en mal estado, etc.
En el estudio llevado a cabo en el 2016 por Corpocesar, por medio de su operador actual
la empresa acreditada en ISO 17025 K2 Ingeniería, encontraron que existen diferentes
fuentes causantes de los niveles de PM10 en áreas-fuente de contaminación media y alta
en el departamento de Cesar. Las tres principales fuentes son quemas a cielo abierto por
poblaciones aledañas a la Loma, carreteras destapadas en donde circulan vehículos
pesados, y la minería de cielo abierto.
En la figura 1 se puede observar la ubicación del corregimiento La Loma, cuya zona se
caracteriza por ser de explotación minera.
Figura 1 Ubicación del Municipio La Loma, Zona Minera del Cesar
9
Fuente: Google Earth
Por las razones anteriormente expuestas, se aplicará la modelación de receptores a la
caracterización química del material particulado en el municipio de La Loma, que incluye
carbono elemental, carbono orgánico, metales, elementos de la corteza terrestre, aniones,
cationes y compuestos orgánicos.
Los datos obtenidos del proceso de caracterización ayudaran a brindar información
importante que puede contribuir al entendimiento de los procesos de generación y
transporte del material particulado en la zona centro del Cesar, encontrando relaciones
entre la composición química de las diferentes estaciones y estableciendo si existen
factores comunes que expliquen la variación de las mediciones realizadas.
Se realizará una evaluación de los datos obtenidos en el proceso de caracterización del
material particulado respirable, que permita determinar si puede atribuirse la contaminación
del aire por material particulado a la actividad minera o existen otras actividades que hagan
una contribución significativa con respecto a las demás.
10
3. Estado del Arte
El material particulado (PM) presente en el ambiente está compuesto por diversas especies
químicas que incluyen, entre otras, metales, aniones, cationes, carbono orgánico y
elemental (Chow J, 1995). La técnica conocida como “caracterización del material
particulado” comprende la identificación y cuantificación de dichas especies a través de la
aplicación de diversas técnicas de análisis químico. Con base en los resultados obtenidos
mediante estas técnicas de análisis, es posible aplicar modelos estadísticos conocidos
como “modelos de receptores”, los cuales permiten la identificación y cuantificación de las
fuentes que contribuyen a la concentración de material particulado encontrada en un
determinado punto de monitoreo (receptor de interés).
La caracterización química del material particulado varía de acuerdo con las fuentes de las
partículas y a las condiciones de su dispersión (Celis, 2004). Por consiguiente, puede
proporcionar información importante sobre su origen (Murphy, 2007). A través del uso de
modelos de receptor, es posible inferir las contribuciones de los diferentes tipos de fuentes
contando con información sobre la composición química de los receptores (muestreadores
de aire ambiente) e información sobre los perfiles (composición química) de las posibles
fuentes de emisión.
De esta forma, diferentes ciudades alrededor del mundo han realizado estudios tendientes
a caracterizar el material particulado presente en su ambiente para así identificar sus
fuentes y aportes relativos. Los resultados obtenidos en trabajos de esta índole han
constituido una herramienta esencial para el entendimiento de la situación de
contaminación por material particulado y para la formulación de políticas de control de la
contaminación del aire.
Tabla 1. Recuento de resultados de contribución previa a PM
Referencia Fecha/Lugar Metodología Resultados
Manousakas,
et al
Grecia, 2010 PMF Los elementos con origen antropogénico
(Ni, Cu, Zn) parecen tener una baja
variación en su concentración entre la
estación cálida y la fría del año. La
concentración de minerales se calculó en un
23% y la concentración de sulfatos en un
18%.
11
Referencia Fecha/Lugar Metodología Resultados
Sneha, et al Calcuta(India), 2006 Hysplit La mina como fuente dominante fue
indicada por la relación OC/EC observada
de 3.52. Las trayectorias de masa de aire
calculadas por Hysplit para cada día del
período de muestreo indicaron claramente
que la mina afecta a las áreas vecinas y
distantes de la mina.
Mazzei, et al Genova, Italia, 2008 Las fracciones monitoreadas
corresponden a PM10, PM2.5 y material
particulado de tamaño menor a 1 μm,
recolectadas en cuatro puntos con
diferentes características topográficas y
de urbanización. Se determinaron 26
metales a través de XRF.
Permitieron establecer las fuentes
predominantes en los puntos de muestreo
a los aerosoles marinos, las partículas de
tierra, los sulfatos y nitratos, la combustión
de aceites pesados, las emisiones
vehiculares y los hornos de fundición.
Yoshizumi, et
al
Muestras de material
particulado
recolectadas en diez
zonas diferentes de la
ciudad de Tokyo,
Japón, 1990.
Activación de neutrones y cromatografía
iónica, respectivamente. Los datos
obtenidos fueron analizados mediante el
modelo de balance químico de masas
(CMB por sus siglas en ingles).
Los resultados obtenidos permitieron
identificar dos perfiles de fuente asociados
a los niveles de material particulado
hallados: las emisiones vehiculares
provenientes de la flota alimentada con
combustibles diésel y las partículas de
tierra.
Steven et al Shenandoah (Virgnia,
Estados Unidos), 1984.
Análisis de factores PMF Patrón de sulfato, azufre, amonio, selenio y
nitrato total identificable en el conjunto de
muestras recolectadas, sugiriendo, así
como principales causantes del problema
de contaminación por material particulado
en el sitio de estudio, a las plantas de
generación de energía operadas con
carbón.
La revisión bibliográfica realizada por Hernández (2012) señala que, si bien existen
estudios sobre caracterización de partículas en áreas de minería a cielo abierto, algunos
estudios se centran únicamente en los aspectos de distribución de tamaño y morfología
(Jones et al., 2001, Pless et al., 2000). Otros tienen un enfoque relacionado con la salud
ocupacional en los ambientes mineros (Rawat, 1982). Ghose (2007) realiza un
acercamiento a la composición química del material suspendido en el aire ambiente de
comunidades cercanas al área de explotación minera, pero incluyendo sólo análisis de
aniones y material soluble en benceno.
Huertas et al. (2012), realizaron un aporte significativo con la caracterización de partículas
de 15 estaciones de monitoreo en la ZCC, (zona donde se enfoca este trabajo) empleando
microscopía electrónica de barrido (SEM-EDS), y espectroscopía fotoelectrónica de rayos
12
X (XPS). El análisis mediante SEM-EDS presentó limitaciones debido a la influencia del
material de filtro empleado. Sin embargo, mediante XPS, se confirmó que C, O y Si son los
principales elementos presentes en las partículas. Se pudo concluir que las partículas eran
arcillas minerales con una composición similar a la del suelo local, por lo cual no fue posible
usar la composición elemental para identificar si las partículas se originan dentro de las
minas o cerca de las estaciones de monitoreo.
Se han realizado avances de estudios en áreas de operación minera a cielo abierto como
en el Hatillo, Zona de extracción de carbón, Cesar, en donde concluyen que la distribución
de fuentes de emisión para el caso del modelo receptor PMF representa el 46% para uso
de biomasa como combustible e incendios forestales, 26% para quema de desechos y
basuras, 16% para polvo de suelo y 12% para vehículos pesados, accionados con diésel.
(H. Castro, 2015).
Las anteriores fuentes en mención se evidencia la ausencia de la infraestructura adecuada
para el control de desechos sólidos, lo cual fomenta quemas a cielo abierto de este tipo de
residuos, las vías de acceso a la zona no cuentan con pavimentación que facilitan el
levantamiento de material particulado por el paso frecuente de vehículos y por último la
presencia de incendios forestales principalmente entre enero y marzo (meses más secos
del año) agudizan la problemática de calidad del aire de la zona de estudio. (H. Castro,
2015).
13
4. Objetivo General
Determinar la contribución de fuentes particulares a material particulado en el
corregimiento de la Loma, ubicado en la zona centro del Cesar.
Objetivos Específicos
Analizar la información de concentración de material particulado PM10 y PM2.5 y
composición química entregada por Corpocesar.
Determinar la contribución de diversos tipos de fuente al material particulado del aire,
mediante la aplicación del modelo de receptor Positive Matrix Factorization, PMF.
14
5. Marco Teórico
La contaminación atmosférica por material particulado se define como la alteración de la
composición natural de la atmósfera como consecuencia de la entrada en suspensión de
partículas, ya sea por causas naturales o por la acción del hombre. Las partículas son
frecuentemente clasificadas como primarias (emitidas directamente a la atmósfera) o
secundarias (se forman o modifican en la atmósfera por condensación, crecimiento o
cambio químico de los gases) y se emplean diversos términos para clasificar las partículas
arrastradas por el viento como: aerosol, polvo, partícula, ceniza fina, niebla, vapores, humo
y hollín. El material particulado secundario tiende a ser más fino en tamaño y se forma en
la atmósfera a través de conversión física y química de precursores gaseosos como son
los óxidos de nitrógeno (NOx), óxidos de azufre (SOx) y compuestos orgánicos volátiles,
por ejemplo, la oxidación de dióxido de azufre a ácido sulfúrico y cuando las sustancias
reaccionan con la luz solar y el vapor de agua (EPA, 2002).
