Modelación de contaminantes en tiempo real: Desafíos y componentes claves

el . . Visto: 373

   P48I3 En los últimos años, la comunidad ha tomado un rol activo respecto a situaciones o factores que afectan su calidad del aire y la de su vida cotidiana, especialmente en aquellas zonas próximas a sitios industriales.

   Debido a que las zonas residenciales se están expandiendo, hasta alcanzar a éstos, surge en la industria la necesidad de contar con herramientas ágiles y dinámicas para evaluar de forma temprana este tipo de riesgo. En este contexto, surge la modelación de contaminantes atmosféricos en tiempo real como una herramienta con la capacidad de cuantificar los niveles de concentración de contaminantes en los receptores basados en registros meteorológicos en tiempo real.

A. González, R. Guerra, V. Zorich

Envirometrika, Santiago (Chile)

 

    Conflictos de interés: El autor declara que no existe conflicto de intereses.

   Editor académico: Carlos N Díaz.

   Calidad del contenido: Este artículo científico ha sido revisado por al menos dos revisores. Vea el comité científico aquí.

   Citación: A. González, R. Guerra, V. Zorich, 2019, Modelación de contaminantes en tiempo real: Desafíos y componentes claves. Conferencia OLORES19, Santiago, Chile, www.olores.org.

   Copyright: Los autores retienen la propiedad del copyright de sus artículos, pero los autores permiten a cualquier persona descargar, reusar, reimprimir, modificar, distribuir y/o copiar artículos del sitio web de olores.org, siempre que se citen los autores originales y las fuentes. No es necesario permiso específico de los autores o de los editores de esta web.

   ISBN: pendiente

   Palabras clave: Modelos Atmosféricos en tiempo real, WRF, Calpuff, Olores, Calidad del Aire.

Descargar presentación

Vídeo

 

Resumen

   En los últimos años, la comunidad ha tomado un rol activo respecto a situaciones o factores que afectan su calidad del aire y la de su vida cotidiana, especialmente en aquellas zonas próximas a sitios industriales. Debido a que las zonas residenciales se están expandiendo, hasta alcanzar a éstos, surge en la industria la necesidad de contar con herramientas ágiles y dinámicas para evaluar de forma temprana este tipo de riesgo. En este contexto, surge la modelación de contaminantes atmosféricos en tiempo real como una herramienta con la capacidad de cuantificar los niveles de concentración de contaminantes en los receptores basados en registros meteorológicos en tiempo real. El objetivo del presente estudio es evaluar el desempeño que tendría la base meteorológica de un sistema de modelación en tiempo real al incorporar meteorología superficial. El desempeño de la base meteorológica está relacionado con la calidad de datos de las estaciones observadas. Esto podría afectar el sistema de modelación en tiempo real donde se comprobó que la variable dirección del viento, en sus componentes zonal y meridional, es de la mayor sensibilidad.

 

1. Introducción

   Chile cuenta con sectores industriales que son susceptibles de emitir olor, gases o partículas a la atmósfera. Un ejemplo de ello, es la identificación de 5 sectores prioritarios como potenciales de emisión de olor, tales como PTAS, planta de harina de pescado, planteles porcinos, plantas de celulosa y sitios de disposición final de residuos (MMA, 2017). Dichos sectores generan emisiones a la atmósfera, alcanzando asentamientos humanos, aumentando el riesgo de exposición frente a estos contaminantes. Lo anterior, se ve intensificado al existir estrecha cercanía geográfica entre el sector industrial y la comunidad, producto de la planificación territorial. Se han encontrado casos en donde se ha modificado el plan regulador, aceptando el uso de suelo residencial frente a estas instalaciones, previendo riesgos de molestias al vecindario o incluso emanaciones desagradables (Delgado V., 2015). Conocer cuándo y cuánto será afectada la comunidad por las emisiones causadas por los procesos industriales, condicionados por la situación atmosférica, es el reto que tienen hoy las industrias. Respecto a la situación atmosférica, se debe considerar que la meteorología juega un rol fundamental en el transporte o dispersión de las emisiones y que condicionan la reacción, movimiento y dilución de contaminantes en las capas de la atmósfera. Frente a esta problemática, surge la idea de contar con un sistema de modelación de contaminantes en tiempo real, que les permita a los sectores industriales identificar y alertar sobre los niveles de concentración en la comunidad. Existen experiencias enfocadas al diagnóstico de situaciones de riesgo en la inmisión, por ejemplo Le, V. D., & Cha, S. K. (2018) propusieron un modelo de predicción de contaminación atmosférica en tiempo real, basado en el uso de Big Data y redes neuronales. Murguia et al. (2014), hizo una comparación de los niveles de exposición a olores pronosticados en Barcelona.

