Desde la Universidad de Cádiz se oferta una beca FPI para Ingenieros en Informática, Telecomunicación, Físicos, Ing. Electrónicos, etc. asociada al proyecto PREDCAIN, cuyo resumen se adjunta al final del mensaje.
Interesados contactar con el IP del proyecto Ignacio J. Turias,
ignacio.turias@uca.es, con el asunto «beca FPI».
RESUMEN PROYECTO I+D “Sistema de predicción de contaminantes atmosféricos usando sensores inteligentes. Aplicación práctica en la Bahía de Algeciras (PREDCAIN)”,
La monitorización atmosférica es una herramienta que ayuda a identificar y evaluar los problemas de la calidad del aire como medida de prevención para la protección de la salud de los habitantes, además provee información necesaria para la toma de decisiones con propósitos de mejora y gestión del medio ambiente. La monitorización atmosférica consta de todas la metodologías diseñadas para muestrear, analizar y procesar en forma continua las concentraciones de sustancias o de contaminantes presentes en el aire en un lugar establecido y durante un tiempo determinado. Una estación de monitorización consiste en un espacio con diversos instrumentos destinados a la medición de concentraciones contaminantes y algunos parámetros meteorológicos y su ubicación depende de los criterios y objetivos de la monitorización que hayan sido establecidos, y comúnmente se encuentran agrupadas en redes con el propósito de cubrir grandes extensiones geográficas.
La importancia de la monitorización atmosférica radica en que para: a) formular estándares de calidad de aire, b) llevar a cabo estudios epidemiológicos que relaciones los efectos de las concentraciones de los contaminantes con los efectos en la salud, c) especificar tipos y fuentes emisoras, d) llevar a cabo estrategias de control y políticas de desarrollo acordes con los ecosistemas locales, y e) desarrollar programas racionales para el manejo de la calidad del aire, se requiere de una base de datos que aporte información para la realización de todos estos estudios la cual se genera a partir de la monitorización atmosférica.
En el mundo, actualmente, existen varias redes de monitorización de la contaminación atmosférica, que miden valores de inmisión de los principales contaminantes en áreas urbanas y zonas industriales. Además de este conjunto de redes que vigilan los niveles de contaminación en zonas densamente pobladas, existen también redes de monitorización que miden la concentración de contaminantes en la atmósfera de zonas alejadas de las fuentes de contaminación. Estas redes integran el programa EMEP (European Monitoring Evaluation Programme) nacido del Convenio de Ginebra sobre la contaminación atmosférica transfronteriza a gran distancia, en la red BAPMoN (Background Air Pollution Monitoring Network) de la Organización Meteorológica Mundial y en el Programa CAMP (Comprehensive Atmospheric Monitoring Programme) del Convenio de Oslo y Paris).
Se ha demostrado que a menudo los episodios severos de contaminación no pueden ser atribuidos a repentinos incrementos en las concentraciones de contaminantes sino a ciertas condiciones meteorológicas las cuales disminuyen la habilidad de la atmósfera para dispersar las concentraciones [CA-Pang2009]. Por otro lado, una gran variedad de sistemas basados en modelos empíricos, causales, estadísticos e híbridos han sido propuestos para interpretar y modelar los efectos de las variables meteorológicas en las concentraciones de contaminantes para llevar a cabo o prevenir acciones durante episodios de contaminación. Los firmantes del proyecto tienen experiencias previas en la identificación de situaciones meteorológicas sinópticas utilizando SOMs y análisis de componentes principales [CA-Turias2006].
En general las situaciones meteorológicas en este tipo de problemas se describen a partir de datos de proporcionan modelos meteorológicos globales que ofrecen organismos como la Nacional Oceanic and Atmospheric Administration (NOAA) o el European Centre of Medium-Range Weather Forecasts (ECMWF). Estos modelos resuelven las ecuaciones de dinámica de fluidos a nivel planetario generando estimaciones del estado actual de la atmósfera, así como predicciones hasta un horizonte de 72 horas en intervalos de 3 horas. Sin embargo estas predicciones tienen escasa resolución espacial y no consideran ninguna fenomenología local, por lo que no son directamente aplicables a problemas reales y menos aún a problemas con alto componente local. Para este fin se aplican los denominados modelos de downscaling.
Los modelos de downscaling pueden ser físico-dinámicos o estadísticos. Los modelos de downscaling dinámico resuelven las ecuaciones de la dinámica de fluidos incluyendo complejos módulos para simulación de turbulencias, o presencia de agua en la atmósfera en sus diferentes estados deagregación. Por tanto estos modelos consumen grandes recursos computacionales además de mostrarse muy sensibles a la definición de las condiciones iniciales y de contorno dada la complejidad de cálculo y las dinámicas caóticas asociadas a la atmósfera. Para lidiar con estos inconvenientes existe otro tipo de modelos, denominados de downscaling estadístico, que aunque no se aplican en modelos de contaminantes —atendiendo a la literatura revisada—, sí que son utilizados en otros ámbitos medioambientales [CA-Salameh2009; CA-Chen2012] con buenos resultados. Estos modelos se diseñan y ajustan para trabajar en un entorno específico —es decir, no son extrapolables a otros problemas—, pero muestran una gran capacidad para adaptarse a las condiciones locales propias de una región disminuyendo el tiempo de cálculo y capturando patrones característicos difíciles de inferir de otro forma. La conjunción de la fusión de múltiples medidas procedentes de una red de sensores inteligentes junto con herramientas de soft computing permite afrontar estimaciones regionales evitando el costoso uso de modelos dinámicos, haciéndolos ideales para propósitos de monitorización en tiempo real con interesantes aplicaciones en el campo de la calidad del aire [CA-Seaman2003].
La calidad del aire y los efectos que éste puede provocar sobre la salud y el medio ambiente está determinada por los niveles de inmisión, o concntraciones que alcanzan las sustancias contaminantes una vez que abandonan sus fuentes de emisión, siguiendo fenómenos de dispersión, transformaciones químicas y deposiciones por vía húmeda o seca. Es por ello que los modelos de predicción de contaminantes han adquirido especial relevancia en los últimos años, dado que constituyen una herramienta eficaz para definir acciones y estrategias de control de aquellos episodios de contaminación que puedan exceder las concentraciones definidas en la normativa vigente.
La literatura científica nos demuestra que no existe una técnica universal para la predicción de contaminantes, de forma que pueda ser aplicada con éxito en cualquier zona. Así, con mayor frecuencia se han venido utilizando métodos estadísticos para la predicción a corto plazo aplicada al control de las inmisiones en tiempo real. Estos métodos presentan algunas ventajas sobre los deterministas. En primer lugar, no necesitan datos de niveles de emisión (la mayoría de las veces no están disponibles), dado que se basan en medidas de calidad de aire y variables meteorológicas. En segundo lugar, la estructura de los modelos estadísticos es con frecuencia más simple que la de los modelos deterministas y por tanto pueden ser más fácilmente implementados. Sin embargo, estos modelos no son extrapolables de una zona a otra ya que se desarrollan y se validan en un punto concreto. Los firmantes del proyecto tienen experiencia en la predicción cuantitativa local [CA-Turias2008] de diferentes contaminantes (CO, SPM y SO2) utilizando variables meteorológicas, así como en la predicción de superaciones de CO [CA-Martin2008], mostrando la superioridad, en general, de los modelos neuronales o basados en máquinas de soporte vectorial frente a los modelos clásicos [CA-Muñoz 2014].
Uno de los problemas a tratar en los estudios de predicción de contaminantes estriba en la definición de las variables más significativas que expliquen el comportamiento y por tanto, los niveles de concentración de un contaminante. En primer lugar, las variables de entrada a un modelo pueden comprender tanto datos meteorológicos como las concentraciones previas del contaminante a predecir y por ello, pueden llegar a ser bastantes numerosas.
Por otra parte, la relación entre la concentración de contaminante y la variable exógena suele ser no lineal y depende de la localización geográfica de la estación de muestreo. Igualmente, las medidas pueden sufrir de valores vacíos o incorrectos debido a mal funcionamiento de los sensores que podría ser corregido mediante la utilización de sensores inteligentes que mejoren la calidad de las variables (meteorológicas y/o de contaminantes) utilizando información local y también información de las cercanías de la estación (igualmente, en cada estación de medida de inmisión de contaminantes tampoco se suelen medir las variables meteorológicas locales, utilizándose información no real). Es bien sabido que las situaciones atmosféricas que se dan en el Campo de Gibraltar tienen un alto componente local debido a la complejidad del entorno y a la influencia de la singularidad geográfica del Estrecho. Se escoge esta zona por estas razones además de por ser una zona altamente industrializada y en la que se encuentran disponibles distintas estaciones de monitorización de contaminantes que podrían complementarse.
Además, es necesario tener en consideración: – Los datos locales pueden ser incompletos o incorrectos [CA-Junninen2004] debido a la descalibración o deterioro de los sensores.
– La información meteorológica global que generalmente se emplea como entrada en estos modelos no recoge las situaciones propias de la zona (en las estaciones de medida de inmisiones contaminantes no se suele tener información meteorológica local). – La complejidad orográfica del entorno requiere un gran esfuerzo computacional y como consecuencia la frecuencia de actualización de las estimaciones no es suficiente para describir la variabilidad que se observa en una zona. – las incertidumbres derivadas de los puntos anteriores hacen que los modelos físico-dinámicos de dispersión no trabajen de manera eficiente. En este proyecto se pretende integrar la infraestructura de monitorización existente en la zona junto con la inteligencia adicional local para desarrollar un sistema de predicción basado en redes de sensores que, para obtener el nivel de calidad del aire, utilice dos etapas: una local y una global. En la etapa local (por estación de monitorización) se obtendría el nivel de calidad del aire para cada contaminante, corrigiendo inteligentemente las medidas necesarias y utilizando estimaciones de viento realizadas con algoritmos de downscaling estadístico. La etapa global, consiste de la combinación del nivel de calidad del aire mediante los niveles obtenidos en la etapa local para obtener estimaciones para cualquier punto (x,y,z,t), Las ventajas que ofrece el modelo propuesto sobre el sistema actual son: Redundancia,• ayuda a mejorar la fiabilidad de los sistemas debido a que reduce la incertidumbre de las medidas individuales al observarlas con distintas medidas en la red. Complementariedad, permite observar ciertas• características del entorno que son imposibles de observar con sensores individuales y utilizar estas estimaciones como inputs en los modelos de predicción locales. Robustez, con la inteligencia distribuida en los• sensores se pueden resolver problemas de calibración, offset, datos perdidos, etc.La amplia literatura e interés sobre la fusión de múltiples sensores o medidas en los últimos años muestra su gran desarrollo en numerosos artículos, revistas y libros. En lugar de utilizar un único sensor, aunque sea de alta precisión, es preferible el uso de varios sensores que sean complementarios o redundantes. Esto permite disponer de diversas medidas que aseguran la fiabilidad de los datos, evitando errores, mejoran el tiempo de respuesta y ayudan a una mejor interpretación de lo que se está observando. Es una tarea extremadamente compleja. Hay muchos factores que contribuyen a la mejora en la realización de un sistema cuantificable y a la mejora de la utilidad del sistema total [CA-Macii 2008]. Un reciente estudio, muestra que la fusión de medidas de viento, aun cuando éstas no hayan sido adquiridas con suficientes criterios de calidad, puede arrojar datos comparables a los mejores modelos meteorológicos [CA-Agüera2012;2013] y que ahora quieren emplearse al campo de la predicción de contaminantes atmosféricos.Dado que estos sensores de monitorización de contaminantes se instalan en superficie, la información generada no proporciona todos los parámetros necesarios para la resolución del problema mediante modelos
físico-dinámicos. Esto requeriría medidas a diferentes alturas para introducir en un modelado 3D: perfiles verticales de viento, fenómenos de inversión térmica, etc… Sin embargo, esto no limita un aprendizaje estadístico a partir de las situaciones meteorológicas registradas en superficie, dado que es de esperar que estas situaciones sean recurrentes y puedan ser capturadas y clasificadas por modelos de soft computing que a su vez sean capaces de adjudicar casos/probabilidades para la posterior evolución.