Las fuentes capaces de emitir, específicamente, partículas a la atmósfera que contribuyan
a la fracción orgánica del aerosol, (Simoneit, 2000)
Emisiones antropogénicas: la quema de combustibles fósiles (diesel y gasolina)
producida por el tráfico y en algunos procesos industriales de generación de
energía, la quema de biomasa y carbón para calefacción doméstica, la resuspensión
de polvo proveniente de carreteras, la agricultura, el tabaco, la incineración de
basura y los procesos de tratamiento de aguas residuales. Estas emisiones se
centran en las zonas urbanas, (Y. Cheng, 2005)
Emisiones naturales: los procesos de combustión naturales como los incendios
forestales o las erupciones volcánicas, la erosión producida por el viento, las ceras
emitidas por las plantas, la caída de vegetación, el polen, la actividad de ciertos
insectos, los microorganismos, los hongos y las algas (Cheng, 2005).
Durante los últimos años ha aumentado considerablemente el volumen de datos sobre la
calidad del aire, debido en gran parte a la identificación de un mayor número de especies
y a periodos de muestreo mayores. Con el fin de aprovechar esta riqueza de datos se
comenzaron a desarrollar modelos de calidad del aire que simulan los procesos físicos y
químicos que sufren los contaminantes en la atmósfera. Entre los modelos más empleados
se encuentran los modelos de receptores. Éstos emplean las características físicas y
15
químicas de los gases y las partículas atmosféricas medidas en la fuente o en el receptor,
para identificar y/o cuantificar la contribución de una fuente en un receptor (Zhoue et al,
2009).
Según Pant y Harrison (2012), mediante los modelos de aporte de fuentes es posible
cuantificar la contribución de diferentes fuentes a concentraciones atmosféricas de material
particulado. Dentro de estos modelos se encuentran los métodos basados en la evaluación
estadística de datos de características químicas del material particulado en los receptores
(modelos de receptor). Su principio es que puede asumirse la conservación de masa y
especies químicas y que, a través de un balance másico, se pueden identificar y cuantificar
el aporte de fuentes al material particulado en la atmósfera (Viana et al., 2008).
Los modelos receptor (Brook et al, 2003) incluyen una amplia variedad de métodos de
análisis de variables múltiples que usan las mediciones del aire ambiente para inferir en
los tipos de fuentes su ubicación y contribución que afectan la calidad del aire. En su lugar
los modelos de fuentes empiezan con la emisión de las fuentes y calculan las
concentraciones de calidad del aire usando representaciones matemáticas de dispersión
meteorológica, transformación química y deposición. Aplicar modelos de fuentes y modelos
receptor en la misma situación revela diferencias en cada uno, que cuando son
solucionadas conducen a una mejor evaluación de las fuentes de contaminación (Watson
and Chow, 2005). Los modelos de receptor complementan los modelos de fuentes
proporcionando un método independiente para evaluar la influencia de fuentes cercanas y
distantes. Todos los modelos de calidad del aire son representaciones imperfectas de la
realidad (Watson and Chow, 2005) y los datos de entrada son raramente completos.
Watson et al (2002) presenta una estructura en la cual se pueden complementar
adecuadamente modelos de fuentes y modelos receptor para un mejor entendimiento de
la problemática de contaminación del aire.
5.1. Fundamentos conceptuales para la modelación de receptores
Como se ha mencionado anteriormente, los modelos de receptores comprenden técnicas
de diversos tipos que se utilizan para determinar la identidad de las fuentes de emisión que
16
contribuyen a las concentraciones de determinados contaminantes en lugares específicos.
Estas técnicas incluyen métodos microscópicos, físicos y químicos (Seigneur, 1997).
Los modelos de tipo químico se basan en la identificación de los denominados perfiles de
fuente de emisión y su relación con las concentraciones halladas en un punto determinado.
En este caso se supone que las concentraciones de las sustancias químicas que
componen el material particulado se encuentran asociadas con las fuentes generadoras
del mismo (Hopke, 2003).
Este tipo de modelos suelen ejecutarse bajo dos tipos de técnicas: El CMB y el análisis de
variables múltiples. Cada una de ellas requiere de información específica de entrada y de
características determinadas en los datos experimentales a analizar. De esta forma, la
selección de una u otra para su aplicación se basa en el tipo y cantidad de información
disponible, así como en las medidas analíticas incluidas en el diseño experimental del
estudio que se pretende desarrollar.
5.1.1. Factorización de Matriz Positiva
“Positive Matrix Positive”, Es el método más aplicado y no requiere un conocimiento a priori
de la composición de las fuentes, aunque es útil tener información de las características de
las fuentes para discriminar fuentes similares. La metodología PMF se basa en el principio
de análisis de factores por medio de un robusto algoritmo de mínimos cuadrados que se
encuentra asociado con cortos tiempos de respuesta (Ramadan, 2003). La principal
ventaja atribuida a este método tiene que ver con la inclusión de una restricción de no
negatividad para los resultados referentes a las cargas de los elementos para cada uno de
los componentes identificados así como para los puntajes factoriales.
Trabaja en el análisis por factores, donde la covarianza de las variables de entrada (como
las especies de PM10) se relaciona con pequeños grupos de factores (fuentes de PM10)
que impactan al receptor, siendo flexible al permitir trabajar con datos faltantes.
Matemáticamente, se basa en la siguiente ecuación:
(Ecuación 1)
donde xij es la concentración de la especie j en el receptor en la muestra i, gik es la
contribución del factor k en el receptor en la muestra i, fkj es la fracción del factor k de la
especie j, y eij es el residuo de la especie j en la muestra i. El programa EPA PMF 1.1,
17
asume que sólo las concentraciones xij son conocidas, teniendo como propósito estimar
las contribuciones (gik) y las fracciones (fkj); también, que no existen aportes negativos por
parte de los factores, para disminuir el número de soluciones posibles a partir de la teoría
de mínimos cuadrados. El modelo le confiere mayor peso a las concentraciones con
menores incertidumbres, relacionadas con el método analítico de cada especie, para
implementar los mínimos cuadrados, (Watson, G. et al. 2.008).
PMF pretende minimizar la suma de cuadrados, aplicando la siguiente ecuación:
(Ecuación 2)
donde sij es la incertidumbre de la especie j en la muestra i. Este valor Q debe ser
aproximado al número de datos de las concentraciones. Q es un parámetro crítico para
PMF y dos versiones de Q se muestran para las ejecuciones del modelo.
Q (verdadero) es el mejor parámetro de calidad de ajuste calculado que incluye
todos los puntos.
Q (robusto) es el parámetro de bondad de ajuste calculado excluyendo los puntos
no ajustados por el modelo, definido como muestras para las cuales el residual
escalado de incertidumbre es mayor que 4.
Al mismo tiempo, sin embargo, algunos autores han planteado ciertas implicaciones
indeseables para la restricción antes mencionada, tales como que las cargas negativas en
los factores identificados podrían ser indicadores de interacciones reales e interesantes de
evaluar entre las variables bajo estudio. Al imponer dicha restricción, se pierde la
posibilidad de identificar tales interacciones (Chan y Mozurkewich, 2006). El PMF, al igual
que la mayoría de los métodos estadísticos que se utilizan para el proceso de identificación
de fuentes, requiere de un elevado número de muestras (típicamente superior a 50 en cada
punto de medición) y una relación de variable: muestra de 1:3 para obtener resultados
exactos (Pant y Harrison, 2012 citando a Thuston y Spengler, 1985).
5.1.2. Modelo Receptor UNMIX
Este modelo desglosa las concentraciones de especies químicas medidas en el ambiente,
para identificar la contribución de las fuentes. El perfil de las fuentes lo genera el modelo
internamente, determinando el número, composición de las emisiones de la fuente y
contribuciones de las mismas, a través de fórmulas matemáticas (Watson, G. et al.
2.008).
18
5.1.3. Balance Químico De Masas(CMB)
Es uno de los mejores modelos receptores que se han aplicado en los estudios de calidad
de aire en las últimas dos décadas. Usa los perfiles de fuentes emisoras y datos de las
concentraciones del ambiente para cuantificar la contribución de las mismas, de forma más
específica, para especies como PM10, PM2.5 y Compuestos Orgánicos Volátiles (VOC’s).
El modelo consiste en una solución lineal de ecuaciones que expresa cada concentración
química del receptor como la suma de las contribuciones de las fuentes, aplicando la teoría
de mínimos cuadrados ponderados, y usando todas las mediciones químicas disponibles,
para dar mayor peso a las especies químicas con menor grado de incertidumbre (Coulter,
T. 2004). Conociendo los perfiles de las fuentes, CMB busca minimizar el valor χ2
(Ecuación 3)
donde σxj (µg/m3 ) es la incertidumbre de las concentraciones de las j especies medidas,
y σ fjk es la incertidumbre en la fracción de las j especies en el perfil de la fuente k. (Watson,
J.G. et al., 1.984)
5.1.4. Preparación de datos
Inicialmente, todas las especies disponibles y muestras en un conjunto de datos son
típicamente consideradas para la distribución de las fuentes de material particulado (PM10)
usando los dos modelos receptores mencionados anteriormente; luego, los análisis son
utilizados para excluir a determinadas especies, muestras o mediciones individuales.