   El sistema de modelación en tiempo real posee 3 componentes: datos meteorológicos, modelos meteorológicos y de dispersión. Los datos meteorológicos globales de pronostico GFS alimentan al modelo numérico-Euleriano WRF cuyos datos de salida alimentan al modelo meteorológico local (CALMET). Este procesamiento incluye datos de uso de suelo y elevaciones de terreno, con opción de asimilar datos meteorológicos observados superficiales, para así generar campos de vientos en 3D, que son utilizados por un modelo de dispersión CALPUFF, modelo de tipo puff Gaussiano-Lagrangiano. Este modelo simula los procesos de dispersión y transformación de contaminantes (Scire et al., 2000). Los resultados del sistema de modelación pueden ser visualizados en una plataforma web en tiempo real. En caso de exceder un nivel de exposición de contaminantes, el sistema genera alertas instantáneas que contribuyen a la gestión y activación de protocolos de control.

   Este sistema es sensible a la calidad de los datos de entrada (configuración y asimilación de datos observados). Estos datos tienen asociados incertidumbre, las que deben ser identificadas y cuantificadas para evitar su propagación en el sistema. Por lo anterior, es necesario evaluar la calidad de los datos a través del desarrollo de una etapa de preingeniería.
Esta etapa considera la evaluación de las estaciones meteorológicas observadas disponibles (representatividad, rango de incertidumbre, entre otros) y el diagnóstico de los registros horarios (validación de datos, confiabilidad de los registros, entre otros). Posteriormente estas estaciones son ingresadas al modelo CALMET para su procesamiento, discriminando aquellas que no cumplan con estos criterios. Como parte del aseguramiento de calidad del sistema de modelación en tiempo real, se evalúa el desempeño de la base meteorológica.

 

2. Materiales y métodos

   El caso de estudio consideró la comparación de 2 metodologías para la construcción de la base meteorológica del sistema de modelación. El primero corresponde al método No Observado (NOBS), utilizando meteorología de altura y superficie directamente de WRF, (MMIF). El segundo es el método Híbrido (HIB), el que combina meteorología de altura y superficie de WRF más observaciones superficiales, siendo estas asimiladas en el procesador CALMET. Ambas metodologías fueron aplicadas a 2 dominios caracterizados por terreno: a) influencia costera (complejo); b) influencia cordillerana y costera (no complejo) (Tabla 2). Los lineamientos descritos por el Servicio de Evaluación Ambiental (SEA, 2012) fueron aplicados para la configuración y ejecución de los modelos (Tabla 1). La asimilación de datos consideró 10 estaciones superficiales validadas (EPA, 2000), las cuales se ingresaron en cada dominio del método híbrido. Los datos de las estaciones provinieron de la red del Sistema de Información de Calidad del Aire (SINCA), Iowa Environmental Mesonet y Dirección Meteorológica de Chile (DMC).

   Las metodologías fueron evaluadas mediante índices de desempeño de las bases meteorológicas, considerando error medio cuadrático (RMSE), sesgo (BIAS) y coeficiente de correlación (r) (Wilks, 2011). Comparando series extraídas desde las bases meteorológicas (NOBS e HIB) respecto a estación control, la cual no fue asimilada en CALMET. La extracción de las series se realizó en la georreferencia de cada estación, considerando sólo aquellas más cercanas a las fuentes de emisión (Figura 1 y 2). Las variables de dirección y velocidad del viento, han sido consideradas las cuales fueron medidas a 10 [m] de altura.

   La evaluación del modelo de dispersión consideró CALPUFF (versión 7.2), mediante isolíneas de concentración de olor bajo un criterio de 3 [ouE/m3] percentil 99,5 de las concentraciones horarias de un periodo anual, a nivel de suelo 0 [m].

