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
Herramienta/Sistema de
Pronóstico Recursos técnicos
Recursos tecnológicos
Recursos en infraestructura
Recursos humanos
Sistema de pronóstico : La suma de
todo lo anterior.
Modelos de pronóstico
Herramientas
de pronóstico
Entornos micro (pronóstico a corto
plazo, zona puntual)
Entornos macro (pronóstico a
mediano-largo plazo, región extensa)
Modelos numéricos
de pronóstico (determinísticos)Subjetivos Objetivos
Estadísticos: Regresión(LR, MOS, ARIMA, etc.)
Estadísticos: Clasificación
Persistencia
Auto-Organizativos: Neuronal(Determinístico)
Climatología
Criterio
Auto-Organizativos: Bayesiano
(Probabilístico)Experiencia
Herramientas de pronóstico
Entornos micro (pronóstico a corto
plazo, zona puntual)
Entornos macro (pronóstico a
mediano-largo plazo, región extensa)
Modelos numéricos
de pronóstico (determinísticos)Cualitativas Cuantitativas
Estadísticos: Regresión(LR, MOS, ARIMA, etc.)
Estadísticos: Clasificación
Persistencia
Auto-Organizativos: Neuronal(Determinístico)
Climatología
Criterio
Auto-Organizativos: Bayesiano
(Probabilístico)Experiencia
Persistencia
Asume estado estático o
relativamente sin cambios
Herramienta de pronóstico básico
Genera condiciones de inicio para
otras herramientas
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
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
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
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
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
Criterio
Utilizar valores umbrales para
caracterizar configuraciones típicas
Son usualmente las llamadas “reglas
de oro”
Reglas construidas en base a un
análisis estadístico acabado.
Criterio
Fortalezas
◦ No requiere herramientas ni
conocimientos estadísticos avanzadas
◦ Disminuye los sesgos causados por la
aplicación de otras técnicas como la
Persistencia.
Criterio
Debilidades
◦ La selección de valores umbrales se
puede considerar como un proceso
subjetivo
◦ No aplicable a valores determinados,
aplicable a rangos
Arboles de clasificación
(CART) Clasifica datos en grupos disímiles
Se aplica análisis estadístico
Similar al Criterio, pero CART es
100% objetivo
Arboles de clasificación
(CART)
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
Arboles de clasificación
(CART) Debilidades
◦ Requiere experiencia teórico/práctica
para su desarrollo
◦ Peligra con valores de entrada muy
cercanos a los umbrales.
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
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
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
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.
Modelos auto-organizativos
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
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.
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
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
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
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
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.
Análisis fenomenológico
Debilidades
◦ Requiere un alto nivel de experiencia
para su aplicación, personal experto
Análisis preliminar
Herramientasde pronóstico
Persistencia
Climatología
Criterio
Estadísticos
Auto-organizativos
Modelación Numérica
Fenomenológica
Herramientasde pronóstico
Persistencia
Climatología
Criterio
Estadísticos
Auto-organizativos
Modelación Numérica
Fenomenológica
Menos recursos,Menor desempeño
Mas recursos,Mayor desempeño
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)
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
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.
Experiencia internacionalLocalidad, país Tipo de
herramienta
Herramienta Implementado
durante
Acierto
Sao Paulo, Brasil Modelo
determinístico
BRAMS-CATT 2002-2003 R2=0,7 (Subestima)
ZMCM, México Modelo
determinístico,
ajustes estadísticos,
análisis
fenomenológico
MM5-CIT 2002 No evaluado
Distintas
localidades, USA
Modelo
determinístico,
ajustes estadísticos,
análisis
fenomenológico
MM5- MAQSP RT-
SMOKE-BEIS3-
CMAQ
2002 Evaluado de
acuerdo a la
aplicación y
reglamentación
vigente de cada
localidad
Hong Kong,
Beijing, China
Modelo
determinístico,
sistemas acoplados.
MM5-CAMx-
CMAQ-
Polyphemus-
NAQPMS,WRF-
Chem
2008 No evaluado
Experiencia internacionalLocalidad, país Tipo de
herramienta
Herramienta Implementado
durante
Acierto
Graz, Austria Modelos
estadísticos.
Regresión Lineal
Múltiple, Arbol de
decisiones.
2003 PM10<75μg/m3
82,8%
PM10≥75μg/m3
17,2%
Península
Arábica, Emiratos
Árabes Unidos
Modelo
determinístico
WRF-Chem 2000-2004
(WRF-Chem en
2007)
70% (Subestima)
Atenas, Grecia Modelo
determinístico
MM5-NMVOCs-
CAMx
S/I
West Macedonia,
Grecia
Modelo
determinístico,
análisis
fenomenológico
MM5-CMAQ 2002 100% en AQI (error
medio 9μg/m3)
Torino, Italia Modelo
determinístico
RAMS-EMMA-FARM 2002 S/I
Italia Modelo
determinístico
MM5-SMOKE-
CMAQ
2003 ±30% de error
(Subestima)
Experiencia internacionalLocalidad, país Tipo de
herramienta
Herramienta Implementado
durante
Acierto
Columbia Británica,
Canadá
Modelo Estadístico Regresión Lineal
Múltiple
2005 En promedio:
Bias: 0,056 μg/m3
MAE: 3,976 μg/m3
RMSE: 5,128 μg/m3
Thessaloniki,
Grecia
Regresión Lineal,
Arboles de decisión,
Componentes
principales, Redes
Neuronales
LRA
CART
PCA
NN
2000 LRA: R2= 0,54
CART: R2=0,62
PCA: R2= 0,49
NN: R2= 0,50
Milan, Italia Redes Neuronales Redes Neuronales 2003 R2=0,75
Distintas
localidades, Irlanda
Ensamblado
Determinístico,
Estadístico
EURAD-MOS 2004-2007 Rural : R2=0,19
Urbano: R2=0,32
Temuco, Chile Modelo estadístico,
análisis
fenomenológico
Cenma-Regresión
Lineal Múltiple
2006 80%
Rancagua, Chile Modelo estadístico,
análisis
fenomenológico
Cenma- Regresión
Lineal Múltiple
2010 En evaluación
Santiago, Chile Modelo estadístico,
análisis
fenomenológico
CASSMASSI
Regresión Lineal
Múltiple, Cenma
MOS, Cenma
Neuronal
2000 80%
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.
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
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.
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.