Iones, carbono y metales se incluyen con frecuencia en la matriz de datos para ser
analizados, así como otras mediciones, tales como especies gaseosas, parámetros
meteorológicos, e hidrocarburos aromáticos policíclicos (Liu et al, 2003).
La elección de las especies a incluir en la matriz de datos y las incertidumbres asociadas
a los mismos dependerá de los objetivos del estudio y en la calidad de las mediciones de
las especies disponibles. Los procesos de selección de la especie y la construcción de la
matriz de incertidumbre proporcionan un mínimo de control sobre la derivación de las
soluciones.
19
Seis consideraciones comunes al preparar datos de PM para el análisis son 1) relevancia
de especies; 2) duplicación de la información; 3) datos faltantes; 4) datos por debajo de los
límites de detección; 5) mala o desconocida calidad de datos y 6) distribución de la masa
de PM entre fuentes. Cada uno se discute en detalle a continuación.
Especies relevantes: Los modelos receptores, como PMF y UNMIX, suponen
implícitamente que las mediciones temporalmente covariantes se originan de la misma
fuente. Las mediciones que no son indicativos de influencia de cualquier fuente pueden ser
excluidas de algunos análisis con modelos receptores. Se presume, que tales mediciones
actuarán sólo como una fuente de ruido e interferencia con el proceso de construcción del
modelo (Buzcu et al. 2003).
Duplicación de mediciones: Otra consideración durante la selección de especies es si se
incluye o no especies químicamente redundantes en la matriz de datos. Por ejemplo,
¿podrían el azufre, el sulfato (que contiene azufre), o ambos ser incluidos? Algunos
estudios han incluido ya sea de azufre o sulfato como una especie de ajuste pero no ambos
(Kim and Hopke, 2004).
Datos faltantes: PMF y UNMIX requieren que los valores estén presentes en todas las
entradas de una matriz de datos para el análisis. Las mediciones de especies faltantes en
muestras individuales deben, por lo tanto, ser tratados de alguna manera. Se han utilizado
tres tratamientos en trabajos previos (Zhao and Hopke, 2004). Primero, es posible eliminar
muestras (filas de la matriz de datos) para los cuales no se encuentra ninguna medición.
Segundo, eliminar las especies (columnas de la matriz de datos) del análisis
completamente, lo cual se usa típicamente cuando no se cuenta con un gran porcentaje
de observaciones de las especies. La tercera y última opción es asignarle un valor a la
medición con una gran incertidumbre, de tal forma que tenga poca influencia en el modelo.
Datos por debajo del límite de detección (DL): Para este caso, un método muy popular
para manejar estos datos, es reemplazarlos con el valor de la mitad del límite de detección
(DL/2), mientras el valor de 5/6 de dicho límite (5*DL/6) se utiliza como el valor de
incertidumbre correspondiente (Polissar et al., 1998).
20
Poca o desconocida calidad de los datos: La calidad de los datos puede ser
cuestionable por motivos distintos a los valores faltantes o mediciones por debajo del límite
de detección. Tales datos pueden ser manipulados durante el proceso de preparación de
los datos, realizando bajas ponderaciones (aumentando las incertidumbres) o desechando
las mediciones en cuestión (Kim et al., 2005).
Distribución de la masa de PM: Si el propósito de la aplicación de los modelos es la
distribución de la masa de PM, es posible utilizar dos conceptos. Incluir al PM como especie
en la matriz que será analizada con el modelo. Si la masa de PM se incluye en la matriz de
datos de entrada, entonces el modelo asignará el PM a cada factor de la misma manera
que reparte todas las especies. Recientemente se ha sugerido que las incertidumbres de
las concentraciones de PM deben incrementarse sustancialmente cuando se utilizan dentro
de la matriz de datos, para asegurarse que no afecta la solución resultante del modelo (Kim
et al. 2005). La segunda manera de distribuir la masa de PM es excluir la medida de masa
de PM de la matriz de datos y realizar una regresión de la contribución de los factores del
modelo sobre las medidas de masa de PM. Sin embargo, la primera opción sigue siendo
la más usada considerando la obtención de datos más reales.
6. Metodología
6.1. Obtención y pretratamiento de datos
Los datos para la caracterización química fueron obtenidos a partir de muestras
recolectadas mediante dos (2) equipos secuenciales de bajo volumen (Partisol 20251) y,
de manera simultánea, un equipo de alto volumen de referencia (HiVol) sobre filtros de
cuarzo y de teflón en la estación ZM3, La Loma., que fueron posteriormente procesadas.
La campaña de medición se llevó a cabo en los meses comprendidos de enero a marzo de
2016 por Corpocesar.
La información obtenida consistió en las concentraciones de los diferentes componentes
del material particulado, en microgramos por filtro, y sus correspondientes incertidumbres,
para los filtros recolectados en la estación ZM3, La Loma y para los filtros blancos, con la
aclaración del tipo de filtros empleado para cada muestra (filtro de cuarzo usado en equipo
de alto volumen o filtro de cuarzo de 47 mm usado en equipo de bajo volumen).
1 Thermo Scientific Partisol 2025, Método de Referencia, aprobación EPA RFPS-1298-127, 06/2011.
21
Se realizó la conversión las concentraciones de los diferentes componentes en
microgramos por metro cúbico, corrigiéndolas de acuerdo con la contribución de los filtros
blancos. Lo anterior también se aplicó para calcular las incertidumbres resultantes en
microgramo por metro cubico, considerando la incertidumbre del análisis del componente
en el filtro y del análisis del filtro blanco.
6.1.2. Reconstrucción másica
Para la reconstrucción másica del presente trabajo se realizaron los cálculos de la siguiente
manera: Se consideró los factores reportados por Beuck et al. (2011), remplazando el
factor de corrección para el carbono orgánico, el cual se consideró de 2.2 para la primera
alternativa de cálculo y de 2.5 para la segunda alternativa de cálculo, según los rangos
sugeridos por Turpin y Lim (2001).
6.2. Selección de Muestras
Fecha PM10 PM2.5 Muestra Seleccionada Muestra no seleccionada
enero 16, 2016 x
enero 17, 2016 X X
enero 18, 2016 x
enero 19, 2016 x
enero 20, 2016 X x
enero 21, 2016 x
enero 22, 2016 x
enero 23, 2016 X x
enero 24, 2016 x
enero 25, 2016 x
enero 26, 2016 X x
enero 27, 2016 x
enero 28, 2016
x
enero 29, 2016 X x
22
Fecha PM10 PM2.5 Muestra Seleccionada Muestra no seleccionada
enero 30, 2016 x
enero 31, 2016 x
febrero 1, 2016 X x
febrero 2, 2016 x
febrero 3, 2016 x
febrero 4, 2016 X x
febrero 5, 2016 x
febrero 6, 2016 x
febrero 7, 2016 X x
febrero 8, 2016 x
febrero 9, 2016 x
febrero 10, 2016 X x
febrero 11, 2016 x
febrero 12, 2016 x
febrero 13, 2016 X x
febrero 14, 2016 x
febrero 15, 2016 x
febrero 16, 2016 X x
febrero 17, 2016 x
febrero 18, 2016 x
febrero 19, 2016 X x
febrero 20, 2016 x
febrero 21, 2016 x
febrero 22, 2016 X x
febrero 23, 2016 x
febrero 24, 2016 x
23
Fecha PM10 PM2.5 Muestra Seleccionada Muestra no seleccionada
febrero 25, 2016 x x
febrero 27, 2016 x
febrero 28, 2016 x x
febrero 29, 2016 x
marzo 1, 2016 x
marzo 2, 2016 x x
marzo 3, 2016 x
marzo 4, 2016 x
marzo 5, 2016 x x
marzo 6, 2016 x
marzo 7, 2016 x
marzo 8, 2016 x x
marzo 9, 2016 x
marzo 10, 2016 x
marzo 11, 2016 x x
marzo 12, 2016 x
marzo 13, 2016 x
marzo 14, 2016 x x
marzo 15, 2016 x
marzo 16, 2016 x
Se realizará un análisis exploratorio de las muestras seleccionadas, con los valores de las
concentraciones, estadística básica, relación entre ellos. Para ello se realizará una
representación temporal promedio en donde se incluyan los datos del Ideam en la fecha
muestreada en el corregimiento la Loma del Municipio del Paso, Cesar para determinar si
a partir de los datos de precipitación, velocidad del viento, humedad relativa y rosa de
vientos se puede tomar los datos de PM2.5 y PM10 promedio.