Tabla 1. Configuración de modelos meteorológicos

Características WRF CALMET
Versión 3.8 6.5
Tamaño y resolución 75 x 75[km] ,1[km] 75 x 75[km] ,1[km]
Año de simulación 2017 2017
Configuración FNL - SEA, (2012) Barclay et al. (2011).
Datos geográficos y resolución MODIS, GMTED 2010, 1[km] GLCC, GMTED 2010, 1[km]

Tabla 2. Ubicación dominios

Características Dominio a) Valparaíso Dominio b) Santiago
Coordenada centro Lat:32.98° S ; Lon:71,49° O Lat:33,44° S ; Lon:70,72° O
Localidad Reñaca Alto Lo Prado

  

P02I1 P02I2
Figura 1 Mapa de ubicación de estaciones Dominio a) Figura 2 Mapa de ubicación de estaciones Dominio b) 

   Las fuentes de emisión empleadas para el cálculo de la dispersión de olor consideraron características estructurales, tasa de emisión de olor y cantidad de fuentes equivalentes para cada dominio (Tabla 3). La concentración de olor de las fuentes, fueron levantadas mediante metodologías de muestreo NCh 3386:2015 (INN, 2015) y análisis olfatométrico NCh 3190:2010 (INN, 2010), para el periodo 2017.

Tabla 3. Fuentes de emisión de olor en dominios a) y b)

ID Tipo de fuente Emisión de Olor por sup. [ouE/m2s] Tasa de Emisión de Olor [ouE/s]
1 Puntual 189,64 372,350
2 Puntual 139,50 273,917
3 Difusa 3,27 9,15

 

3. Resultados y discusión

P02I3 P02I4
Figura 3. Gráfico de Taylor modificado
Variable velocidad del viento en dominio a)
Figura 4. Gráfico de Taylor modificado
Variable dirección del viento componente u en dominio b)

   Los resultados en dominio a) (Figura 3), indicaron que se logró una mejora en el desempeño del modelo HIB, asociado a una disminución del error en las estaciones ubicadas en zonas del borde costero (VÑM) y de igual forma en zona con mayor complejidad del terreno (SCVM). El modelo HIB presentó mayor ajuste a lo observado, al disminuir el BIAS. Además el coeficiente de correlación, fue positivo e incrementado en el modelo HIB respecto del modelo NOBS.

   Al evaluar la estación control (CCN), el modelo HIB logró reproducir la variabilidad meteorológica de la estación control.

   En dominio b) (Figura 4), al evaluar el modelo HIB respecto de lo observado, el error de las estaciones disminuyó. Por otra parte el sesgo aumentó en todas las estaciones no obstante, el coeficiente de correlación fue positivo e incrementado.

   En relación a la estación control (POH), se observó un aumento del error en la componente zonal del viento (vientos oeste-este).

P02I5 P02I6
Figura 5 Isolíneas de olor CP99,5-1h= 3 [ouE/m3]
dominio a) – Modelo NOBS vs Modelo HIB
Figura 6 Isolíneas de olor CP99,5-1h= 3 [ouE/m3]
dominio b) – Modelo NOBS vs Modelo HIB

   En dominio a) el modelo NOBS subestimó el área de la isolínea de 3 [ouE/m3] respecto del modelo HIB (Figura 5). En este último, la trayectoria de la pluma se ajustó al terreno, dispersándose mayormente hacia el SE desde el punto de la emisión.

   En dominio b), el modelo NOBS sobreestimó el área de la isolínea respecto del modelo HIB con mayores diferencias en sentido oeste-este qué norte-sur (Figura 6). Tras analizar la trayectoria de la pluma, ambas se ajustan al terreno.

   Luego de observar los resultados, se apreció que en ambos dominios el modelo HIB logró un mayor ajuste respecto del modelo NOBS, en concordancia al estudio realizado por Murguia et al. (2014) sin embargo, el mayor ajuste se logró en el dominio de mayor complejidad (meteorología heterogénea). Esta característica es difícil de reproducir en un modelo que no haya sido alimentado por observaciones. En este sentido cobra relevancia la asimilación de datos superficiales para representar esta condición meteorológica. En cambio, en el dominio de menor complejidad (variabilidad meteorológica homogénea) el modelo NOBS sobreestimó los eventos de calma, otorgándole mayor amplitud a la isolínea de 3 [ouE/m3] respecto del modelo HIB.

   En aquellos terrenos de menor complejidad existe un mayor aprovechamiento del uso de suelo, limitando la disponibilidad de localizaciones de estaciones meteorológicas que permitan alcanzar un menor grado de incertidumbre en la medición de las variables meteorológicas. Lo anterior estaría asociado a que barreras tales como altura de edificaciones, cobertura vegetal, entre otras, influyan en la medición y por ende en el desempeño del modelo en caso de ser consideradas en la base meteorológica. Por lo tanto, en un sistema de modelación en tiempo real, es clave realizar este tipo de análisis debido al mayor grado de sensibilidad (variables de dispersión), con el objetivo de reducir falsos positivos en las alertas generadas por este tipo de sistema frente a excedencias de un nivel de exposición de contaminantes.

