PREDICCIÓN DE LA CALIDAD DEL AIRE: ESTADO DEL ARTE
Resumen
En este artículo se describe la forma y los procedimientos que se utilizan para desarrollar el estado del arte de la predicción de la calidad del aire en una zona específica. Se pretende indagar en las referencias utilizadas comparando los distintos métodos de estudio, y observar cuál de estos ofrece las previsiones elaboradas más óptimas, del comportamiento en el tiempo de estos materiales perjudiciales para salud del Hombre. Se clasificará toda la información estudiada, de acuerdo con el método usado y a los contaminantes a evaluar en cada investigación, determinando cuál de estos métodos usados son más pertinentes y cuáles son los que ofrecen mejor eficiencia en la predicción. En esta revisión se encuentra que los métodos más empleados y eficientes son los no lineales, como son las Redes Neuronales con su topología Perceptrón Multicapa. Aunque las versiones Hibridas, también obtienen excelentes resultados en la predicción. Por lo cual sería un buen punto de partida empezar el estudio utilizando este tipo de métodos para el pronóstico de contaminantes.
Citas
Barai, S.V. et al. 2009. Air Quality Forecaster : Moving Window Based. Applications of Soft Computing.
E.Avineri et al., eds. Springer Berlin / Heidelberg. 137-145.
Benghanem,M. and Mellit, A. 2010. Radial Basis Function Network-based prediction of global solar
radiation data: Application for sizing of a stand-alone
photovoltaic system at Al-Madinah, Saudi Arabia.Energy. 35, 9 (Sep. 2010), 3751-3762.
Box, G.E.P., Jenkins, G.M. 1970. Time Series Analysis, Forecasting and Control.
Caselli, M. et al. 2008. A Simple Feedforward Neural Network for the PM10 Forecasting: Comparison with a Radial Basis Function Network and a Multivariate Linear Regression Model. Water, Air, and Soil Pollution. 201, 1-4 (Dec. 2008), 365-377.
Cobourn, W.G. 2010. An enhanced PM2.5 air quality forecast model based on nonlinear regression
andback-trajectory concentrations. Atmospheric Environment. 44, 25 (Aug. 2010), 3015-3023.
Corani, G. 2005. Air quality prediction in Milan: feed-forward neural networks, pruned neural networks and lazy learning. Ecological Modelling. 185, 2-4 (Jul. 2005), 513-529.
Domańska, D. and Wojtylak, M. 2012. Application of fuzzy time series models for
forecasting pollution concentrations. Expert Systems with Applications. 39, 9 (Jul. 2012), 7673-7679.
Dong, M. et al. 2009. PM2.5 concentration prediction using hidden semi-Markov
model-based times series data mining. Expert Systems with Applications. 36, 5 (Jul. 2009), 9046-9055.
Díaz-Robles, L.A. et al. 2008. A hybrid ARIMA and artificial neural networks model to forecast
particulate matter in urban areas: The case of
Temuco, Chile. Atmospheric Environment. 42, 35 (Nov.2008), 8331-8340.
Ecologístas en Acción: 2006. http://www.ecologistasenaccion.org/spip.php?article5681.
Fernando, H.J.S. et al. 2012. Forecasting PM10 in metropolitan areas: Efficacy of neural networks. Environmental pollution (Barking, Essex : 1987). 163, (Apr. 2012), 62-7.
Gardner, M. W. and Dorling, S.R. 1995. Artificial neural networks (the multi-layer feed-forward neural
networks)– A review of applications in the
atmospheric science. Atmospheric Environment. 30, 14/15 (1995), 2627–2636.
Grivas, G. and Chaloulakou, A. 2006. Artificial neural network models for prediction of PM10 hourly
concentrations, in the Greater Area of Athens, Greece. Atmospheric Environment. 40, 7 (Mar. 2006),
2 1 6 - 1 2 2 9 .
Hooyberghs, J. et al. 2005. A neural network forecast for daily average PM concentrations in Belgium.Atmospheric Environment. 39, 18 (Jun. 2005), 3279-3289.