24
6.3. Selección del modelo Receptor PMF
Se selecciona el modelo receptor PMF, la cual es una herramienta de análisis de factores
multivariante que descompone una matriz de datos de muestra especiada en dos matrices:
contribuciones de factores y perfiles de factores. El modelo PMF v5.0 requiere dos archivos
de entrada: una de las concentraciones medidas de la especie y otra para la estimación
incertidumbre de la concentración. Para este caso, se ingresó las muestras completas de
PM2.5 y PM10 correspondiente al monitoreo realizado durante sesenta días consecutivos,
entre el 16 de enero y el 16 de marzo de 2016, con los dos equipos secuenciales y
mediciones cada tercer día obtuvieron en total 60 muestras con filtros de cuarzo de 47mm
(QFFL), 60 con filtros de TFE de 47mm (TFEL) y 20 con filtros de cuarzo de 22x28 cm
(QFFH). El modelo PMF en los detalles ha sido descrito por Paatero y Tapper (1994) y
Paatero (1997).
6.4. Ejecución del modelo Receptor
El modelado de PMF se realizó mediante el método de prueba y error siguiendo los
enfoques de seis etapas: 1) examinar la matriz de datos; 2) desarrollar estimaciones de
incertidumbre; 3) determinar la cantidad de factores; 4) explorar el espacio rotacional; 5)
reparto masivo; y 6) interpretación. La cantidad de factores se determina básicamente en
función de un valor Q. Si la desviación estándar se estimó apropiadamente, para que el
valor Q fuera teóricamente equivalente al grado de libertad para una matriz de datos dada.
Esto se debe a que los valores que se reproducen utilizando los residuos de cada dato
pueden contribuir aproximadamente de uno a uno al valor Q. Sin embargo, en la mayoría
de los casos, los valores Q calculados resultan ser más grandes que el valor Qteórico. Los
residuos pueden examinarse como un método para evaluar la cantidad de factores que
corresponden al valor Q optimizado. Si los residuos a escala siguen una distribución
simétrica con un rango de - 3 a 3, entonces el número de factores puede considerarse
como apropiado. Si los residuos a escala tienen una gran dispersión, entonces la cantidad
de factores debe reinvestigarse para sumar o restar la cantidad de factores incluidos. La
confiabilidad del modelado de PMF se estimó mediante el análisis de correlación entre las
concentraciones de masa medidas y las concentraciones pronosticadas. Para obtener el
coeficiente de distribución de masa, la concentración de PM2.5 y PM10 medida se incluyó
como una variable independiente en el modelado de PMF sin la regresión lineal
multivariante utilizada comúnmente (Kim et al., 2004).
25
6.5. Análisis de Resultados
Para una distribución fuente basada en PMF, la selección de los datos de entrada es crítica.
Los datos de entrada utilizados en el modelado se seleccionaron en función de la
sensibilidad analítica, la precisión y el límite de detección. Para realizar un análisis en una
fuente PM2.5, se preparó una matriz de datos con una dimensión de 50x13 y 50x7 con 40
elementos metálicos, 6 componentes iónicos, 2 componentes de Carbono (Fitros de
cuarzo), y PM10 – PM2.5. Como los datos de entrada de PMF, se deben hacer las dos
concentraciones y sus estimaciones de error de los componentes químicos. En este
estudio, ambos términos están determinados por los siguientes métodos. 1) Los datos
medidos se usan directamente, mientras que sus estimaciones de error se utilizan para la
incertidumbre expandida en un intervalo de confianza del 99% de cada valor. 2) Para los
datos inferiores al límite de detección, los datos se reemplazan con un valor medio de límite
de detección para cada elemento y sus estimaciones de error se utilizan para 5/6 de esos
límites de detección (Polissar et al., 1998).
La identificación de las fuentes se realizó utilizando las principales especies marcadoras
que pueden estimarse basándose en varias referencias. Aunque la mayoría de los metales
traza (Ba, Br, Cr, Cu, Ni, Pb, Se, V, Zn, etc.) constituyen solo alrededor del 1% de la masa
total de partículas, juegan un papel crítico en la identificación de la fuente. Debido a que
grandes cantidades de carbono, componentes iónicos y principales elementos de la
corteza se incluyen comúnmente en la mayoría de las fuentes, las fuentes se pueden
clasificar de manera específica y distintiva utilizando trazas metálicas específicas. En este
estudio, las fuentes se confirman principalmente en función del porcentaje de la especie
para la fuente y la concentración de la especie para cada fuente. Además, el análisis
espacio-temporal de las contribuciones de fuentes en relación con las condiciones
estacionales o meteorológicas ayuda a comprender las características de la fuente.
26
7. Análisis y Resultados
7.1. Comportamiento de las concentraciones de PM10 y PM2.5
En la figura No.2 se evidencia que en las muestras recolectadas con filtros de TFE de
47mm (TFEL) del día 17 de enero al 22 de febrero de 2016, el comportamiento del PM2.5
(Concentración promedio de 23 μg/m3) fue mucho más estable que para las muestras
recolectadas del 25 de febrero al 14 de marzo para PM10. Para el caso de PM10, el día 5
de marzo de 2016 presentó un pico considerable de aproximadamente 110 μg/m3, lo cual
pudo ser provocado por incendio en esa fecha. Adicionalmente, no se pudo muestrear PM10
a partir de la fecha del 17 de enero al 16 de marzo de 2016, sino a partir del 25 de febrero
hasta el 14 de marzo debido a que se configuro PM2.5 a partir del 17 de enero.
Figura 2 Comportamiento de las concentraciones de PM10 y PM 2.5
7.2. Comportamiento de la composición química de PM10 y PM2.5
En la figura No.3, se puede observar que los iones presentes en mayor cantidad de manera
descendente son sulfatos, amonio, y sodio con un promedio de 3.77 μg/m3, 1.88 μg/m3, y
0.49 μg/m3. Los iones como potasio y nitratos se encuentran presentes en una cantidad
muy similar de aproximadamente 0.35 μg/m3.
La especie que abunda en forma mayoritaria es el carbón orgánico con un promedio de 19
μg/m3.
0
20
40
60
80
100
120
1/11/16 1/21/16 1/31/16 2/10/16 2/20/16 3/1/16 3/11/16 3/21/16
Co
nc(
mg/
m3
)
Fecha
PM2.5
PM10
27
Los metales solubles en agua están presentes en un promedio de 2.95 μg/m3, el cual se
ve evidenciado en la suma de ICP-MS. Por otro lado, como se puede observar de la figura
2, no se puede relacionar el cociente de PM2.5/PM10, debido a que fueron muestras
obtenidas en fechas diferentes.
Figura 3 Composición química de PM2.5
La figura 4 muestra que los iones presentes en mayor cantidad de manera descendente
son sulfatos, nitratos, sodio y amonio con un promedio de 6.72 μg/m3, 3.39 μg/m3, 2.41
μg/m3 y 1.32 μg/m3. Los iones como potasio y cloruros se encuentran presentes en una
cantidad muy similar de aproximadamente 0.6 μg/m3. La especie que abunda en forma
mayoritaria es el carbón orgánico con un promedio de 29.9 μg/m3. Los metales solubles
en agua están presentes en un promedio de 14.04 μg/m3, el cual se ve evidenciado en la
suma de ICP-MS. El valor correspondiente al 16 de febrero de 2016 puede corresponder
a errores gravimétricos de la muestra. Como es de conocimiento en las determinaciones
gravimétricas de materia particulada sólida recogida en un filtro, demuestra que este
análisis, aparentemente sencillo, está sujeto a errores que afectan a dichas
determinaciones. Tradicionalmente, las principales fuentes de error se han asociado a
efectos producidos por manipulaciones inadecuadas, humedad relativa, temperatura y
cargas electrostáticas, debido fundamentalmente, a la naturaleza y/o al fabricante del filtro
o soporte de retención y a la inestabilidad en la pesada de la masa por absorciones o
pérdidas de agua.
0
5
10
15
20
25
30
35
40
45
1/1
7/1
6
1/1
8/1
6
1/1
9/1
6
1/2
0/1
6
1/2
1/1
6
1/2
2/1
6
1/2
3/1
6
1/2
4/1
6
1/2
5/1
6
1/2
6/1
6
1/2
7/1
6
1/2
8/1
6
1/2
9/1
6
1/3
0/1
6
1/3
1/1
6
2/1
/16
2/2
/16
2/3
/16
2/4
/16
2/5
/16
2/6
/16
2/7
/16
2/8
/16
2/9
/16
2/1
0/1
6
2/1
1/1
6
2/1
2/1
6
2/1
3/1
6
2/1
4/1
6
2/1
5/1
6
2/1
6/1
6
2/1
7/1
6
2/1
8/1
6
2/1
9/1
6
2/2
0/1
6
2/2
1/1
6
2/2
2/1
6
Concentr
acio
n m
g/m
3
Suma ICPM
EC
OC
Potassium
Ammonium
Sodium
Sulfate
Phosphate
Nitrate
Chloride
PM2.5
28
Figura 4 Composición química de PM10
De la figura 3 y 4 se puede observar un sesgo en el análisis EC/OC. Lo anterior se justifica a errores
obtenidos en la gravimetría de material particulado.
7.3. Reconstrucción másica
Las Figuras 5 y 6 comparan los datos de la reconstrucción másica con el análisis
gravimétrico del PM10 y PM2.5. La materia orgánica representada por el contenido de OC
se encuentra presente mayormente dentro de los datos analizados correspondiente a un
61%. La participación de los metales analizados equivale al 9% en masa, mientras que los
iones aportan un 22% al PM2.5.
La reconstrucción es reportada mayor al 100%, debido a posibles errores en la gravimetría.
Las posibles fuentes fueron mencionadas anteriormente, como lo son manipulaciones
inadecuadas, humedad relativa, temperatura y cargas electrostáticas, inestabilidad en la
pesada de la masa por absorciones o pérdidas de agua.
0
20
40
60
80
100
120
0
10
20
30
40
50
60
70
80
2/2
5/1
6
2/2
6/1
6
2/2
7/1
6
2/2
8/1
6
2/2
9/1
6
3/1
/16
3/2
/16
3/3
/16
3/4
/16
3/5
/16
3/6
/16
3/7
/16
3/8
/16
3/9
/16
3/1
0/1
6
3/1
1/1
6
3/1
2/1
6
3/1
3/1
6
3/1
4/1
6
con
c(m
g/m
3)
fecha
SUMA IPCM
EC
OC
K+
NH4+
Na+
SO4=
NO3-
Cl-
PM10
29
Figura 5 Distribución media de la composición másica determinada para metales, iones y elementos de carbono en las muestras tomadas en la estación de monitoreo ZM3 para PM2.5
De igual forma para la figura No.6 se observa que la materia orgánica representada por el
contenido de OC se encuentra presente mayormente dentro de los datos analizados
correspondiente a un 49%. La participación de los metales analizados equivale al 23% en
masa, mientras que los iones aportan un 24 al PM10.
Figura 6 Distribución media de la composición másica determinada para metales, iones y elementos de carbono
en las muestras tomadas en la estación de monitoreo ZM3 para PM10
Cl-0%
NO3-1%
SO4=12%
Na+2%
NH4+6%
K+1%
OC61%
EC8%
SUMA IPCM9%
Cl-1%
NO3-5%
SO4=11% Na+
4%NH4+
2%K+1%
OC49%
EC4%
SUMA IPCM23%
30
7.4. Resultados de la aplicación de PMF
Según el manual de la EPA,”PMF 5.0 USER GUIDE”, PMF requiere un conjunto de datos
que consiste en un conjunto de parámetros medidos en múltiples muestras. El PMF sugiere
a menudo conjuntos de datos de PM2.5 con 10 a 20 especies en 100 muestras. Un conjunto
de datos de incertidumbre, que asigna un valor de incertidumbre a cada especie y muestra,
también es necesaria. El conjunto de datos de incertidumbre se calcula utilizando
incertidumbres propagadas u otra información disponible, como la precisión de muestreo.
Por otro lado, el “número de factores” es importante, porque es el número de factores que
el modelo debe ajustar; este número debe ser un entero entre 1 y 999. El número de
factores a elegir dependerá de la capacidad de comprensión del usuario de las fuentes que
afectan a las muestras, número de muestras, tiempo de muestreo, resolución y
características de las especies.
Según el articulo Adam Reff, et al(2007) titulado” Modelo Receptor de datos de Material
Particulado ambiental usando factorización de matriz positiva: revisión de Métodos
existentes, comentaron que varios fenómenos pueden contribuir a la incertidumbre en las
soluciones modeladas por PMF incluyendo la variación temporal de los perfiles de fuente
de PM, error de medición, variabilidad de muestreo y errores en el proceso de modelado,
como la ambigüedad rotacional y el número de factores mal especificados. Algunas
publicaciones proporcionan medidas de incertidumbres en los perfiles de los factores, que
son probablemente calculados por propagación de errores de medición a través de PMF,
pero muy a menudo no hay explicación dada de las mediciones de error de perfil. Para
intentar tener en cuenta muchas de las fuentes de error mencionado anteriormente, la
técnica de bootstrapping (arranque) puede ser usado. Bootstrapping (arranque) implica
seleccionar aleatoriamente n muestras con reemplazo de un conjunto de datos para crear
un nuevo conjunto de datos, ejecutando PMF en este ejemplo, y estimando perfiles de
factor. Varios cientos de conjunto de datos bootstrapped se modelan y se calculan
estadísticas de resumen.
Bootstrapping (arranque) puede, por lo tanto, usarse para determinar la precisión de los
perfiles PMF calculando la desviación estándar (asumiendo normalidad) o varios
percentiles de perfiles de factores (valores de matriz F) de numerosas corridas de arranque.
31
Una técnica muy similar al bootstrapping (arranque) fue implementada por Hedberg, et al,
quien estimó el efecto del tamaño de la muestra en las soluciones de PMF mediante la
reconstrucción de su conjunto de datos original con 85%, 70%, 50% y 33% de las muestras
originales. Subconjuntos de datos de estos cuatro tamaños fueron construidos y analizados
aleatoriamente con PMF aproximadamente 30 veces, lo que significa que desviaciones
estándares, y errores relativos de los perfiles factoriales (matriz F) fueron calculados. Se
evidenció que errores relativos incrementaban a medida que disminuye el tamaño de la
muestra, pero los autores concluyeron que su solución era estable, porque las mismas
fuentes podían identificarse en la mayoría de las soluciones.
7.4.1. PMF aplicado a PM2.5
Los datos obtenidos de 4 a 6 factores se analizaron para obtener la mejor solución de
ajuste. Los valores de Q, los residuos escalados, y los perfiles químicos para cada factor
fue evaluado para obtener el mejor ajuste. La mejor solución se encontró para seis factores:
polvo de la mina, polvo de camino, vehículos con combustible diésel, incendios forestales,
quema de desechos y basuras, polvo transportado por el aire. Es necesario aclarar que el
impacto de número de muestras influye en la significancia estadística e incertidumbre de
los resultados.
Figura 7 Valores observados versus predichos de PM2.5 con la aplicación del modelo PMF, usando 6 factores. Modelo PMF, estación ZM3, La loma.
Los datos de entrada fueron corridos tomando como punto de partida 4, 5 y 6 factores. Los
resultados de ajuste del modelo para PM2.5 evidencian la necesidad de utilizar 6 factores
de referencia o 6 fuentes, teniendo en cuenta la posible procedencia y el aporte de las
especies analizadas. De acuerdo con esto, la figura 7 muestra la relación entre los valores
predichos por el modelo y los observados con su respectivo ajuste; cabe resaltar que la
regresión de los datos de esta figura cuenta con coeficiente de correlación R2 de 0,85, lo
32
que permite concluir que se observa una representación confiable de los resultados con el
uso de este modelo.
De manera similar, la figura 8 presenta el comportamiento de los valores predichos y
observados durante el periodo de tiempo del monitoreo. Nuevamente, se observa una
predicción muy aproximada de los valores utilizando el modelo PMF planteado. Los valores
que no han sido predichos con precisión coinciden con valores de entrada que presentan
grandes incertidumbres.
Figura 8 Relación de valores observados versus predichos respecto a la serie de tiempo de PM2.5. Modelo PMF, estación ZM3, La Loma.
Para poder determinar la contribución de las fuentes a la generación de material particulado
PM2.5, es importante analizar la concentración de cada una de las especies en cada una
de las posibles fuentes, de esta forma es posible identificar inicialmente las fuentes de
emisión más participativas. La figura 9 muestra el porcentaje de las especies presentes y
la concentración de las mismas en las 6 fuentes seleccionadas.
De acuerdo con esto es posible identificar la distribución de las especies de la siguiente
forma:
33
La Fuente 1, se puede evidenciar porcentaje mayoritario en elementos como sodio(Na+),
magnesio(Mg+) y potasio (K+) de aproximadamente 34%, 30% y 39.4%. Adicionalmente se
observan presencia de elementos y compuestos como cloro(Cl-), amonio(NH4+), Sulfatos
(SO4-2), Azufre (S) , con un porcentaje de 14.7%, 19.3%, 22.3%, 34.9%. Por otro lado, se
observa la presencia en menor cantidad del carbono orgánico (OC) 19.8% y el 15.5% del
carbono elemental (EC). De acuerdo con la literatura (Polissar et al., 1998 y Bruinen de
Bruin et al., 2006), la presencia conjunta de OC, K cationes como NH4+, Cl- permite
identificar una fuente de emisión común, que para este caso puede ser atribuida a
incendios forestales o el uso de biomasa como combustible.
34
especie analizada. Modelo PMF, estación ZM3.
Figura 9 Perfiles de las fuentes de PM2.5 de acuerdo a la distribución y aporte de cada especie analizada. Modelo
PMF, estación ZM3, La Loma.
35
Para la Fuente 2, presenta un porcentaje mayoritario en carbón elemental de
aproximadamente del 38.1%, lo cual puede asociarse a la fuente de polvo de la mina.
Adicionalmente presenta elementos y compuestos de nitratos (NO3), sulfatos(SO4-2),
amonio(NH4+), sodio(Na+), y potasio (K+) con porcentajes de alrededor del 17%, 28%,
29.9%, 21% y 26.1%. Para el caso del carbón orgánico presenta aproximadamente 20.8%.
Para la Fuente 3, se caracteriza por una alta concentración Cu, Zn,Cd, Ba, Pb, Ni, Fe.
Varios estudios coinciden en que polvos que contiene niveles más altos de metales traza
como los mencionados anteriormente son asociados al polvo en carretera (Duong y Lee,
2011; Luo et al., 2012). Además, estudios previos identificaron Fe, Cu, Cr y Zn (SDA,
2009a;Vargas et al., 2012) como trazadores de polvo de camino. Esto, junto con la
presencia de OC y EC, que se han considerado comunes trazadores del polvo del camino
(Amato et al., 2014).
La Fuente 4 puede corresponder a las quemas o incendios de material vegetal que se
presentan en la época de sequía, en la loma el Cesar. Se evidencia que la mayor
concentración de Cloruros (Cl-) se encuentra en dicha fuente con un porcentaje del total
de la especie de 34.8%. Adicionalmente se evidencia la presencia de Nitratos (NO3) con
un 53.5%, K con 26.2%, Na con 41.8%, Mg con 40.4% y SO4-2 con 10.4%. Además, se
encuentran presentes OC y EC. Teniendo en cuenta lo anterior y resaltando los elementos
y compuestos, se podría afirmar que la fuente de emisión analizada proviene de la quema
de desechos y basuras (Bruinen de Bruin et al., 2006), actividad frecuente en la zona donde
se encuentra la estación de muestreo.
La Fuente 5 puede corresponder al polvo transportado por el aire. Se evidencia presencia
mayoritaria en carbón orgánico del 18.9%. Por otro lado, se encuentran presentes
elementos como Cl-, Na+, y K+ en porcentajes del 11.9%, 7.9% y 16.1%. Para el caso de
nitratos(NO3), sulfatos SO4-2 y amonio (NH4
+) y OC, se encuentran presentes en un 7.4%,
8.3%, 12%, y 10.1%.Teniendo en cuenta lo anterior y resaltando los elementos y
compuestos, se podría afirmar que la fuente de emisión analizada proviene del polvo
transportado por el aire.
36
Finalmente para la Fuente 6, presenta porcentajes de 17.8% y 15.3% para el OC y EC,
respectivamente, lo que representa la presencia de fuentes móviles. De acuerdo con
Bruinen de Bruin et al. 2006, la presencia de especies elementales como S, Na, permiten
asumir que la fuente de origen son los vehículos que usan como combustible diesel. Por
otro lado la presencia de SO4-2 y Nitratos (NO3-), ayuda a confirmar que la fuente de
emisión son los vehículos accionados con motores diesel (Kim et al., 2005), vehículos de
gran circulación en la zona de estudio.
7.4.2. Aportes de las fuentes a la generación de PM2.5 según modelo PMF
Una vez identificadas las posibles fuentes de emisión de PM2.5 en la sección anterior, el
modelo desarrollado realiza una aproximación del porcentaje de aporte de cada una de las
fuentes a la corriente de PM2.5 analizado. La Figura 10 muestra el aporte de cada una de
las fuentes. Como se evidencia en la Figura 10 la fuente con mayor aporte a la
concentración de PM2.5 son los vehículos diésel con un aporte alrededor del 24.8% del
PM2.5. Esta fuente puede asociarse a la circulación frecuente de camiones en la carretera.
Figura 10 Distribución de los aportes de cada fuente a la emisión de PM2.5 en la zona de estudio. Modelo PMF, estación ZM3, La Loma.
factor 1: incendios forestales
22%
factor 2: polvo de la mina13%
factor 3: polvo en carretera
8%
factor 4: quema de desechos
16%
factor 5: polvo transportado por el
aire16%
factor 6: vehiculos diesel25%
37
7.4.3. PMF aplicado para PM10
Los datos obtenidos de 4 a 6 factores se analizaron para obtener la mejor solución de
ajuste. Los valores de Q, los residuos escalados y los perfiles químicos para cada factor
fue evaluado para obtener el mejor ajuste. La mejor solución se encontró para seis factores:
polvo de la mina, polvo de camino, vehículos con combustible diésel, incendios forestales,
quema de desechos y basuras, polvo transportado por el aire.
Figura 11 Valores observados versus predichos de PM10 con la aplicación del modelo PMF, usando 6 factores. Modelo PMF, estación ZM3 la loma.
Los datos de entrada fueron corridos tomando como punto de partida 4, 5 y 6 factores. Los
resultados de ajuste del modelo para PM10 evidencian la necesidad de utilizar 6 factores
de referencia o 6 fuentes, teniendo en cuenta la posible procedencia y el aporte de las
especies analizadas. De acuerdo con esto, la Figura 11 muestra la relación entre los
38
valores predichos por el modelo y los observados con su respectivo ajuste; cabe resaltar
que la regresión de los datos de esta figura cuenta con coeficiente de correlación R2 de
0,87, lo que permite concluir que se observa una representación confiable de los resultados
con el uso de este modelo.
De manera similar, la Figura 12 presenta el comportamiento de los valores predichos y
observados durante el periodo de tiempo del monitoreo. Nuevamente, se observa una
predicción muy aproximada de los valores utilizando el modelo PMF planteado. Los valores
que no han sido predichos con precisión coinciden con valores de entrada que presentan
grandes incertidumbres.
Figura 12 Relación de valores observados versus predichos respecto a la serie de tiempo de PM10. Modelo PMF, estación ZM3, La Loma
La figura 13 muestra el porcentaje de las especies presentes y la concentración de las
mismas en las 6 fuentes seleccionadas.
39
Figura 13 Perfiles de las fuentes de PM10 de acuerdo a la distribución y aporte de cada especie analizada.
Modelo PMF, estación ZM3, La Loma.
40
La Fuente 1, se puede evidenciar porcentaje mayoritario en elementos como OC,
sodio(Na+), magnesio(Mg+), potasio (K+) y azufre(S)de aproximadamente 36.7%, 21.7%,
14.8%, 22.4% y 21.5%. Adicionalmente se observan compuestos como nitratos(NO3- ),
amonio(NH4+), Sulfatos (SO4
-2) , con un porcentaje de 17.6%, 13.9%, y 13.3%. De acuerdo
con la literatura (Polissar et al., 1998 y Bruinen de Bruin et al., 2006), la presencia conjunta
de OC, K cationes como NH4+, permite identificar una fuente de emisión común, que para
este caso puede ser atribuida a incendios forestales o el uso de biomasa como
combustible.
La Fuente 2, se puede asociar a formación secundaria de PM10 (Koçak et al., 2011; Waked
et al., 2014), (SDA, 2009a, Vargas et al., 2012), debido a las concentraciones altas de
sulfatos (SO4-) nitratos (NO3
- ) de aproximadamente, 19.8% y 39.3%. La presencia de OC,
Na y NO3, podría estar asociado con quema de biomasa (Srimuruganandam y Nagendra,
2012; Minguillon et al., 2014),
La Fuente 3, se observa el contenido de OC y EC, así como rastros metales tales como
Zn, Cd, Mn y Fe. La fracción de carbono ha asociado con la combustión del vehículo (Gupta
et al., 2012). De acuerdo con Bruinen de Bruin et al. 2006, la presencia de especies
elementales como Sodio (Na) y el Magnesio (Mg), que para este caso es de 22.3% y
13.9%, respectivamente, permiten asumir que la fuente de origen son los vehículos que
usan como combustible diesel, Por otro lado la presencia de SO4-2 y Nitratos (NO3-) con un
15.4% y 20.6%, permite corroborar que la fuente de emisión son los vehículos accionados
con motores diesel (Kim et al., 2005). Adicionalmente la fuente 3, se compone de
elementos relacionados con resuspensión del material de la corteza y el polvo del suelo,
como Mg, Al, Ca, K, Fe, Mn, Cu, Zn, Cd, Ba, Pb.(Koçak et al., 2011; Hsu et al., 2016; Song
et al., 2016). Al, K, Fe han sido considerados como elementos de origen natural (SDA,
2009a; Vargas et al., 2012). La presencia de Ni, y EC sugieren el enriquecimiento del polvo
fugitivo (Moreno et al., 2008; Viana et al., 2008; Sánchez de la Campa et al., 2011)
La Fuente 4 puede corresponder a las quemas o incendios de material vegetal que se
presentan en la época de sequía, en la loma el Cesar. Se evidencia que la mayor
concentración de Cloruros (Cl-) se encuentra en dicha fuente con un porcentaje del total
de la especie de 61.2%. Teniendo en cuenta lo anterior y resaltando el elemento Cl- se
41
podría afirmar que la fuente de emisión analizada proviene de la quema de desechos y
basuras (Bruinen de Bruin et al., 2006), actividad frecuente en la zona donde se encuentra
la estación de muestreo.
La Fuente 5, se caracteriza por una alta concentración de Ni, Cu. Aunque el polvo del
camino se mezcla con material cortical y partículas emitidas por fuentes móviles y
estacionarias (Pant y Harrison, 2013), varios estudios coinciden en que este polvo contiene
niveles más altos de metales traza asociados con el tráfico (Cu, Zn, Cr, Ni, Pb, Ba y Cd)
que aquellos encontrados en material cortical y suelo local (Duong y Lee, 2011; Luo et al.,
2012). Además, estudios previos identificaron Fe, Cu, Cr y Zn (SDA, 2009a; Vargas et al.,
2012) como trazadores de polvo de camino. Esto, junto con el carbón elemental, que se
han considerado comunes trazadores del polvo del camino (Amato et al., 2014), apoyaron
la denominación de este factor.