 

4. Conclusiones

   El desempeño de la base meteorológica está relacionado con la calidad de los datos de las estaciones observadas superficiales. Esto podría afectar a sistemas de alta sensibilidad como los de modelación en tiempo real mayormente en la variable dirección del viento, en sus componentes zonal y meridional.

   Por lo anterior es que, antes de incluir datos observados al sistema se sugiere el desarrollo de una etapa de preingeniería considerando lo siguiente:

  • Validar variables meteorológicas según guía de validación EPA.
  • Comprobar altura de medición estándar para las variables meteorológicas, según WMO (WMO, 2010).
  • Verificar mantenciones realizadas a la estación.
  • Caracterización del entorno (barreras que puedan influir en la medición).
  • Comparar ciclos diarios y mensuales entre estaciones según radio de representatividad (5 [km]).
  • Luego de ingresar las observaciones a la base meteorológica, evaluar desempeño mediante indices estadísticos tales como: RMSE, BIAS y Coeficiente de Correlación utilizando estaciones de control.
  • Chequear periodicamente el desempeño del modelo.

   En estaciones localizadas en zonas urbanas el desafío es mayor debido a la turbulencia generada por distintas edificaciones y por ello la necesidad del desarrollo de la etapa de preingeniería para el aseguramiento de la calidad en los datos de entrada del modelo.

   Para asegurar de forma integral la calidad y la representatividad de los resultados del sistema, es recomendable realizar este tipo de análisis a los datos de emisión ingresados. Evaluando tendencias, estacionalidad, desviaciones entre otros.

   Del mismo modo chequear mantenciones, calibraciones y verificaciones a los equipos de medición continua de emisiones, para así minimizar la incertidumbre y evitar que estas se propaguen en el sistema.

 

5. Bibliografía

   Barclay, J., & Scire, J. (2011). Generic Guidance and Optimum Model Settings for the CALPUFF Modeling System for Inclusion into the “Approved Methods for the Modeling and Assessments of Air Pollutants in NSW. CALPUFF Model Guidance.

   Delgado, Veronica. (2015). La orden de "Trasladar" o" Retirar" una industria por razones ambientales en la ley y jurisprudencia chilenas. Revista de Derecho (coquimbo), 22 (1), 481-506.

   Environmental Protection Agency (2000). Meteorological Monitoring Guidance for Regulatory Modeling Applications. Office of Air and Radiation. Office of Air Quality Planning and Standards Research Triangle Park, NC 27711.

   Instituto Nacional de Normalización. (2010). NCh 3190:2010 Calidad del aire – Determinación de la concentración de olor por olfatometría dinámica. Chile.

   Instituto Nacional de Normalización. (2015). NCh 3386:2015 Calidad del aire – Muestreo estático para olfatometría. Chile

   Le, V. D., & Cha, S. K. (2018). Real-time Air Pollution prediction model based on Spatiotemporal Big data.

   Ministerio del Medio Ambiente (2017). Estrategia para la gestión de olores en Chile – Actualización año 2017. Chile

   Murguia, W., Pagans, E., Barclay, J., & Scire, J. (2014). Case study: A comparison of predicted odour exposure levels in Barcelona using CALPUFF Lite, CALPUFF NoObs and CALPUFF Hybrid Model. Chem. Eng. Transact, 40, 31-36.

   Servicio de Evaluación Ambiental . (2012). Guía para el uso de modelos de calidad del aire en el SEIA. Chile

   Wilks, D. S. (2011). Statistical methods in the atmospheric sciences (Vol. 100). Academic press.

   World Meteorological Organization (2010). Guide to Meteorological Instruments and Methods of Observation-WMO-No. 8, Geneva, Switzerland.

 

Comentarios (0)

There are no comments posted here yet

Deja tus comentarios

  1. Posting comment as a guest.
Archivos adjuntos (0 / 3)
Share Your Location

Por favor note que este sitio usa cookies para funcionar adecuadamente.

Aprenda más sobre nuestra política de cookies Saber más

Acepto

Consulte los siguientes puntos si quiere aprender más sobre nuestra política de cookies.

 

¿Qué son las cookies?

   Una cookie es un archivo almacenado en el navegador web que registra información de la visita de un usuario, tales como preferencias del usuario. Cuando el usuario regresa a la web, el navegador web proporciona la cookie con la información almacenada al sitio.

¿Para qué se usan las cookies?