Ibarra-Berastegi, G. et al. 2008. From diagnosis to prognosis for forecasting air pollution using neural
networks: Air pollution monitoring in Bilbao. Environmental Modelling & Software. 23, 5 (May. 2008), 622-637.
Ii, T. et al. 2009. Libro verde - De medio Ambiente Urbano. Ministerio del Medio Ambiente Español.
Isasi Viñuela, P. and Galván León, I. 2004.Redes de
Neuro nas Artificiales Un Enfoque Práctico. Pearson Prentice Hall.
Kaminski, W. 2001. Evaluation of air pollution level by means of artificial neural n e t w o r k - multilayer perceptron. Handbook of Conveying and Handling or Particulates Solids. A. Levy and H. Kalman, eds. 739-744.
Khashei, M. and Bijari, M. 2010. An artificial neural network (p,d,q) model for timeseries forecasting. Expert Systems with Applications. 37, 1 (Jan. 2010), 479-489.
Kukkonen, J. 2003. Extensive evaluation of neural network models for the prediction
of NO2 and PM10 concentrations, compared with a deterministic modelling system and
measurements in central Helsinki. Atmospheric Environment. 37, 32 (Oct. 2003), 4539-4550. Ingeniería Documentos de 52
Kurt, A. and Oktay, A.B. 2010. Forecasting air pollutant indicator levels with geographic models
days in advance using neural networks. Expert Systems with Applications. 37, 12 (Dec. 2010), 7986-7992.
Lee, J.K. and Yum, C.S. 1998. Judgmental adjustment in time series
forecasting using neural networks. Decision Support Systems. 22, 2 (Feb. 1998), 135-154.
Lu, W.-Z. and Wang, D. 2008. Ground-level ozone prediction by support vector machine approach with
a cost-sensitive classification scheme. The Science of the total environment. 395, 2-3 (Jun. 2008), 109-16.
Lu, W.-Z. and Wang, W.-J. 2005. Potential assessment of the “support vector machine” method in
forecasting ambient air pollutant trends. Chemosphere. 59, 5 (Apr. 2005), 693-701.
Lu, W.Z. et al. 2003. Using Improved Neural Networkmodel To Analyze Rsp, Nox And No2 Levels
In Urban Air Inmong Kok, Hong Kong. Environmental Monitoring and Assessment. 87, 2 (2003), 235-254.
Melanie, M. 1996. An Introduction to Genetic Algorithms. Massachusetts Institute of Technology.
Mitchell, T. 1997. Machine Learning.
Mohandes, M. et al. 2000. Use of radial basis functions for estimating monthly mean daily solar radiation. Solar Energy. 68, 2 (Feb. 2000), 161-168.
Moustris, K.P. et al. 2010. 3-Day-Ahead Forecasting of Regional Pollution Index for the Pollutants NO 2 , CO ,
SO 2 , and O 3 Using Artificial Neural Networks in Athens , Greece. Water, Air, & Soil Pollution. 209, 1 (2010), 29-43.
Nilsson, N.J. 2005. Introduction To Machine Learning An Early Draft Of A Proposed Textbook Department of Computer Science. Standorf University.
Niska, H. et al. 2005. Evaluation of an integrated modelling system containing a multi-layer
perceptron model and the numerical weather prediction model HIRLAM for the forecasting of urban airborne pollutant concentrations. Atmospheric Environment. 39, 35 (Nov. 2005), 6524-6536.
Palma, J.T. and Marín, R. 2008. Inteligencia Artificial: Método, técnicas y aplicaciones. McGraw-Hill.
Paschalidou, A.K. et al. 2009. A comparative study on various statistical techniques predicting ozone concentrations : implications to environmental management. Environmental Monitoring and Assessment. 148, 1 (2009), 277-289.
Paschalidou, A.K. and Karakitsios, S. 2011. Forecasting hourly PM 10 concentration in Cyprus through artificial neural networks and multiple regression models : implications to local
environmental management. Environmental Science and Pollution Research. 18, 2 (2011), 316-327.
Perez, P. et al. 2004. Carbon monoxide concentration forecasting in Santiago, Chile. Journal of the Air & Waste Management Association (1995). 54, 8 (Aug. 2004), 908-13. Environment. 40, 16 (May. 2006), 2845-2851.
Perez, P. et al. 2000. Prediction of PM concentrations several hours in advance using neural networks in Santiago, Chile. Atmospheric Environment. 34, (2000), 1189-1196.
Perez, P. 2002. Prediction of maximum of 24-h average of PM10 concentrations
h in advance in Santiago, Chile. Atmospheric Environment. 36, (2002), 4555-4561.
Perez, P. and Reyes, J. 2006. An integrated neural network model for PM10 forecasting. Atmospheric
Shekarrizfard, M. and Hadad, K. 2012. Wavelet transform-based artificial neural networks ( WT-ANN )
in PM 10 pollution level estimation , based on circular variables. Environmental Science and Pollution
Research 19, 1 (2012), 256-268.
Sistema de Informacion Ambiental de Colombia - SIAC: 2012. http://www.siac.gov.co/contenido/
contenido.aspx?catID=585&conID=620. Accessed: 2012-06-28.
Siwek, K. and Osowski, S. 2011. Improving the accuracy of prediction of PM10 pollution by the wavelet
transformation and an ensemble of neural predictors.
Engineering Applications of Artificial Intelligence. 2 (Nov. 2011), 1-13.
Slini, T. et al. 2006. PM10 forecasting for Thessaloniki, Greece. Environmental Modelling & Software.
, 4 (Apr. 2006), 559-565. Ingeniería Documentos de 53
Universidad Industrial de Santander - Corpocesar 2012. Informe De Operación Del
Sistema De Vigilancia De Calidad De Aire De La Ciudad De Valledupar, Departamento Del Cesar.
Witten, I.H. et al. 2011. Data Mining Practical Machine Learning Tools and Techniques. Morgan Kauf mann.
Word Heald Organitation (WHO): 2011. http://www.who.int/mediacentre/factsheets/fs313/en/index.html.
World Health Organization 2005. Guías de calidad del aire actualización mundial - Reporte de la reunión
de un grupo de trabajo en Bonn - Alemania.
World Health Organization - WHO 2000. Air Quality Guidelines. WHO Library Cataloguing in Publication Data.
World Health Organization - WHO 2005. Guías de calidad del aire de la OMS
relativas al material particulado, el ozono, el dióxido de nitrógeno y el dióxido de azufre.
Yeganeh, B. et al. 2012. Prediction of CO concentrations based on a hybrid Partial Least
Square and Support Vector Machine model. Atmospheric Environment. 55, (Aug. 2012), 357-365.
Zolghadri, A. and Cazaurang, F. 2006. Adaptive nonlinear state-space modelling for the
prediction of daily mean PM10 concentrations. Environmental Modelling & Software. 21, 6 (Jun. 2006), 885-894.
Descargas
Publicado
Número
Sección
Licencia
Al presentar un artículo a consideración del comité de la revista DOCUMENTOS DE INGENIERÍA el autor acepta:
1. Que los juicios emitidos son de su entera responsabilidad, por ende, estos no comprometen las políticas de la universidad ni las del comité editorial.
2. Que no recibirá pago por la inclusión de su artículo en la publicación DOCUMENTOS DE INGENIERÍA.
3. Que el artículo presentado a consideración del comité editorial de la Revista Documentos de Ingeniería, no podrá presentarse a comités de otras publicaciones hasta obtener una respuesta escrita de la decisión tomada en relación con la aceptación o rechazo de su artículo por parte del comité editorial de la revista.
4. Que el artículo puesto a consideración del comité de la revista DOCUMENTOS DE INGENIERÍA, no ha sido publicado en ninguna otra parte en versiones sustancialmente iguales.
5. De publicarse, su artículo se convierte en propiedad permanente de la Facultad de INGENIERIAS y no podrá ser publicado en otro medio sin permiso escrito de su autor y de la Universidad.
6. Que los artículos a presentar a consideración del comité editorial de la Revista Documentos de Ingeniería deben ser de pertinencia nacional e internacional.