Para la Fuente 6, se observa el contenido de OC y EC, así como rastros metales tales
como Zn, Cd, Mn y Fe. La fracción de carbono elemental puede asociarse al polvo
proveniente del trabajo de la mina. Adicionalmente presenta elementos y compuestos
sulfatos(SO4-2), amonio(NH4
+), sodio(Na+), y potasio (K+) con porcentajes de alrededor del
29%, 43.8%, 22.3% y 24.9%. Para el caso del carbón orgánico presenta aproximadamente
16.4%.
7.4.4. Aportes de las fuentes a la generación de PM10 según modelo PMF
Una vez identificadas las posibles fuentes de emisión de PM10 en la sección anterior, el
modelo desarrollado realiza una aproximación del porcentaje de aporte de cada una de las
fuentes a la corriente de PM10 analizado. La Figura 14 muestra el aporte de cada una de
las fuentes. Como se evidencia en la Figura 14, la fuente con mayor aporte a la
concentración de PM10 son los vehículos diésel con un aporte alrededor del 32% del PM10.
Esta fuente puede asociarse a la circulación frecuente de camiones en la carretera.
42
Figura 14 Distribución de los aportes de cada fuente a la emisión de PM10 en la zona de estudio. Modelo PMF, estación ZM3, La Loma.
7.5. Análisis exploratorio de las muestras seleccionadas
El análisis exploratorio se realizó con base a los datos del Ideam en la fecha muestreada en el
corregimiento la Loma del Municipio del Paso, Cesar para determinar si a partir de los datos de
precipitación, velocidad del viento, humedad relativa y rosa de vientos se puede tomar los datos
de PM2.5 y PM10 promedio.
Según la fecha del 16 de enero de 2016 al 16 de marzo de 2016 no se presentó ninguna
precipitación. La humedad relativa promedio fue del 53%. Los vientos presentados fueron
reportados bajos con un promedio del 0.49 m/s.
A continuación, se reporta la rosa de vientos para los meses de enero a marzo de 2016.
Factor 1 Incendios Forestales
23%
Factor 2 Material secundario
1%
Factor 3 Vehiculos diesel32%
Factor 4 Quema de desechos y basuras
18%
Factor 5 polvo en carretera
14%
Factor 6 polvo de la mina12%
43
Figura 15 Rosa de Vientos Enero 2016, Corregimiento La Loma, Cesar
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
N
NE
E
SE
S
SO
O
NO
ENE 2016
01/01/2016 0:00
02/01/2016 0:00
03/01/2016 0:00
04/01/2016 0:00
05/01/2016 0:00
06/01/2016 0:00
07/01/2016 0:00
08/01/2016 0:00
09/01/2016 0:00
10/01/2016 0:00
11/01/2016 0:00
12/01/2016 0:00
13/01/2016 0:00
14/01/2016 0:00
15/01/2016 0:00
16/01/2016 0:00
17/01/2016 0:00
18/01/2016 0:00
19/01/2016 0:00
20/01/2016 0:00
21/01/2016 0:00
22/01/2016 0:00
23/01/2016 0:00
24/01/2016 0:00
25/01/2016 0:00
26/01/2016 0:00
27/01/2016 0:00
28/01/2016 0:00
29/01/2016 0:00
30/01/2016 0:00
31/01/2016 0:00
44
Figura 16 Rosa de Vientos Febrero 2016, Corregimiento La Loma, Cesar
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
N
NE
E
SE
S
SO
O
NO
Febrero de 2016
01/02/2016 0:00
02/02/2016 0:00
03/02/2016 0:00
04/02/2016 0:00
05/02/2016 0:00
06/02/2016 0:00
07/02/2016 0:00
08/02/2016 0:00
09/02/2016 0:00
10/02/2016 0:00
11/02/2016 0:00
12/02/2016 0:00
13/02/2016 0:00
14/02/2016 0:00
15/02/2016 0:00
16/02/2016 0:00
17/02/2016 0:00
18/02/2016 0:00
19/02/2016 0:00
20/02/2016 0:00
21/02/2016 0:00
22/02/2016 0:00
23/02/2016 0:00
24/02/2016 0:00
25/02/2016 0:00
26/02/2016 0:00
27/02/2016 0:00
28/02/2016 0:00
29/02/2016 0:00
45
Figura 17 Rosa de Vientos, Marzo 2016, Corregimiento La Loma, Cesar
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
N
NE
E
SE
S
SO
O
NO
MARZO 2016
01/03/2016 0:00
02/03/2016 0:00
03/03/2016 0:00
04/03/2016 0:00
05/03/2016 0:00
06/03/2016 0:00
07/03/2016 0:00
08/03/2016 0:00
09/03/2016 0:00
10/03/2016 0:00
11/03/2016 0:00
12/03/2016 0:00
13/03/2016 0:00
14/03/2016 0:00
15/03/2016 0:00
16/03/2016 0:00
17/03/2016 0:00
18/03/2016 0:00
19/03/2016 0:00
20/03/2016 0:00
21/03/2016 0:00
22/03/2016 0:00
23/03/2016 0:00
24/03/2016 0:00
25/03/2016 0:00
26/03/2016 0:00
27/03/2016 0:00
28/03/2016 0:00
29/03/2016 0:00
30/03/2016 0:00
31/03/2016 0:00
46
Según la rosa de vientos, es posible concluir que la dirección del viento va orientada al
noreste del corregimiento. Dado los datos analizados en conjunto se puede implementar
una estadística básica y tomar un promedio del material particulado entre el período
comprendido del 16 de enero a 16 de marzo de 2016, es decir que el PM2.5 se puede
reportar como promedio de 24 μg/m3 y el PM10 como promedio de 81 μg/m3. Dado lo
anterior el cociente de PM10/PM2,5 es alrededor del 20.
47
8. CONCLUSIONES
De los datos recibidos para realizar el respectivo análisis de contribución de fuentes
particulares a PM10 y PM2.5 es importante resaltar que por la reducción de muestra de las
especies anteriores en mención entre el periodo comprendido del 17 de enero de 2016 al
16 de marzo de 2016 conllevó a omitir información relevante, porque en el momento de
muestrear se cambió la configuración a PM2.5 desde el 17 de enero al 22 de febrero.
Por otro lado, como se mencionó en la metodología, se analizaron 20 muestras de carbón
orgánico y elemental con filtros de cuarzo. Dichas muestras fueron agrupadas junto a los
iones y metales solubles para ingresarlos al PMF. Sin embargo, de las 60 muestras
analizadas por los filtros de cuarzo y teflón se tuvieron en cuenta las que tuvieran carbón
orgánico y carbón elemental. Se intentó correr sin los elementos de carbón orgánico y
carbón elemental, pero el resultado no fue positivo por la dificultad de identificar a que
fuentes correspondía cada factor. Por lo anterior se procede a correr el modelo receptor
PMF con las muestras agrupadas de OC, EC, iones, PM10, PM2.5, y metales solubles.
Es claro que el impacto en el número de muestras afectó en la significancia estadística e
incertidumbre de los resultados, debido a que el manual de la EPA”PMF 5.0 USER GUIDE”,
sugiere a menudo en conjuntos de datos especificados de PM2.5 con 10 a 20 especies
sobre 100 muestras. La justificación se mencionó anteriormente según el articulo Adam
Reff, et al (2007). Sin embargo, los valores predichos por el modelo se correlacionan bien
con los valores medidos (R2 = 0,85).
Seis factores fueron identificados por el modelo PMF. Emisiones asociadas con el tráfico
vehicular fueron identificados como el principal contribuyente a PM2.5 y PM10, otorgado a
los vehículos con combustible diésel. Las emisiones asociadas a los incendios forestales
representaron en segundo lugar en contribuir al 22% y 23% de la masa de PM2.5 y PM10.
Otro factor identificado fue el de quema de desechos y basuras representando el 16% de
la masa de PM2.5. y el 18% de la masa de PM10. El anterior hallazgo básicamente hace
referencia a la no existencia de un sistema de recolección de residuos sólidos adecuado,
ni relleno sanitario en la Loma. Se evidencia que los factores asociados al polvo producto
48
de la extracción de la mina, polvo en carretera y polvo transportado por el aire,
representando un 13%, 8% y 16% de la masa de PM2.5.
Para el caso de la distribución de los aportes de cada fuente a la emisión de PM10, se
concluye que los factores asociados a material secundario, polvo en carretera y polvo de
la mina corresponde al 1%, 14% y 12%. Estos hallazgos son de interés para la gestión de
la calidad del aire, ya que destacar las fuentes críticas de emisión sobre las cuales las
autoridades locales debe enfocar sus esfuerzos de reducción.
49
9. BIBLIOGRAFÍA BÁSICA
[1] Balachandran S., Pachón J.E., Hu Y., et al. Ensemble-trained source apportionment of
fine particulate matter and method uncertainty analysis. Atmospheric Environment.
Volumen 61. 2012. Pág 387-394.
[2] US EPA 2009. Integrated Science Assessment for Particulate Matter (Final Report).
[3] CAR, Contrato para el suministro de insumos, elementos y equipos para la red de
monitoreo de calidad de aire. Consulta en línea:
(http://www.contratos.gov.co/archivospuc1/2009/DEPREV/132003003/09-1-
44564/DEPREV_PROCESO_09-1-44564_132003003_1135846.pdf)
[4] Larsen, 2004. Cost of environmental damage: A socio-economic and environmental
health risk assessment. Prepared for MAVDT, Colombia. En: Sánchez-Triana, (2007), Op.
cit. pág. 120.
[5] World Health Organization. 2005. Health Effects of Transport-Related Air Pollution.
Copenhagen:World Health Organization Regional Office for Europe.
[6] U.S. Environmental Protection Agency (EPA). Consulta en línea:
(http://www.epa.gov/scram001/receptorindex.htm).
[7] Amato F., Hopke P.K. Source apportionment of the ambient PM2.5 across St. Louis
using constrained positive matrix factorization. Atmospheric Environment. Volume 46.
Enero 2012. Pág 329-337.
[8]José I. Huertas, et al, 2008.Guía Nacional de Modelación de Calidad del Aire. Centro de
Investigación en Mecatrónica Automotriz. Tecnológico de Monterrey.
50
[9] Abu-Allaban, Gertler & Lowenthal. 2002. A preliminary apportionment of the sources of
ambient PM10, PM2.5, and VOCs in Cairo. Atmospheric Environment, 36(35): 5549-
5557.
[10] Behrentz E., Sánchez N., Rivera J. 2009. Parte 1: Caracterización de Material
Particulado y Modelos Receptores. Elementos técnicos del plan decenal de
descontaminación de Bogotá. Secretaría Distrital de Ambiente, Bogotá, D.C., Colombia.
[11] Bruinen de Bruin, Koistinen, Yli-Tuomi, Kephalopoulos, & Jantunen, M. 2006. A review
of: source apportionment techniques and marker substances available for identification
of personal exposure, indoor and outdoor sources of chemicals. JRC—European
Commission, p. 54.
[12] Buset, Evans, Richard, Brook & Toom-Sauntry. 2006 Use of advanced receptor
modelling for analysis of an intensive 5-week aerosol sampling campaign. Atmospheric
Environment, 40 (Suppl. 2): S482-S499.
[13] Buzcu, B.; Fraser, M.P.; Kulkarni, P.; Chellam, S. Source Identification and
Apportionment of Fine Particulate Matter in Houston, TX, Using Positive Matrix
Factorization; Environ. Eng. Sci. 2003, 20, 533-545.
[14] Chan & Mozurkewich. 2006. Application of absolute principal component analysis to
size distribution data: identification of particle origins. Atmospheric Chemistry and
Physics Discussions, 6, 10493–10522.
[15] Charron & Harrison. Fine (PM2.5) and coarse (PM2.5-10) particulate matter on a
heavily tracked london highway: sources and processes. 2005. Environmental Science
and Technology, 39(20): 7768-7776.
[16] Cheng, Z.L., Lam, K.S., Cham, L.Y. Wang, T., Cheng, K.K., 2000. Chemical
characteristics of aerosols at coastal station in Hong Kong. I. Seasonal variation of major
ions, halogens and mineral dusts between 1995 and 1996. Atmospheric Environment,
34, 2771-2783.
[17] Chow Judith C. Measurement Methods to Determine Compliance with Ambient Air
Quality Standards for Suspended Particles. J. Air & Waste Manage. Assoc. 1995, . 45:
320-382.
51
[18] Chow, J. 1995. Measurement methods to determine compliance with ambient air
quality standards for suspended particles. Air & Waste Management Association, 45:
320-382.
[19] EPA Positive Matrix Factorization (PMF) 5.0 Fundamentals and User Guide. U.S.
Environmental Protection Agency, 2014.
[20] Hamad S, Schauer J, Heo J, Kadhimd A. 2015. Source apportionment of PM2.5
carbonaceous aerosol in Baghdad, Iraq. Atmospheric Research. 156 (2015) 80–90.
[21] Henry, R.C. Duality in multivariate receptor models. 2005. Chemometrics and
Intelligent Laboratory Systems, 77 (1-2):59.
[22] Hernández A.J. Análisis de la variación espacial de los componentes del material
particulado respirable en la zona carbonífera del departamento del cesar. 2012, Trabajo
de Aplicación. Universidad Industrial de Santander.
[23] Hopke, Lamb, & Natush. 1980. Multielemental characterization of urban roadway dust.
Environmental Science and Technology, 14 (2): 164-172.
[24] Kim, E.; Hopke, P.K. Source Apportionment of Fine Particles in Washington D.C.,
Utilizing Temperature-Resolved Carbon Fractions; J. Air & Waste Manage. Assoc. 2004,
54, 773-785.
[25]Kim, E.; Hopke, P.K.; Kenski, D.M.; Koerber, M. Sources of Fine Particles in a Rural
Midwestern U.S. Area; Environ. Sci. Technol. 2005, 39, 4953-4960.
[26] Kim, E.; Hopke, P.K.; Qin, Y. Estimation of Organic Carbon Blank Values and Error
Structures of the Speciation Trends Network Data for Source Apportionment; J. Air &
Waste Manage. Assoc. 2005, 55, 1190- 1199.
[27] Lee, Brook, Dabek-Zlotorzynska & Mabury. 2003 Identification of the major sources
contributing to PM2.5 observed in Toronto. Environmental Science and Technology,
37(21): 4831-4840.
[28] Liu, W.; Hopke, P.K.; Han, Y.-J.; Yi, S.-M.; Holsen, T.M.; Cybart, S.; Kozlowski, K.;
Milligan, M. Application of Receptor Modeling to Atmospheric Constituents at Potsdam
and Stockton, NY; Atmos. Environ. 2003, 37, 4997-5007.
52
[29] Lonati, Giugliano, Butelli, Romele & Tardivo. 2005. Major chemical components of
PM2.5 in Milan (Italy). Atmospheric Environment, 39(10): 1925-1934.
[30] Mason, B. 1960. Principles of Geochemistry. Second Edition. London. John Wiley &
Sons Inc.
[31]Polissar, A.V.; Hopke, P.K.; Paatero, P.; Malm, W.C.; Sisler, J.F. Atmospheric Aerosol
over Alaska 2. Elemental Composition and Sources; J. Geophys. Res. 1998, 103, 19045-
19057.
[32]Querol, Alastuey, Rodríguez, Plana, Ruiz, Cots, Massague Puig. 2001. PM10 and
PM2.5 source apportionment in the Barcelona Metropolitan area, Catalonia, Spain.
Atmospheric Environment, 35(36): 6407-6419.
[33]Ramadan, Eickhout, Xin-Hua, Buydens & Hopke. 2003. Comparison of Positive Matrix
Factorization and Multilinear Engine for the source apportionment of particulate
pollutants. Chemometrics and Intelligent Laboratory Systems, 66:15- 28.
[34 ]Seigneur, Pai, Louis, Hopke & Grosjean. 1997.Review of air quality models for
particulate matter. American Petroleum Association.
[35]Shafer, M.M., Perkins, D.A., Antkiewicz, D.S., Stone, E.A., Quraishi, T.A., Schauer, J.J.,
2010. Reactive oxygen species activity and chemical speciation of size-fractionated
atmospheric particulate matter fromLahore, Pakistan: an important role for transition
metals. J. Environ. Monit. 12, 704–715.
[36] Villalobos A.M, Barraza F., Jorquera H., Schauer J.J. Chemical speciation and source
apportionment of fine particulate matter in Santiago, Chile, 2013. Science of the Total
Environment 512–513 (2015) 133–142.
[37] Zhao, W.; Hopke, P.K. Source Apportionment for Ambient Particles in the San Gorgonio
Wilderness; Atmos. Environ. 2004, 38, 5901-5910.
[38]SnehaGautamab, NiranjanPrasadaAditya KumarPatraaBasanta
KumarPrustyaPradyumnSinghaeAtar SinghPipalcRenukaSainidCharacterization of PM2.5
generated from opencast coal mining operations : A case study of Sonepur Bazari
Opencast Project of India, November 2016.
53
[39]M.ManousakasabE.DiapoulibH.PapaefthymiouaA.MiglioricA.G.KarydascR.Padilla-
AlvarezcM.BogovaccR.B.KaisercM.JaksicdI.Bogdanovic-adovicdK.EleftheriadisbSource
apportionment by PMF on elemental concentrations obtained by PIXE analysis of PM10
samples collected at the vicinity of lignite power plants and mines in Megalopolis,
Greece, abril de 2015.
[40] Adam Reff, Shelly I. Eberly, Prakash V. Bhaveodelo, Receptor Modeling of Ambient
Particulate Matter Data Using Positive Matrix Factorization: Review of Existing Methods,
2007.
Recommended