   Las cookies se usan para ajustar el contenido de la web a las preferencias del usuario y para optimizar la web. Las cookies almacenan información importante para mejorar la experiencia de los usuarios en la web. Normalmente se usan para:

  •     Almacenar información sobre logueo así el usuario no necesita reloguearse de nuevo en cada visita a la web. No obstante, no es necesario estar registrado o registrada para ver todo el contenido de la web. La única ventaja que tiene registrarse es recibir el boletín mensual de noticias.
  •     Reconocer el tipo de dispositivo y el navegador con el que el usuario navega por la web, para optimizar la web a esas características.
  •     Recopilar estadísticas que puedan ayudarnos a comprender como interactúan los usuarios con la web, lo que nos permite mejorar su estructura y contenido. Dado que tratamos de respetar tu privacidad al máximo, intentamos trabajar con motores estadísticos dedicados menos conocidos, pero que no usan estos datos después para otros fines publicitarios.

¿Qué tipos de cookies se usan?

   Hay dos tipos de cookies: las cookies persistentes y las cookies de sesión. Las cookies persistentes se mantienen en su disco duro por un periodo de tiempo especificado en el parámetro de archivo de la cookie o hasta que se eliminan manualmente. Cuando usted regresa a una página web y se le requiere nuevamente, a pesar de haber almacenado anteriormente sus datos de acceso, es debido aque la cookie persistente ha expirado; esto ayuda a aumentar la seguridad a la vez que se mantiene la accesibilidad.

   Por otro lado, las cookies de sesión se usan temporalmente y expiran una vez cerrada la página web o el navegador. Éstas se utilizan para rastrear la actividad del usuario en una web durante una sola visita. Cuando una página web requiere que verifique su edad y localización en cada visita antes de permitir el acceso al contenido y sin requerir ningún dato personal adicional, es que las cookies de sesión están en funcionamiento.

¿Las cookies incluyen datos personales?

   Si fuera necesario la recopilación de información personal, por ejemplo para la creación se cuentas, entonces las cookies podrían almacenar información personal. Sin embargo, este no es el caso de las cookies de olores.org.

Gestión de cookies

   Por defecto, los navegadores están configurados para aceptar las cookies. Sin embargo, estas características pueden modificarse bloqueando por completo las cookies o informando al usuario cada vez que se utilizan. La información detallada sobre las cookies y sus opciones asociadas se encuentran en las opciones/preferencias de configuración de cada navegador.

¿Qué cookies registra olores.org?

   Olores.org recoge datos de las cookies con dos propósitos:

  • Realizar un seguimiento estadístico.
  • Establecer las preferencias de idioma.

   Nosotros utilizamos cookies a través de Statcounter para recopilar diferentes datos estadísticos.

Cookies de Statcounter

   StatCounter es una web de servicios analíticos. Utilizamos StatCounter para traquear la actividad de nuestra página web. Estas estadísticas nos ayudan a entender cómo los usuarios interactúan con la web para mejorar el diseño y la funcionalidad de ésta, para ofrecer una mejor experiencia online a nuestros visitantes. Si usted visita Olores.org, una cookie analítica (llamada "is_unique") se guardará en su navegador. Esta cookie se utiliza solamente para determinar si usted es un visitante nuevo o recurrente y para estimar las visitas únicas a la web. En esta cookie no se almacena ninguna información personal.

Rehusar las cookies de Statcounter

   Usted puede configurar su navegador para aceptar/rechazar las cookies analíticas de StatCounter en este enlace:

   NOTAS:

  • Su decisión de rechazar/aceptar las cookies analíticas de StatCounter para todas las páginas web que utilizan el servicio de StatCounter (incluyendo el propio sitio web de StatCounter)
  • Si usted rechaza todas las cookies analíticas de StatCounter, una cookie de rechazo (llamada "refusal_cookie") se instalará para recordar esta preferencia y cualquier cookie analítica existente de StatCounter en su navegador se eliminará.
  • Si usted borra/modifica/elimina la cookie de rechazo, deberá volver a visitar esta página web para re-establecer sus preferencias.
  • La cookie de rechazo se establece solamente para su navegador y equipo actuales. Si usted utiliza múltiples navegadores/equipos, deberá establecer la cookie de rechazo en cada caso.
  • También puede cambiar la configuración de las cookies directamente en su navegador. Conozca más sobre las cookies y como manejarlas en este enlace: http://www.allaboutcookies.org/cookies/index.html
  • O aprenda a ajustar las opciones de las cookies para navegadores específicos aquí: